换一批摘要睡眠质量与人类健康息息相关,准确的睡眠质量监测对于帮助人们改善睡眠质量能够起到有效的监督作用.以MIT-BIH多导睡眠数据库slp01、slp02和slp04等3个样本的脑电信号为分析对象,采用sym7小波对其进行7层分解以去除高频细节信号,得到较为纯净的脑电信号.然后通过非线性符号动力学分析,去趋势波动分析以及频谱分析,分别提取符号熵指数,去趋势波动指数以及δ频带能量比等3个参数,对每个样本采用Kennard-Stone方法按照4:1的比例建立校正集样本和预测集样本,并结合最小二乘支持向量机分类器进行样本训练拟合与分类识别.结果表明,3个特征参数与睡眠状态具有高度相关性,相关系数绝对值均高于0.83,并且确定了符号熵参数的嵌入维数为4,延迟常数为1,去趋势波动指数的分段区间为30 ～500,平均的睡眠分期正确率可达92.87％,比基于复杂度、近似熵等算法的分类正确率提高约5％.
更多相关知识
关键词
脑电信号符号熵去趋势波动指数频带能量比支持向量机EEGsymbolic entropydetrended fluctuation indexfrequency band energy ratiosupport vector machine
分类号
R318（医用一般科学）
栏目名称
DOI
10.3969/j.issn.0258-8021.2015.06.008
发布时间
2016-01-23（万方平台首次上网日期，不代表论文的发表时间）
基金项目
哈尔滨工业大学理工医交叉学科基础研究培育计划（HIT.IBRSEM.2013005）
海口市科技计划（2013-02）
- 浏览152
- 被引19
- 下载25
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
