天天硕士研究生论文网

硕士论文范文

基于脑电信号睡眠特征提取 与分期方法的研究

作者:admin 日期:2018-10-15 11:45:47 点击:595

摘要

随着现代生活节奏的逐步加快,人们的生活压力不断加大,由睡眠问题引起 的疾病越来越多,所以基于交叉学科的睡眠医学研究,得到了医学机构以及高校 的广泛关注。目前,在睡眠临床研究中,主要依靠专家亲临现场分析,由于客观 原因及人工主观性误判等,导致睡眠分期的准确较低。近年来,医学专家和学者 致力于依据信号处理理论和模式识别算法实现睡眠脑电信号(EEG)的自动分期 研究,但国外进展较好,国内相对滞后,利用睡眠EEG评估睡眠质量的准确性 需待进一步提高。

论文首先分析了睡眠脑电信号的特点与分期标准,研宄了基于脑电信号睡 眠特征提取与分期方法,将MIT-BIH生理数据库Sleep-EDF中8例受试者睡眠 EEG监测数据作为睡眠过程的分析对象,对脑电信号进行特征提取:利用小波 变换算法提取节律波的能量特征;利用多尺度熵算法提取脑电信号不同尺度下 的熵值特征;然后使用主成分分析方法(PCA)对节律波的能量和不同尺度熵值 两种特征进行融合和降维,以简化分类器的模型结构和减少训练时间。睡眠特征 分期过程采用分析睡眠期的模式识别方法,应用BP神经网络和SVM分类器建 立睡眠特征的分期模型,并对Wake、SWS、LS、REM四个阶段脑电信号特征进 行分类,验证自动睡眠分期系统的有效性。

实验结果表明,本文提出的小波能量与多尺度熵值作为睡眠阶段的融合特 征,能有效的反映睡眠期的时频和非线性特征;主成分分析法可以实现降低原始 冗余特征的同时保留绝大多数EEG的睡眠特征;BP神经网络和SVM分类器作 为睡眠阶段的分期模型,对EEG睡眠特征均表现出良好的识别分类效果。因此本文提出基于脑电信号睡眠特征提取与分期方法可以实现较高的准确率和稳定性,为睡眠医学研究提供一种新的探索。

关键词:代写医学硕士论文价格;自动睡眠分期;EEG;小波变换;多尺度熵;主成分分析;反向神经网 络;支持向量机

Abstract

With the gradual acceleration of the rhythm of modern life, the pressure on people’s lives continues to increase, and more and more diseases are caused by sleep problems. Therefore, cross-disciplinary sleep medicine has attracted widespread attention from medical research institutes and universities. At present, in the study of sleep clinical diseases, relying mainly on expert personally on-site analysis, due to objective reasons and artificial subjective misjudgment, etc., resulting in the accurate of sleep staging is lower. In recent years, medical experts and scholars have devoted themselves to the study of sleep EEG automatic staging based on signal processing theory and pattern recognition algorithms. However, foreign progress has been relatively good, and domestic lags behind. The use of sleep EEG to assess the accuracy of sleep quality needs to be further improved.

The thesis firstly analyzes the characteristics and staging criteria of sleep EEG signals, and studies the sleep electroencephalogram monitoring data of 8 subjects in the MIT-BIH Sleep-EDF database based on EEG sleep feature extraction and staging. As the object of sleep analysis, the features of EEG signals are extracted: wavelet transform algorithm is used to extract energy features of rhythm waves; multiscale entropy algorithm is used to extract entropy features of EEG signals at different scales; then principal component analysis (PCA) method is used combines and reduces the energy of the rhythm wave and the entropy of different scales to simplify the model structure of the classifier and reduce the training time. In the sleep feature staging process, the pattern recognition method was used to analyze the sleep period. The BP neural network and the SVM classifier were used to establish the stage model of sleep characteristics. The four stages of Wake, SWS, LS? and REM brain electrical signal characteristics were classified to verify the automatic sleep. The effectiveness of the staging system.

The experimental results show that the wavelet energy and multi-scale entropy proposed in this paper are the characteristics of the sleep phase, which can effectively reflect the time-frequency and nonlinear characteristics of the sleep period. The

principal component analysis method can reduce the original redundant features while retaining the original sleep characteristics of most EEGs, BP neural network and SVM as a stage model of the sleep stage show good classification and classification effects on EEG sleep characteristics. Therefore, this paper proposes a sleep-feature extraction and staging method based on EEG signals that can achieve high accuracy and stability, providing a new exploration for sleep medicine research.

Key words: automatic sleep staging; EEG; wavelet transform; multi-scale entropy; principal component analysis; reverse neural network; support vector machines

目录

Abstract II

1 绪论 1

1.1研究背景及意义 1

1.1.1研究背景 1

1.1.2 研宄意义 1

1.2国内外研究现状 2

1.3研究内容和结构安排 5

1.3.1 论文研究的内容 5

1.3.2结构安排 5

2睡眠分期的基本理论 7

2.1睡眠脑电与睡眠分期简介 7

2.1.1睡眠脑电的理论 7

2.1.2睡眠脑电信号的采集与特点 8

2.1.3睡眠脑电的分期标准 11

2.2睡眠分期方法概述 14

2.2.1睡眠分期的特征提取方法 15

2.2.2睡眠分期的特征分类方法 16

2.3睡眠脑电自动分期系统 16

2.4本章小结 18

3 脑电信号的预处理 19

3.1.实验数据获取概述

3.2 脑削言号予页处理方法 19

3.3本章小结 21

睡眠脑电特征的提取算法研宄 22

4.1基于能量特征的提取方法 22

5.1.1 特征波提取方法 23

4.1.2脑电能量特征提取实验 27

4.2基于多尺度熵的特征提取方法 29

4.2.1多尺度熵算法 30

4.2.2多尺度熵特征提取实验 32

4.3特征降维理论及实验 34

4.3.1特征选择方法 35

4.3.2基于主成分分析的降维实验 37

4.4本章小结 40

睡眠脑电的特征分类 41

5.1脑电特征分类的算法描述 41

(1) BP神经网络分类模型 41

5.1.2支持向量机分类模型 44

5.2睡眠特征的分期实验 47

5.2.1反向神经网络分期实验 48

5.2.2支持向量机分期实验 53

5.3结果分析 56

5.4本章小结 58

总结与展望 59

6.1总、參吉 59

6.2展望 60

参考文献 61

个人简历、研宄成果及获奖情况 65

1绪论

1.1研究背景及意义

1.1.1研究背景

睡眠在机体恢复和巩固中扮演着无法取代的作用,作为最复杂的生理变化 过程,睡眠质量对人的健康、工作、情绪等都有着重要的影响。随着现代生活节 奏的加快及生活方式的改变,许多心血管疾病及精神疾病(如高血压、冠心病、心率失常、失眠、焦虑、抑郁等)与睡眠紧密相关的疾病普遍增多,各种睡眠障 碍性疾病日益成为一个突出的医疗及公共卫生问题,一些少见睡眠疾患如发作 性睡病等也逐渐被认识进而得到人们的关注^。不仅如此,长期失眠不仅影响人 的工作效率,严重者甚至可能威胁生命。当人体在强行外界刺激无休息状态下工 作5天,会导致出现幻觉、精神错乱,甚至存在生命危险。在我国,睡眠障碍患 者在生产和交通事故中,因长期疲劳状态下发生的生产事故和交通事故在意外 事故中占较大比例,所以睡眠过程是对机体自发性地防护措施。

睡眠研究在国内外研究中一直以生理信号为基础,对睡眠过程进行相关疾 病检测和诊断。睡眠医学以睡眠过程为基础,对一些相关和隐性疾病的检测和诊 疗,加之人们对睡眠疾病的重视,睡眠医学引起专家和学者对于睡眠过程大量关 注,并根据研究结果总结出许多理论性成果,从而促进了睡眠研究的快速发展[2]。

睡眠医学的研究成果为医学组织和专家在临床应用中提供了理论性指导。 在国外己建立专门的睡眠数据库,为睡眠医学专家和学者的睡眠研究提供了理 论性指导,并诞生了许多睡眠研究方法。而在我国相对较晚,随着国民生活质量 的改善,也逐渐意识到睡眠相关疾病的危害,开始对通过睡眠过程对疾病的研究。 但睡眠是一个复杂的变化过程,人工辨别睡眠过程的方式繁琐而缺乏准确度,所 以在国内外睡眠研究中逐渐出现了基于信号处理技术和数学模型的自动睡眠分 期系统。

1.1.2研究意义

在国际上,传统的人工睡眠识别方法主要以心理量表法和生理参数检测法 为基础评估受试者的睡眠质量及程度。心理量表法主要通过心理量表评测性格、生活方式、近期表现状态等评估睡眠质量等,但当个体主观性较强时,评估指标 缺乏特异性和客观性地表现。生理参数法主要利用生理信号(脑电、心电、肌电、 眼电、脉搏波等)实现客观的睡眠质量评估[3],该方法可针对不同人群的生理信 号直接反映个体睡眠过程,其中脑电(Electroencephalograph,EEG)信号的节律 性可以直接、有效地映射睡眠过程,在国内外基于脑电信号的自动睡眠分析已成 为睡眠健康状评估的主要手段。

脑电信号作为复杂的生物电信号在睡眠过程中存在规律性变化,其变化包 含重要的生理和病理信息。在不同的睡眠过程中,某些潜在的生理疾病显现程度 会有所差异[4]。清醒时,大脑参与外部环境变化引起脑电信号的瞬时改变,脑电 信号中会伴随有较大的环境噪音,不利于对睡眠相关疾病的诊断和监测;清醒期 在睡眠过程中,由于外界环境相对较为安静,电脑的生理活动较少,脑电信号的 病理信息会更为明显,利于医学专家的检测,因此通过睡眠脑电对相关疾病的研 究,具有更为直接有效的诊疗优势,为睡眠医学提供了可靠的研究手段[5]。

睡眠质量评估是诊断和治疗睡眠相关疾病的依据,睡眠分期是研究睡眠及 相关疾病的基础,是完成睡眠质量评估的前提[2]。目前,睡眠分期作为研究睡眠 相关疾病的重要手段在国外高校和医疗机构得到广泛研究和应用。当前的睡眠 研究方式主要有两种,人工判别分期方法和自动分期方法,人工睡眠分期方法需 要专家或学者亲临现场依据分期标准,对采集的生理信号进行视觉判断识别,存 在分期效率低、工作量大、易受主观因素误判等缺点[7]。所以专家和学者开始尝 试使用生理信号的自动分期方式弥补人工分期的缺点,该方法主要以计算机的 信号处理技术基础,应用特征提取和模式识别算法完成对睡眠阶段的自动识别 分类,为医学研究和临床分析提供有效、准确的快速分期工具[8]。

睡眠分期作为研宄睡眠过程和相关疾病的主要手段,为睡眠质量评估提供 了诊断和分析睡眠疾病的理论依据。同时,随着多元交叉学科的深入,基于脑电 信号的睡眠分析将对未来计算机科学、神经学、心理学、临床医学研究提供可靠 的理论性指导。

1.2国内外研究现状

传统的脑电图分析主要由人工主观分析方法为主,由于其存在主观性误判 的缺点,专家学者一直尝试的数学理论和模型实现自动睡眠分期。Dietch在上世 纪六十年代首次将傅里叶变换应用于脑电信号分析中[9],之后很多学者采用频域、 时域方法对EEG信号分析研究。但EEG信号本身存在较大的非线性、非平稳特 性,时频域分析方法无法对其进行有效的描述[1()],所以自动睡眠分期的准确率一 直没有得到较好的提升。随着现代信号理论、计算机理论、混沌学理论等学科的 交叉发展,非线性动力学方法在生物医学工程领域得到应用,现代医学研究者将 非线性动力学理论如复杂度、熵值、相关维数等应用在睡眠医学研究中,在提升 睡眠分期准确率的同时,实现了对脑电信号非线性特征的有效描述,在国内外研 究中被广泛研究。

为实现对睡眠过程的有效特征分析,在睡眠分期领域中出现大量的方法,其 中传统的睡眠分析方法有小波变换、FFT、功率谱密度等时频分析方法,现代研 究学者逐步从EEG的非线性角度出发,提出了复杂度、信息熵、ZCR值、独立 主成分分析、相关维数等动力学方法来描述不同的睡眠阶段,为睡眠领域相关研 究奠定了新的理论基础。

自动睡眠分期系统作为睡眠研究领域中重要应用方式,主要利用信号处理 和模式识别理论对不同睡眠阶段的特征提取和分类,实现睡眠期自动识别检测, 主要包括EEG信号预处理、睡眠阶段的特征提取和选择、特征的模式识别分类、 实验结果的统计评估等过程[12],其中特征提取和选择、模式识别分类是脑电自动 睡眠分期系统的重点。

脑电信号的特征提取,是表征睡眠过程主要变化的重要方法,常用方法主要 有:自回归模型(AR模型)功率谱密度估计、小波变换、小波包变换、样本熵、 近似熵、主成分分析、多维统计分析等[2],其中,小波变换、小波包变换的时频 域分析方法,可以有效的提取EEG信号的节律特征波,对波形进行特征分析, 以得到不同睡眠阶段的时频特征;样本熵、近似熵、主成分分析、多维统计分析 方法,对EEG信号的信息熵、复杂度及相关维度等动力学特征的提取,主要为 映射EEG非线性的动力学特征。

小波变换是一种常用的时频域局部化分析方法,根据相应尺度能自动适应 时频信号分析的要求,实现对信号的多尺度细化、多分辨率分析。在1932年Diech 首次提出使用傅里叶变换实现EEG分析之后,出现以Tissot和Gaillard为代表 的小波变换时频分析[13],该理论验证了小波变换在模拟信号和数字信号的混合 信号分中具有显著效果;Shaker[14]的脑电尖峰检测试验表明小波具有显示尖波细 节的特性;庄晓滨[15]基于Mexh小波特征的纺锤波检测过程中,验证了小波变换

在局部化分析中的优势;Azim等[16]对EEG时频特征分析中,证明了离散小波相 对于快速傅里叶变换具有更加明显的效果。

样本熵是一种描述非线性信号复杂度与相关性的动力学方法,根据信号之 间的自相关程度,反映信号间的相关度信息。和卫星等[17]人用样本熵方法表征出 各睡眠阶段的熵值变化特征,验证了该方法适用于非平稳EEG信号;See等[18] 人通过样本熵和SVM方法,表明样本熵对于EEG信号的非线性特征提取,具 有显著效果;刘慧等[19]使用基于样本熵的模糊熵算法,验证了模糊熵表征EEG 睡眠期的有效性。

模式识别分类方法主要以线性或非线性的数学模型区分EEG的特征信息, 实现对睡眠期的分类过程,常用的模式识别方法有人工神经网络、反向神经网络、 KNN、支持向量机、决策树等,其中在睡眠分期领域,反馈神经网络和SVM应 用较为成熟,并具有较好的研究成果。

模式识别分类作为睡眠脑电分类的重要技术,设计优良的模型结构,可以提 高分类的准确率及稳定性。R〇nzhina[2()]等对比多种分类器,结果表明ANN在睡 眠分期的效果更加明显;程佳等[5]使用BPNN和SVM作为睡眠期的分类器,验 证了 BPNN和SVM区分睡眠特征的可行性;Aboalayon[21]等使用单通道EEG提 取节律波特征,使用SVM分类器实现了较高的分期准确率;Trniatq等人使用 KNN分类算法,实现87.2%的睡眠与觉醒的识别结果,验证了 KNN分类算法在 脑电信号识别分类的有效性等。

近些年,各方研究人员在语音识别、生物工程、工业场景的研究加深,一些 基于深度学习的方法(CNN、DNN、RBM)逐渐开始被各个领域研究并应用。 其中,Stobert23M吏用CNN算法提取EEG的深度特征,提出了 CNN算法在脑电 信号分析中的可行性。SturmtW等使用DNN算法,在认知神经科学工作中实现 了高分类精度的神经模式定位;1[25]使用RBM实现了 EEG酒精诊断的识别和 分类。深度学习算法能将高维数据空间的特征进行分层学习和训练,在处理多维 度、大批量数据时具有快速学习和分类能力,解决传统分类方法无法对高维特征 映射和计算的缺陷。随着生物医学工作者对于深度学习算法的的深入研究,深度 学习在未来生物信号处理中具有更为明显的优势,当处理大量高炜度复杂的脑 电信号特征时,可以减少特征的识别及分类过程并对睡眠的分期准确率有效提 升。

1.3研究内容和结构安排 

1.3.1论文研究的内容

本论文主要将信号处理技术和非线性动力学理论应用脑电睡眠特征的提取 和分类方法的研究,研究目标是实现单通道脑电信号的睡眠阶段的时频域特征 和非线性特征的提取与分类,建立高准确率和稳定性的睡眠分期系统,为睡眠医 学工作者提供高效、快捷的睡眠分析方法,降低临床工作的误差率和工作量。研 究的主要内容有:选择单通道脑电信号作为睡眠期的基本工具,使用时频分析方 法、动力学分析方法、模式识别分类方法,实现对脑电睡眠阶段的正确识别分类, 具体为利用小波变换、多尺度熵和主成分分析算法,有效提取和分析脑电信号18 个特征维度(5个能量特征和13个多尺度熵特征)的合理性,并对PCA降维后 的8个主成分向量特征取代原18维睡眠特征进行统计学验证;比较各类模式识 别方法,根据统计学原理对SVM、BPNN睡眠分期的准确率、一致性程度等结 果进行评估与总结等。

论文需要解决的关键性问题有:

样本预处理。选择和设计良好的滤波算法,对脑电信号的噪音等进行 过滤。

提取能量特征和熵值特征。利用Molret小波变换方法,提取脑电信号 基本节律波a、(3、一、5波,并计算各特征波的相对能量与总能量;利用多尺度 熵算法提取脑电信号多个尺度的熵值特征,对比样本熵的特征提取算法,研究 多尺度熵值作为睡眠特征参数的可行性。

特征选择与降维。对特征进行单向误差(ANOVA)分析,筛选具有明 显可区分(或代表性)的特征。利用PCA算法降低特征参数维度,提高系统处 理速度与泛化能力。

均衡训练样本。实验的训练样本需满足特征的统计分布下挑选,避免 设计的分类器出现欠拟合与过拟合现象。

构建高性能的分类器。设计BPNN和SVM模型结构,对已提取特征自 适训练和分类,获得性能良好的睡眠阶段分类器。

1.3.2结构安排

第一章,绪论。本章主要根据课题的研究背景和意义进行叙述,详细介绍了国内外睡眠分期方法的发展状况,并对基于脑电信号睡眠特征提取与分期研究 的方法进行了总结概述。

第二章,睡眠分期的基本理论。主要介绍睡眠的机能原理、睡眠的分期过程 及脑电信号的特征指标。其次对当前睡眠脑电特征的提取和分类方法进行了概 述,及本文研究将要研究的方法和自动睡眠分期系统进行了简要描述。

第三章,睡眠脑电信号的获取与滤波算法。为了保证本文实验模型的可靠性, 本章首先对脑电数据的来源及预处理算法进行介绍,保证自动睡眠分期系统数 据源的准确与可靠。同时介绍了样本的预处理方法,保证了下文特征提取过程中 减少干扰噪声的影响。

第四章,脑电信号特征筛选方法研究。本章利用小波变换、多尺度熵和PCA 方法对脑电信号的特征提取和降维。首先介绍小波变换提取能量特征的原理,以 及特征的合理性分析;基于样本熵的多尺度熵算法原理,对多尺度熵的特征结果 进行显著性水平的统计分析,验证多尺度熵在睡眠脑电分期的可行性;最后根据 特征维度参数进行合适的PCA主成分向量选择,实现保证原样本特征的前提下, 对特征参数的有效降维。

第五章,睡眠脑电特征的识别与分类。介绍了脑电睡眠分期常用的模式识别 分类器,包括BPNN和SVM分类原理,分析总结了各个分类器的优缺点。根据 其原理,构造性能良好的分类模型,选择样本进行分类测试,验证和评估两种分 类模型的准确率、一致性程度及泛化性等。

第六章,总结与展望。本章对本文的研究内容、实验结论及存在的不足,做 了整体归纳和总结,并对未来的睡眠分期研究做出展望。

2睡眠分期的基本理论

睡眠作为大脑对机体的恢复和巩固模式,主要以几个相对稳定的状态周期 性产生,对人体生理活动具有非常明显的作用。脑电信号作为大脑最直接的反映 信号,尤其在不同的睡眠阶段,相对于其他生理信号,EEG波形和复杂度存在 较为显著的差异。EEG信号存在非线性、非平稳、低频率、噪声强等特点,在睡 眠过程脑电信号会伴随着相关病理、生理状态的改变,为了研究睡眠相关疾病的 变化特征,通过对脑电信号特征和睡眠基础知识的了解,可以促进睡眠脑电自动 分期方法的深入研究。

2.1睡眠脑电与睡眠分期简介

2.1.1睡眠月囟电理i仑

睡眠是生理机能放松和恢复的方式。根据研究表明,当睡眠达到合适的程度, 可以缓解生理上的劳累与生活上压力,从而提高工作效率与健康程度。睡眠过程 是一种自然而有规律的精神和身体恢复过程,最直观的表现为人的大脑活动始 终由睡眠和觉醒两种状态交替产生。睡眠过程中,大脑对于外部环境引起的生理 变化明显减少,机体对刺激的敏感性会明显降低,身体的肌张力下降,反射阈值 增高,一些生理信息变化较为明显。当处于觉醒状态则相反,大脑对环境刺激的 敏感程度明显高于睡眠状态,身体大部分神经保持“预警”状态,对外来刺激会有 明显地反馈行为[2]。在觉醒状态下,大脑对于外界环境处于相对敏感的状态,脑 电信号中通常大量的环境噪声,导致一些由睡眠引起的相关性疾病(失眠、阻塞 性睡眠呼吸暂停、OSA、过度嗜睡障碍等)不易观察和检测。但大脑处于放松的 睡眠状态时,大脑神经细胞的活跃程度降低,一些睡眠相关的疾病在脑电信号的 变化过程中会表现较为明显,不同的睡眠状态下的症状程度也有所不同[26]。

上世纪六十年代,人们己经开始对睡眠过程进行初步研究,Kleitman等提出 在睡眠过程的某个阶段眼球会自发的快速往复运动,并由此提出了快速眼动 (Rapid Eye Movement,REM)睡眠阶段,同时该阶段身体的感官活动会暂停, 当给于适当刺激即可完全醒来的行为。近些年研究发现睡眠过程会以两个不同 睡眠状态的交替出现,其中一个是慢波相,又称非快眼动(Non-Rapid EyeMovement, NREM)睡眠阶段,另一个则是异相睡眠(Rapid Eye Movement, REM),又称快速眼动睡眠状态,在该状态下眼球会快速运动,并伴随做梦现象。睡眠状 态可以通过多导睡眠检测(Polysomnography,PSG)采集,主要包括脑电信号 (Electroencephalograph, EEG)、肌电信号(Electromyography,EMG)、心电信 号(Electrocardiogram,ECG)、眼动信号(Electrooculogram,EOG)以及其他生理信号等,其中睡眠脑电信号(EEG)作为睡眠状态的下大脑生理活动主要变化 形式,其幅值变化与睡眠阶段及相关疾病存在明显的相关性,因此研究学者和医 学专家普遍采用脑电信号分析睡眠及病理变化特征。

2.1.2睡眠脑电信号的采集与特点

睡眠脑电信号的采集

大脑作为生理活动和思维方式的主要支配和调节器官,主要以脑电信号幅 值、频率特征表现给医学专家。脑电信号作为大脑的反映信号,存在自发性、节 律性的变化,同时,睡眠的相关疾病以脑电形式反映大脑的复杂活动状态,这为 睡眠医学提供了睡眠分期研究的可靠依据。经过多年的医学研究,在神经医 学、生命科学、生物医学等众多领域,国内外医学专家和学者大多使用脑电信号 分析大脑活动的变化,实现诊断相关疾病、改善大脑功能,该方式已成为现代生 物医学研究的重要方向之一。

EEG釆集过程一般在环境相对安静、舒适的环境下进行,目的是有效避免 由环境引起的心理波动和干扰噪声。作为一种安全精准的医学检测方式,EEG的 获取首先将电极放置在脑部的检测位置,测量出大脑电极微弱的电信号,并经过 放大器和滤波处理记录下原始的电信号。对处理后的电信号经过模数转换为数 字信号,最后将信号记录在电脑端或者磁盘下,以备后续处理。多导睡眠监测 (PSG)作为脑电信号专业记录工具,在临床医学已广泛使用,该方法可以对不同 部位多个通道的脑电信号进行采集,并以时间和电压差的图谱形式直观地呈现 给医务工作者及医学研究人员。

睡眠脑电信号的特点

脑电信号具有时变、非平稳、非线性的特征,并且在时域上存在频率低、电 位幅值小的特点,在外界环境干扰时,易产生大量噪声,波形变化较大,一般EEG 幅值在在50|iV左右,不会超过100|iV。脑电信号分析在睡眠医学研究中依然是 一个难题,主要由于EEG信号具有如下特点[3()]:

信号微弱

EEG信号在生理信号中属于幅值极低的微幅级信号,幅值通常在0?200|iV 左右。脑电信号在采集和分析过程中,易受由于内部干扰和外部干扰产生的噪音 影响。由其他生理电信号产生的频率混合等导致EEG波形改变,被称为EEG信 号的内部干扰。外部干扰通常是由电子设备连接之间的工频干扰和白噪声产生 的影响。这些干扰信号相对于UV级的脑电信号而言,会造成极低的信号比[31]。 所以,脑电信号采集系统通常需要高放大增益的放大器和去除噪声,提高信噪比。

随机性强

脑电信号作为一种复杂的生理信号,很容易受到相关环境因素的影响而发 生改变,比如光照、温度、湿度等;而且不同测试对象的生理特性,如性别、健 康程度、睡眠程度等都会对脑电信号产生明显差异;即使是相同对象的相同睡眠 状态也可能由于其他原因产生差异。

频率低

EEG的频率主要集中在0.5?30Hz左右,相对于其他电生理信号,具有低频 率的特点[32],这使得采集系统中的较难实现低频截止的选择,甚至在会出现尖峰 干扰下的堵塞现象。

非线性

大脑是一个复杂的神经反应系统,会跟随环境、时间、情绪等因素发生瞬时 变化。人体的组织的调节机能和适应机能都会引起脑电信号动态的改变,包括睡 眠和觉醒过程,因此脑电信号表现出较强的非线性特征。

非平稳

人体在接受各种外部刺激下,生理行为和思维会随着时间发生时刻性的相 互关联和影响,脑电信号作为大脑思维方式的呈现,其特征也随之动态的改变, 表现出非平稳特性。通过现在的科研成果和研究,大脑的内部结构是无法用当前 的数学模型和信号理论进行完整描述的,所以非平稳是脑电信号的较为突出的 特点。

EEG是一种典型的非线性、非平稳随机信号,在时频域的特点主要表现为 频率和幅值特征与大脑皮层的活跃程度高度相关,不同的睡眠阶段EEG包含着 不同的波形。EEG主要以波形特征反映出人体机能的变化过程,不同个体之间 的EEG存在差异,同一个体在不同的年龄、环境等EEG的波形特征也呈现不同 的特点。在临床上,睡眠和觉醒状态的EEG所包含特征波的幅值、频率、相位等不同,作为了人工睡眠阶段分析的依据。

EEG 信号通常由 a (Alpha)、p (Beta)、一(Theta)、5 (Delta)四种基本的节律波组成,睡眠时伴随其他生理活动发生的同时,还会出现纺缍波(Spindle)、 锯齿波(Sawtooth)和K复合波(K-complex)。睡眠与觉醒是一种昼夜节律交替 的过程,在不同的睡眠阶段会出现不同频率、振幅和机能的节律波,其中a、P 节律波属于快波,一、5节律波属于慢波,EEG中节律波的主要特点如下:

8波:频率范围在0.5?4Hz,振幅约20?200|iV,额部的采集区域表现最为明 显,睡眠或缺氧状态时产生。正常成年人觉醒状态下不会出现8,主要集中在婴 儿期或者疲劳、昏睡状态。

e波:频率在4?8Hz,幅值为20?150|IV。e波一般与大量心理状态有关,当 中枢神经系统遭到抑制时,或当成年人心情抑郁或挫折时,e波表现较为为明显。 同时,e波是少年时期人体脑电波的主要成分,成人清醒期脑部功能异常时,也 会检测出大量的e波。

a波:频率范围为8?13Hz,振幅约20?IOOjiV。a波的特征在睡眠过程相对 于其他波形,会发生更为明显的变化。当在环境相对平静的清醒期时,a波可被 大量检测到,但当对睡眠进行干扰后,该睡眠期几乎找不到a特征波。

P波:频率为14?40Hz,幅值为5?20|iV,p波的频率较快,通常在额部和中 央范围表现较为明显。由于P波的特征最为明显,多出现于情绪紧张、兴奋状态 下,所以(3波经常作为情绪兴奋状态的显著波形。根据临床应用的需求不同,P 波又可以进一步细分为P1波(14?19Hz),P2波(19?40Hz)。四种节律波的在 时域下的波形特征如图2.1所示。

 

代写医学硕士论文价格

图2.1 EEG信号中四种特征波形 

综上所述,在国内睡眠方法研究中,脑电信号可以在睡眠过程中发生规律性 的变化,但EEG信号本身复杂多样的特点,当前还无法使用精确的模型算法实现对睡眠的精确分期[15],所以需要更为有效的信号处理方法和数学模型,才能提 取EEG睡眠过程的显著特征,最后建立高效、强泛化性的模式识别方法实现脑 电睡眠阶段的自动分类。

2.1.3睡眠脑电的分期标准

睡眠过程是一个短暂过渡的过程,相邻的睡眠状态之间不是瞬时改变的,睡 眠深度变化过程中,脑电信号的波形、复杂度、相关性等特征都存在改变,该过 程主要由几种相对稳定的睡眠状态更替进行在脑电信号的睡眠分期研究中 经常对多个睡眠阶段的持续时间作为睡眠研究的对象,确定出每个阶段在睡眠 过程所发生的时间长度,按照相关睡眠分期指标评估睡眠质量的变化。

为实现科研和医学工作者进行统一、规范的睡眠分析研究,1968年, Rechtschaffen和Kales对睡眠过程中的几种主要生理点信号进行了标准化分其月, 即R&K睡眠分期标准R&K睡眠分期标准主要以EEG、EOG、EMG等生理 信号在不同睡眠期的频率、幅值变化,将睡眠分为了6种不同的睡眠阶段:觉醒 期(Wakefulness,W)、快速眼动失眠期(Rapid Eye Movement sleep,REM)和 非快眼运动期(Non-rapid Eye Movement sleep,NREM)。其中 NREM 又分为睡 眠1期(SI)、睡眠2期(S2)、睡眠3期(S3)和睡眠4期(S4) [2]。R&K分期标 准对每次30s的数据进行数据标注为一段(epoch),该方法己被广泛应用于睡眠 EEG的临床和医学研究。R&K睡眠分期标准主要的分期原则如下:

觉醒期(Wake):人在觉醒期时,大脑处于不断感知外部刺激的活跃状态。 思维方式、反应神经和心理活动处于最敏感的时期,眼球运动较多,眨眼和呼吸 程度比较剧烈,此时大脑活动最复杂。根据睡眠脑电的波形特征,包含较多的a 和P波,若采集EEG数据中a占一帧数据的50%以上,即可判为觉醒期。

睡眠1期(S1):在S1期,人体的活动减少,大脑的状态逐渐稳定下来,意 识变得模糊,此时大脑进入半睡眠状态,相应EEG中的a波逐渐减少,卩波成 分增多,偶尔会出现尖峰信号,但是缺乏纺锤波和K复合波,这个过程大约持 续l-10min。大脑思维意识的改变,同时引起生理活动的变化,肌电水平,心率、 体温、血压和呼吸等生理信号逐渐降低和平稳。EEG信号的波形改变为频率4- 8Hz,幅值在 50-100|iV。


热门搜索问题:


代写硕士论文价格


代写硕士论文成功案列


代写硕士论文流程

天天论文网
专注硕士论文服务

24小时免费热线

SERVICE ONLINE

13503820014

手机扫描二维码

收缩
  • 电话咨询

  • 13838208225