论文部分内容阅读
睡眠是人们重要的生理活动和行为方式之一,是决定生活质量的关键因素。充足有效的睡眠具有恢复精力和体力的作用,是维持健康的基本需要。在当今快节奏生活以及高强度工作的环境下,睡眠障碍已经逐渐变成一种具有公共危害性的疾病,由于在普通人群、老年人和大学生群体中普遍存在,所以引发人们更加高度的重视。通过了解睡眠状态的变化,实现睡眠分期,是客观评估睡眠质量的一种有效方法,有助于睡眠及睡眠相关疾病的研究。睡眠自动分期的实现通常包括四个阶段:信号预处理、特征提取、特征选择和分类识别。以睡眠脑电信号为研究对象,提出一种新的具有较高分类准确率的自动睡眠分期方法,该方法改进了四个阶段中的特征选择阶段和分类识别阶段。在特征选择阶段采用混合特征选择方法,更为有效的提取特征,在分类识别阶段采用群智能算法,更为有效的搜寻最优参数。在每个阶段中完成的工作如下:1、信号预处理。脑电信号微弱,随机性强,且极易受到信号干扰,所以需要对信号进行预处理,消除噪声。因小波变换的特性,其在去噪方面应用广泛,并具有较大优势,故采用小波阈值去噪方法。基于前人研究,确定小波变换的小波基函数、分解层数以及阈值,实现脑电信号去噪预处理。2、特征提取。在特征提取阶段,从四个方面对每一个睡眠阶段(30s为一个单位)提取30个特征,包括时域特征:最大值、最小值、方差、峰度、偏度、标准差、平均值、中间值、过零值及Hjorth参数共11个;频域特征:中心频率、带宽及中心频率的值共3个;时频域特征:γ波、β波、α波、θ波、δ波及K复合波占据总能量的比值共6个以及非线性动力学特征:C0复杂度、样本熵、多尺度熵、模糊熵、近似熵及奇异谱特征值共10个。在提取完以上30个特征之后,为防止因不同特征之间的量纲对结果产生影响,进行归一化处理。3、特征选择。在特征选择阶段,采用混合特征选择方法。首先采用决策树、递归特征消除算法分别实现特征选择。其次,在两种特征选择方法的基础上,利用合并策略进行特征的混合,得到最终的分类器的输入特征。4、分类识别。在特征的分类识别阶段,基于实际的MIT-BIT数据库的睡眠脑电信号数据,先采用改进的果蝇算法(IFOA)优化支持向量机(SVM)的惩罚系数和核函数参数,然后利用SVM对输入特征进行训练,构建睡眠分期模型并测试。实验结果表明,相对于单一的特征选择方法,混合特征选择方法能够选择得到更有效的特征,相比于果蝇算法,改进的果蝇算法具有更强的优化能力,能在一定程度上提高SVM的分类精度。因此,基于混合特征选择和IFOA-SVM的自动睡眠分期方法是一种行之有效的方法,为睡眠分期提供了一种新思路。