睡眠質量關系著身體健康與和工作效率,睡眠分期結果是衡量睡眠質量的重要指標和診治睡眠障礙性疾病的重要途徑。本文采用基于去趨勢互相關分析(DCCA)的方法,從MIT-BIH Polysomnographic Database中隨機抽取了樣本信號,來進行清醒期和非快速眼動(NREM)睡眠Ⅰ期的分期研究。結果表明,清醒期的DCCA指數的平均值小于NREM睡眠Ⅰ期的DCCA指數的平均值。此方法研究睡眠腦電圖,對改善睡眠質量或者診治睡眠障礙性疾病有很大的意義。
越來越多的人受到睡眠質量欠佳的困擾, 因此搭建一套簡便、有效的睡眠腦電監測系統是十分必要的。它能夠記錄整晚睡眠腦電信息, 進行自動睡眠分期, 并且得到睡眠質量評分。系統采用單導聯(三個電極)的簡便方式進行采集, 電極安放在前額葉, 以防睡眠時脫落。分別采用了盤狀電極和一次性心電圖電極來采集睡眠腦電, 以便為電極選擇提供參考。振幅整合腦電圖算法和樣本熵算法被用于睡眠腦電處理中, 結果顯示兩套算法都能進行自動睡眠分期與評價。本系統能夠用于整晚睡眠監測和定量評價。
睡眠腦電是研究睡眠障礙及相關疾病的重要客觀指標。人工解析腦電方法耗時且易受主觀因素影響, 而已有的自動睡眠分期算法則較為復雜且正確率較低。本文提出基于支持向量機(SVM)及特征選擇的單通道腦電睡眠分期方法。從單通道腦電波信號中提取了38個特征值。在此基礎上, 通過將特征選擇方法F-Score拓展到多分類, 增加淘汰因子, 為SVM分類器選擇合適的輸入特征向量組。文章采用標準的開源數據, 對比實驗了無特征選擇、標準的F-Score特征選擇以及帶有淘汰制的F-Score特征選擇三種方法。實驗結果表明, 本文提出的方法能夠有效提高分期正確率, 減少計算時間。
睡眠質量與人體健康密切相關,睡眠狀態的正確分期對于睡眠質量的評估、睡眠相關疾病的診斷分析都具有重要的意義。多導睡眠(PSG)信號常用于記錄和分析睡眠狀態,而有效的特征提取和表達方法是提高睡眠分期準確性的重要環節。本文提出采用協作表示(CR)方法重新表達腦電(EEG)信號的特征,并進一步采用核熵成分分析(KECA)對CR特征進行降維。為驗證本文提出算法的有效性,將CR-KECA特征與原始特征、CR特征和CR經過主成分分析(PCA)降維后的特征進行對比,實驗結果表明:基于CR-KECA方法的特征獲得了最好的睡眠狀態分期性能,其準確率、敏感度和特異性分別為68.74%±0.46%、68.76%±0.43%、92.19%±0.11%,明顯優于CR-PCA特征、CR特征和原始特征;同時,CR算法計算復雜度非常低,而且KECA降維后的特征維度更小,因而適于臨床海量睡眠數據的分析。
睡眠分期是研究睡眠及相關疾病的基礎,是完成睡眠質量評估的前提,具有重要臨床意義。近年來,基于計算機技術的睡眠腦電信號自動分期成為研究熱點,并取得了一些成果。本文介紹了睡眠分期與腦電信號的基礎知識,詳細論述了基于腦電信號的自動睡眠分期研究中的兩個關鍵技術——特征提取和模式識別,比較了小波變換、Hilbert-Huang變換兩種常用的腦電特征提取方法,和人工神經網絡、支持向量機兩類模式識別方法的優缺點及其在睡眠分期中的應用,總結了近幾年該領域的研究現狀和發展趨勢。
為實現對不同階段睡眠的快速、便捷分期，本文實驗分析了心率變異性（HRV）與睡眠分期的相關性，利用支持向量機（SVM）實現了基于HRV信息的睡眠自動分期的算法。對天津市胸科醫院的33例臨床心電數據進行了R-R提取和主成分分析（PCA），并利用SVM對睡眠中的不同階段進行建模和預測，將分期的預測結果與基于腦電金標準的睡眠分期標注結果比對，對于三期睡眠的預測準確度超過80%，說明HRV與睡眠各期具有良好的相關性。該方法是對傳統睡眠分期方法的一種補充，具有實際使用價值。
睡眠分期是醫學、神經信息領域的研究熱點。人工標記睡眠數據是一項費時且費力的工作。自動睡眠分期方法能夠減少人工分期的工作負荷，但在復雜多變的臨床數據的應用上仍存在局限性。本文提出了一種改進的K均值聚類算法，主要目的是從實際睡眠數據的特點出發，研究睡眠自動分期方法。針對原始K均值聚類算法對初始聚類中心和離群點敏感的問題，本文結合密度的思想，選擇周圍數據密集的點作為初始中心，并根據“3σ法則”更新中心。改進算法在健康被試和接受持續正壓通氣（CPAP）治療的睡眠障礙者的睡眠數據上進行了測試，平均分類精確度達到76%，同時結合實際睡眠數據的形態多樣性驗證討論了該方法在臨床數據上的可行性和有效性。
近年來新生兒腦電圖(EEG)對于評估腦功能的作用被逐漸認可，并在國內越來越多的醫院開展，一般結果由醫師閱圖后憑經驗主觀判斷，僅依靠定性EEG。而隨著定量EEG研究的增多，依靠客觀數據處理實現新生兒睡眠自動分期得以實現，并可以自動檢出新生兒癲癇發作的時間段，節省人工閱圖時間，輔助醫師對結果做出判斷。EEG-睡眠分期的分析應用廣泛, 可以幫助更準確的識別新生兒腦病，評估新生兒神經功能和腦成熟度，提供一種研究新生兒大腦發育成熟的機制的方法。
睡眠狀況是評價人體健康狀態的重要指標。本文提出一種基于枕下式的無擾睡眠監測系統，通過無擾獲取的心率信號測算心率變異性（HRV），并結合隱馬爾可夫模型（HMM），在對用戶無擾無接觸的環境下求解睡眠分期。針對現有 HMM 睡眠分期存在的問題，提出采用集合經驗模態分解（EEMD）消除 HRV 個體差異導致的分期誤差，再求解相應的睡眠分期。試驗選取廣州醫學院呼吸疾病研究所 10 例不同年齡及性別的無睡眠障礙的院內正常受試者，并與多導睡眠圖（PSG）睡眠分期結果相比較。研究結果證明本文所提無擾式睡眠監測方案可實現 S1～S4 睡眠分期，正確率超過 60%，且性能優于現有 HMM 睡眠分期方案。
睡眠分期是研究睡眠疾病的重要途徑，近年來受到了廣泛關注。傳統手工標記方法與傳統機器學習算法存在效率低下、泛化性不足的問題，雖然近期流行的深度學習網絡模型依靠其學習復雜特征的能力改善了睡眠分期結果，但仍存在著忽略片段內時序信息與通道相關性的問題。本文提出了一種混合注意力時序網絡，利用循環神經網絡取代較為傳統的卷積神經網絡，從時間角度提取多導睡眠圖的時序特征；然后采用片段內時序注意力與通道注意力機制，實現信號片段內時序特征融合和通道相關性特征融合；再基于循環神經網絡與片段間時序注意力機制，進一步實現信號片段間時序上下文特征融合；最終根據上述混合特征完成端到端自動睡眠分期。本文采用開源數據網站上包含多個多導睡眠圖的睡眠數據集進行對比實驗，實驗結果表明本文模型能夠優于 10 種典型基線模型，睡眠分期準確率分別可達到 0.801、0.801、0.717，平均 F1 分數可達到 0.752、0.728、0.700，驗證了本文模型的有效性。