基于生理信息的睡眠障碍识别方法及关键技术研究

基于生理信息的睡眠障碍识别方法及关键技术研究

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

  • 中文摘要
  • Abstract
  • 第一章 绪论
  •   1.1 研究背景及意义
  •   1.2 国内外研究现状
  •     1.2.1 生理数据特征选择研究现状
  •     1.2.2 自动睡眠分期研究现状
  •     1.2.3 睡眠障碍研究现状
  •   1.3 面临的挑战
  •   1.4 研究内容及主要贡献
  •   1.5 本文组织结构
  • 第二章 理论基础及研究重点
  •   2.1 睡眠生理信息概述
  •     2.1.1 脑电
  •     2.1.2 眼电
  •   2.2 睡眠生理数据预处理
  •     2.2.1 噪声来源
  •     2.2.2 噪声去除
  •   2.3 睡眠生理特征提取
  •     2.3.1 脑电特征提取
  •     2.3.2 眼电特征提取
  •     2.3.3 其它生理特征提取
  •   2.4 数据挖掘与分类算法
  •     2.4.1 贝叶斯网络
  •     2.4.2 支持向量机
  •     2.4.3 决策树
  •     2.4.4 随机森林
  •     2.4.5 多层感知器
  •   2.5 性能评价指标
  •   2.6 研究重点
  •     2.6.1 生理数据特征选择
  •     2.6.2 睡眠分期
  •     2.6.3 睡眠障碍
  •   2.7 本章小结
  • 第三章 基于冗余移除的生理数据特征选择算法
  •   3.1 数学符号与基本概念
  •     3.1.1 数学符号
  •     3.1.2 基本概念
  •   3.2 近似冗余特征选择算法
  •     3.2.1 冗余准则
  •     3.2.2 近似冗余特征定义
  •     3.2.3 相关性度量方法
  •     3.2.4 算法实现
  •     3.2.5 性能评价函数
  •   3.3 实验验证
  •     3.3.1 实验数据
  •     3.3.2 实验设计
  •     3.3.3 实验结果
  •   3.4 讨论与分析
  •   3.5 本章小节
  • 第四章 基于本体与特征权重分析的自动睡眠分期方法
  •   4.1 自动睡眠分期方法框架
  •   4.2 数据处理
  •   4.3 EEG-Sleep本体
  •   4.4 基于FSBRR的特征选择
  •   4.5 分类算法及改进
  •     4.5.1 原始RF算法
  •     4.5.2 特征权重分析及改进RF算法
  •   4.6 实验及讨论
  •     4.6.1 实验数据
  •     4.6.2 样本分析结果
  •     4.6.3 FSBRR特征选择结果
  •     4.6.4 分类算法比较分析
  •     4.6.5 改进后的RF算法实验结果
  •     4.6.6 睡眠片段数量与准确性讨论
  •     4.6.7 比较与讨论
  •   4.7 本章小结
  • 第五章 基于普适化生理数据和图论的失眠识别方法
  •   5.1 睡眠障碍识别方案
  •   5.2睡眠障碍的普适化实验
  •     5.2.1 实验目的
  •     5.2.2 电极安置与实验设备
  •     5.2.3 被试入组和排除标准
  •     5.2.4 实验流程
  •     5.2.5 实验数据采集
  •     5.2.6 普适化实验数据处理
  •   5.3 组合学习探索失眠识别的相关信息
  •   5.4 图的构建
  •   5.5 图核心属性选择
  •     5.5.1 度分布
  •     5.5.2 聚类系数
  •     5.5.3 杰卡德系数
  •   5.6 实验结果与讨论
  •     5.6.1 睡眠障碍识别的最佳睡眠分期阶段
  •     5.6.2 基于图论的睡眠障碍识别结果
  •   5.7 本章小结
  • 第六章 总结与展望
  •   6.1 总结
  •   6.2 研究展望
  • 附录一 失眠患者的睡眠结构在REM期和SWS期的统计学差异
  • 参考文献
  • 在学期间的研究成果
  • 致谢
  • 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

    相关论文文献

    标签:;  ;  ;  ;  ;  

    基于生理信息的睡眠障碍识别方法及关键技术研究
    下载Doc文档

    猜你喜欢