论文摘要
失眠是一种典型的睡眠障碍,在短时间内不会威胁到人们的生命安全,但如果任由病情发展,其将给患者带来一系列并发疾病甚至导致死亡。公认的减轻失眠危害最有效方法是早诊断、早治疗,而传统人工方法缺乏自动识别的有效生理指标,耗时费力,容易受到医生主观因素影响。针对此问题,本文以睡眠障碍的自动识别为研究切入点,依次从睡眠生理特征的筛选、自动睡眠分期、失眠有效识别等方面展开研究。主要工作及贡献有以下几点:1.为了发掘睡眠数据中蕴藏的有价值自动失眠识别信息,提出了基于冗余移除的生理数据特征选择算法。分析了垂直关联性(特征与类属性的关系)和水平关联性(特征与特征的关系)以确定两种冗余标准。为量化冗余标准,定义了一个基于互信息的近似冗余特征框架,去除冗余和无关特征。为了评价算法的有效性,在八个公开生物数据集上进行了验证,与典型特征选择算法进行比较,实验结果表明本算法能够有效地减小特征维数,提高分类精度。此外,通过实验表明算法核心参数δ和α的最佳取值范围分别为0.05到0.13和0.60到0.66。2.探索非结构睡眠生理特征的表示和管理方法,以及自动睡眠分期,设计并实现了基于本体与特征权重分析的自动睡眠分期方案。对生理数据进行预处理后,构建本体模型存储和管理大量生理特征以及其它睡眠上下文信息。基于加权特征分析改进随机森林分类算法实现自动睡眠分期。实验数据分析结果表明改进后随机森林算法的五态睡眠分期平均准确率提高了5.00%。同时实验结果也表明改进后的随机森林算法受到睡眠片段数量的影响较小。3.基于前两项工作,提出了基于普适化生理数据与图论的自动失眠识别方法。首先,设计了基于课题组研发的便携式生理数据采集仪的普适化睡眠实验。其次,基于冗余移除的生理数据特征选择算法选择出失眠识别的最优特征子集。再次,采用组合学习方法探索失眠识别最佳睡眠分期阶段,其主要包含三方面内容:组合学习获得失眠识别的最优睡眠特征子集,组合学习获得失眠识别最佳分类器,组合学习发掘睡眠障碍识别的最佳睡眠分期阶段。然后,把最优特征子集映射到图节点,基于欧氏距离构建结构图。最后,最优特征子集和图属性作为分类器的输入实现失眠识别。通过实验表明:(1)失眠识别的最佳睡眠阶段,男性为SWS期,女性为REM;(2)基于冗余移除的生理数据特征选择算法分别筛选出男性和女性失眠识别的最有效特征;(3)利用结构图和改进的随机森林算法实现了自动失眠识别,男性和女性的识别率分别达到93.94%和95.13%。综上所述,本文面向睡眠障碍自动识别的生理信息建模方法及关键技术展开了探索与研究。针对睡眠生理特征筛选、自动睡眠分期、失眠有效识别等关键问题,提出了相应的解决方案,通过实验对其有效性进行了验证,从多个角度客观地讨论了新技术新理论的可行性。本文所做工作为睡眠障碍的自动识别进一步研究起到了一定的推动作用。
论文目录
文章来源
类型: 博士论文
作者: 张冰涛
导师: 胡斌
关键词: 睡眠障碍,生理信息,失眠识别,睡眠分期,特征选择
来源: 兰州大学
年度: 2019
分类: 基础科学,医药卫生科技,信息科技
专业: 数学,临床医学,自动化技术
单位: 兰州大学
分类号: R740;TP18;O157.5
DOI: 10.27204/d.cnki.glzhu.2019.000040
总页数: 113
文件大小: 4015K
下载量: 343