基于EEG和EMG信息融合的自动睡眠分期系统

发布时间：2017-04-30 06:01

  本文关键词：基于EEG和EMG信息融合的自动睡眠分期系统，由笔耕文化传播整理发布。

【摘要】：睡眠是人体一项重要的生理活动,它影响着人们生活的方方面面,与人体健康密切相关。正确合理的睡眠分期,无论是在睡眠质量的评价方面,还是在睡眠相关疾病的早期诊断与治疗方面都是非常重要的。因此对睡眠分期的研究意义十分重大。 睡眠分期中最大的难题是清醒(Wake, WA)期和快速眼动(Rapid Eye Movements, REM)期的区分,两个时期的脑电图(Electroencephalogram, EEG)的时域特征十分相近。通过实验研究发现,WA和REM期的肌电图(Electromyogram, EMG)的时域特征有很大差别,如果能够将EEG和EMG的不同特征进行融合,得到在WA、非快速眼动期(Non-Rapid Eye Movements, NREM)和REM期具有明显差异的融合信号就可以用于睡眠分期。因此,本文提出了一种基于EEG和EMG融合信号的自动睡眠分期系统,以及两种不同的分期方法——百分比法和幅值法。 本系统包括信号预处理、小波分解、特征提取、信息融合、小波重构以及睡眠分期六大模块。小波变换是为EEG和EMG的融合提供平台；信息融合模块中设置了三种不同的融合算子：邻域方差融合、一阶差分融合和相关系数融合算子；在最关键的睡眠分期模块中,使用了百分比法和幅值法进行分期,这两种分期方法都是基于融合信号的功率谱图。本系统经训练建模后,使用6组同步的EEG和EMG数据进行睡眠分期,百分比法得到的分期正确率为96.50%±1.21,计算效率为6.25ms±2.17,幅值法的分期正确率为98.20%±0.79,计算效率为2.51ms±0.004。另外的两组对比实验,使用单一EEG的CO复杂度、小波熵分别进行睡眠分期,计算得到使用CO复杂度的分期正确率为86.25%,计算效率为2.499±0.100ms；使用小波熵的分期正确率为70%,计算效率为2.129±0.461ms。由此可见,本文提出的基于EEG和EMG信息融合的自动睡眠分期系统取得了较好的结果,证明了本系统是合理有效的。
【关键词】：EEG EMG 信息融合 睡眠分期 小波变换
【学位授予单位】：兰州大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：R318
【目录】：

• 中文摘要3-4
• Abstract4-8
• 第一章 引言8-11
• 1.1 睡眠分期的研究背景及意义8
• 1.2 睡眠分期的国内外研究现状以及存在的问题8-9
• 1.3 本文的主要研究工作9
• 1.4 文章的组织结构9-11
• 第二章 睡眠的分期生理基础11-17
• 2.1 睡眠概述11-12
• 2.2 脑电与睡眠12-15
• 2.2.1 脑电信号12-13
• 2.2.2 脑电节律13-14
• 2.2.3 脑电与睡眠分期14-15
• 2.3 肌电与睡眠15-16
• 2.3.1 肌电信号15
• 2.3.2 肌电与睡眠分期15-16
• 2.4 本章小结16-17
• 第三章 脑电与肌电信息融合理论基础17-22
• 3.1 信息融合基本理论17-18
• 3.1.1 信息融合的发展历史17
• 3.1.2 信息融合的原理17-18
• 3.1.3 信息融合的方法及应用18
• 3.2 小波变换基本理论18-21
• 3.2.1 小波变换的发展历史18-19
• 3.2.2 小波变换的原理19-20
• 3.2.3 Mallat算法20-21
• 3.3 本章小结21-22
• 第四章 系统开发平台——LabVIEW22-25
• 4.1 LabVIEW简介22-23
• 4.2 LabVIEW与虚拟仪器技术23-24
• 4.2.1 虚拟仪器的概念23
• 4.2.2 虚拟仪器的特点23-24
• 4.3 本章小结24-25
• 第五章 自动睡眠分期系统建模25-37
• 5.1 系统总体框架设计25
• 5.2 预处理模块25-26
• 5.2.1 滤波处理26
• 5.2.2 归一化处理26
• 5.3 小波分解模块26-27
• 5.4 特征提取模块27-29
• 5.4.1 特征参数设置28-29
• 5.5 信息融合模块29-31
• 5.5.1 邻域方差融合29
• 5.5.2 一阶差分融合29
• 5.5.3 相关系数融合29-30
• 5.5.4 融合算子设置30-31
• 5.6 小波重构模块31-32
• 5.7 睡眠分期模块32-35
• 5.7.1 功率谱图32
• 5.7.2 分期方法32-34
• 5.7.3 阈值参数设置34-35
• 5.8 系统运行界面35
• 5.9 本章小结35-37
• 第六章 系统改进与结果分析37-47
• 6.1 百分比分期法的改进37-38
• 6.2 自选频带功能38
• 6.3 分期结果与评价38-40
• 6.3.1 百分比与幅值法的分期结果38-39
• 6.3.2 正确率39-40
• 6.3.3 计算效率40
• 6.4 与其他方法的对比40-45
• 6.4.1 融合信号与原始EEG对比40-41
• 6.4.2 使用EEG的C0复杂度的分期41-43
• 6.4.3 使用EEG的小波熵的分期43-45
• 6.4.4 分期方法对比分析45
• 6.5 本章小结45-47
• 第七章 总结与展望47-49
• 7.1 主要研究工作和成果47
• 7.2 工作展望47-49
• 参考文献49-53
• 在学期间的研究成果53-54
• 致谢54

【参考文献】

中国期刊全文数据库 前10条

1 董国亚,吴祈耀;应用近似熵对睡眠脑电进行分期的研究[J];北京生物医学工程;1999年04期

2 龙胜春,翁剑枫,华蕴博;肌电信号的检测与分析方法[J];国外医学.生物医学工程分册;1998年02期

3 刘朝阳,蔡自兴;多传感器信息融合技术在侦察系统中的应用[J];广西科学院学报;2004年04期

4 周宏仁;多目标跟踪技术综述[J];航空学报;1986年01期

5 陈帅;管雪元;薛晓中;孙瑞胜;;弹载SINS/GPS组合导航信息同步与融合技术[J];火力与指挥控制;2009年10期

6 程Xh;郭雷;赵天云;许明;贺胜;;一种基于小波变换的多聚焦图像融合方法[J];计算机工程与应用;2012年01期

7 於时才;吕艳琼;;一种基于小波变换的图像融合新算法[J];计算机应用研究;2009年01期

8 祝宇虹;张忠奎;李满天;;一种基于脑电ZCR值的自动睡眠分期方法研究[J];机械与电子;2010年06期

9 孙书利;吕楠;白锦花;陈卓;;多传感器时滞系统信息融合最优Kalman滤波器[J];控制理论与应用;2008年03期

10 周叶,戴冠中,王立新;线性离散时间系统分散估计的合成算法[J];控制与决策;1989年06期

  本文关键词：基于EEG和EMG信息融合的自动睡眠分期系统，，由笔耕文化传播整理发布。

本文编号：336355