基于序列连通度的睡眠分期算法研究

piday123

基于序列连通度的睡眠分期算法研究

: z& D5 K1 B$ m% g4 S# Q/ n8 u
" F5 x' v- n5 Y# _7 ~6 M3 q
5 l( X. a0 N+ W6 N$ v: \  w摘要:准确的睡眠分期有利于帮助人们改善睡眠质量.本文提出了一种基于序列连通度分析的特征参数提取算法,提取了连通度分布斜率,连通距离均值,平均连通距离均值以及改进的加权连通度均值等特征参数,采用最小二乘支持向量机对其进行训练和学习,建立了睡眠脑电的数学模型.结果表明,相对于目前已有的序列加权连通度算法，本文算法对于不同睡眠状态的分期正确率提高了约5.72% ,特别是对于浅睡眠状态的分类正确率提高约9.659%.
关键词:脑电信号;序列连通度;最小二乘支持向量机

% l+ ~1 w1 L0 k( r
1引言
睡眠与人类健康息息相关1.有效的睡眠监测能够帮助人们改善不良的睡眠状况.彭振等采用脑电信号(Electroencephalogram, EEG)的奇异值第一主成分，结合支持向量机( Support Vector Machines ,SVM)进行了睡眠分期的研究,准确率达到84.40%[2.王歆媛等通过EEG的复杂度和近似嫡以及SVM实现了睡眠的自动分期,准确率达85.67%[3].江朝晖等研究了心率变异与睡眠的关系,实现了多参数综合睡眠分期4].马千里等通过EEG的非线性,采用多重分形算法实现了对MIT-BIH 睡眠数据库中slp01 号样本的睡眠状态拟合l 5..Syed等提出了基于8-16Hz频带边缘频率的EEG特征提取算法[6].
2 V7 \4 z( \, k5 |3 r序列连通度是由Lucas 等人于2008年提出的用于分析时间序列复杂性的一种新算法[”.该算法采用序列中各点间的连通关系及统计特性作为序列的特征参数.随后, Lucas 等又提出了水平连通度分析方法,并应用于混沌序列分析[8.Zhu等将平均相位锁定法与序列连通度方法相结合用于睡眠分期，准确率达86.7%[9.10].同时,Zhu等还提出了快速加权水平连通度算法,可以准确地识别发作期癫痫EEG与正常EEG["].Bezsudnov 等以连通角度为阈值,提出了参数化的自然连通度算法[ 12] . Shiyu等提出了一种基于自然连通度的平均聚合算子[13]
, O) n3 V, _' x' i
" d8 W+ Q8 Z  }0 o. @

游客，如果您要查看本帖隐藏内容请回复

NingW

基于序列连通度的睡眠分期算法研究