论文部分内容阅读
睡眠作为生命的必须过程,是机体恢复、整合和巩固记忆的重要环节。其中睡眠分期是睡眠研究的基础,也是进行睡眠各项分析的前提。因此实现家居环境下睡眠质量监测和评估,对睡眠相关疾病的诊断意义重大。有相关研究表明,睡眠中心电信号的心率变异性与脑电有类似的周期性变化,心电信号与睡眠的不同阶段有着密切的关系。本文基于该研究的基础,提出了一种睡眠分期的新思路,利用简单易采集的心电信号识别睡眠的清醒期、快速眼动期和非快速眼动期,为实现家居环境下的绿色睡眠监测奠定了基础。并通过深度神经网络模型设计,实现睡眠的自动分期,分期结果能满足大多数情况下的要求。本文的主要研究内容如下:1.对睡眠期间心率变异性与睡眠分期的相关性进行分析。时域从统计量进行相关性分析,频域使用快速傅里叶变换的方法进行相关性分析,非线性特征主要从样本熵和去趋势波动分析方面进行分析。通过这三面的分析,验证了心率变异性和睡眠分期具有相关性。2.基于心电信号与睡眠分期之间的非线性映射关系,选择堆栈式自编码器(Stacked Auto-encoder,SAE)和 softmax 结合的深度神经网络(Deep Neural Network,DNN)睡眠分期模型。为了增强网络的鲁棒性和避免过拟合,分别在网络中加入加噪自编码器(Denoising Auto-Encoder,DAE)和dropout处理。对网络的参数进行讨论,分析不同参数对网络的影响,最终通过实验,比较不同参数下睡眠分期预测错误率确定网络的最佳参数组合。3.将提出的DNN睡眠分期模型与主成分分析(Principal Component Analysis,PCA)和支持向量机(Support Vector Machine,SVM)组合的模型进行比较,确定DNN睡眠分期模型的有效性。并分别对样本周期是30s和60s的样本进行比较,确定选择样本周期60s进行睡眠分期较30s可以有更好的效果。最后对睡眠分期数进行比较,分别对样本进行睡眠两分期、三分期和五分期的比较。本文通过DNN睡眠分期模型的确定,实现了基于心电信号的睡眠分期预测,在样本周期为60s的情况下对睡眠三分期预测的准确率达到80%以上。