论文部分内容阅读
睡眠是人类必需的生理活动之一，其质量的好坏与人体的健康以及生产活动息息相关。睡眠过程中存在着各种各样的特征脑电波，其中，睡眠纺锤波是具有代表性的特征脑电波。研究已经发现，睡眠纺锤波与一些疾病以及人体自身发育有着很大的关系，快速有效地提取睡眠纺锤波具有很高临床应用价值。此外，作为非快速眼动期(Not-RapidEye Movement，NREM)中睡眠2期(stage2，S2)的特征波形，睡眠纺锤波对于自动睡眠分期结果的修正具有极大的参考价值。 本课题研究的内容分为两个部分，一部分为基于视觉组织原则的睡眠纺锤波时域检测方法。视觉组织原则的核心理论即是根据人类处理视觉对象的某种规则，将初级视觉元素进行聚类，形成更具意义的视觉处理对象，作为更高一级加工过程的输入源。原始脑电信号经过基于视觉组织原则的合并算法处理之后，能够更好地提取信号波形的周期和一段波形的持续时长等时域特征，利用睡眠纺锤波的周期特征和持续时长等时域特征完成睡眠纺锤波的检测。另外一部分研究内容为利用被检测的波形对已有的睡眠分期结果进行修正。在S2期中存在着睡眠纺锤波，其持续长度必须大于0.5s。在NREM睡眠1期(stage1，S1)后期，进入S2期之前，会出现未成熟睡眠纺锤波（持续时长小于等于0.5s，周期与睡眠纺锤波周期相同的波形）。根据这样的特性，利用第一部分研究的内容检测出长度范围在0.3-3s之间的，符合纺锤波周期条件的波形，对睡眠分期结果进行修正，尤其是S1期和S2期的分类准确率。本研究中首先利用改进的K均值聚类算法对睡眠数据进行自动分期，然后利用被检测波形的持续时长特征对分期结果进行修正，可以适当提升睡眠分期的准确率。 本课题主要提出了一种新的时域方法检测睡眠纺锤波。结合了视觉组织原则对信号进行处理，使得睡眠纺锤波的时域特征更加的明显且更容易获取，从而能够非常直观而且高效地检测出睡眠纺锤波。与其他检测方法相比，此方法简单直观，实验结果显示，利用此方法检测睡眠纺锤波获得了92.5％的灵敏度和98.2％的特异性。验证了利用视觉组织原则检测睡眠纺锤波的有效性。此外，在本次研究中，复现了基于改进的K均值聚类算法的睡眠分期算法，利用MIT睡眠脑电数据获得了65.68％准确率的分期效果，其中S1期和S2期的分类准确率分别是47.2％和72.4％。经检测睡眠纺锤波算法得到被检测到的波形，利用它们的持续时长作为判别特征，对已分期的睡眠数据进行再分类，使得S1期和S2期的分类准确率提高到48％和74.3％，总的准确率为66.22％。