论文部分内容阅读
睡眠质量的好坏对人的机体康复、记忆能力以及抵抗疾病的能力起着至关重要的作用。随着生活压力的日益加大,各种睡眠相关疾病已经成为人类健康的隐形杀手。因此,越来越多的国内外学者投入到各种睡眠相关研究之中。在睡眠过程中,睡眠不是一种固定不变的状态,而是经历着几个相对稳定的阶段,临床上把这几个阶段定义为睡眠的分期。睡眠electroencephalogram (EEG)是睡眠这几个分期在大脑上的电生理记录,是研究睡眠的一种强有力工具。睡眠EEG的正确分期无论是对睡眠质量评估还是睡眠相关疾病的诊断都有重要的应用价值。传统睡眠分期方法主要由睡眠专家对连续记录的睡眠EEG数据进行人工目测分析得出的,这样的分期方法是相当耗时且效率并不高。本文的主要研究内容为设计一种新的人睡眠EEG自动分期方法并对其性能进行评估。文中使用了三种测度信号非线性动力学复杂性的算子C0复杂度、Kc复杂度和近似熵,研究这三种算子对睡眠各期EEG信号的区分能力,并用t检验检测睡眠各期复杂性测度的统计学显著性差异,为下面的睡眠EEG自动分期提供理论基础。基于脑电EEG信号的非线性非平稳特性,文中自动分期方法利用希尔伯特-黄变换提取脑电信号的频域特征,并结合信号的C0复杂度来表征睡眠EEG信号,这些特征能很好的反应脑电信号的本质属性,构建三层Back-Propagation (BP)神经网络作为分类器对睡眠EEG信号提取的特征进行自动分期。我们使用MIT-BIT的Sleep-EDF数据库中的7个个体的Pz-Oz导联睡眠EEG数据验证本文提出的方法的实际性能。试验结果表明,该方法对于区分清醒期、睡眠1期+REM睡眠期、睡眠2期、慢波睡眠期四种生理状态均能够达到80%以上的平均正确率,说明了本方法能有效的对睡眠EEG信号自动分期,在睡眠质量实时监控以及睡眠相关疾病的辅助诊断方面有很好的临床应用价值。