睡眠腦電的特性分析和睡眠分期研究

《睡眠腦電的特性分析和睡眠分期研究》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。

1、江蘇大學(xué)碩士學(xué)位論文摘要睡眠是一種重要的生理現(xiàn)象，腦電圖(EEG)是研究睡眠的一個重要而有力的工具。腦電信號種包含大量的生理和病理信息，在睡眠相關(guān)疾患和腦科學(xué)研究中起著非常重要的作用。本文簡要介紹了小波變換、小波包分解的原理，并利用這兩種先進的信號處理方法對原始腦電信號進行了去噪、偽跡去除等預(yù)處理。在去噪基礎(chǔ)上，對睡眠腦電信號進行了詳細的小波熵、近似熵、功率譜熵特性分析和復(fù)雜性測度分析。腦電信號是由腦的神經(jīng)系統(tǒng)產(chǎn)生的電生理反應(yīng)，信號非常微弱，且具有非平穩(wěn)性和低信噪比的特點，易受諸如眼電、心電和肌電干擾及白噪聲等干擾因素。在原始腦電信號預(yù)處理中，論文中采用

2、了小波軟門限閾值和小波包自適應(yīng)閾值去噪兩種分析方法，在腦電去噪中取得了比較好的效果。本文應(yīng)用多種非線性方法和時頻分析方法對腦電在各種睡眠的變化特性進行了分析及對比研究，試圖從客觀量化的復(fù)雜性測度來描述整個睡眠過程中睡眠深度的變化情況。論文中采用的分析指標(biāo)有：Kc、C0．C1、C2復(fù)雜度：功率譜熵和近似熵；重點應(yīng)用小波變換和小波熵對各期腦電特性及其腦電四個基本節(jié)律下動態(tài)特性進行了分析研究。實驗結(jié)果表明復(fù)雜度(C2除外)、功率譜熵、近似熵和小波熵在睡眠各期中具有顯著差異，并且呈現(xiàn)出規(guī)律性的變化趨勢，在清醒期最大，到sl、s2期逐漸減少，s3、S4期達到最低值

3、，REM期介于清醒期和s1期之間，而C2值的變化則與它們相反，尤其在深睡期顯著升高；小波熵既能區(qū)分長時間段EEG復(fù)雜度之間的差異，又能反應(yīng)微狀態(tài)下的變化特性。結(jié)果表明，上述復(fù)雜性測度在睡眠腦電特征提取和特性研究中都取得了良好的效果。腦電圖一般數(shù)據(jù)量比較大，只能由專業(yè)的腦電圖專家判別，人工對睡眠分期是一項十分繁重的工作，同時由于偽跡的干擾，不同專家由于主觀因素導(dǎo)致人工分期不完全相同，研究準確高效的睡眠自動分期方法有重要的實際意義。本文利用近似熵閾值對睡眠腦電進行分期，與人工分期結(jié)果相比較，近似熵分期平均符合率達70％以上，有較好的分期效果。本文利用的時頻分

4、析方法和非線性動力學(xué)方法在對睡眠腦電的特性分析及睡眠分期研究中，都獲得了較好的效果。關(guān)鍵詞：腦電波；小波變換{睡眠分期；小波熵；復(fù)雜度；近似熵：功率譜熵江蘇大學(xué)碩士學(xué)位論文ABSTRACTThesleepiSakindofimportantphysi0109icalphenomenon，theelectroencephalogram(EEG)isaveryimportanttoolforanalyzingthesleep．EEGsignalShavealargeamountofphysiologyandpathologyinformation，elect

5、ricalactivityofthebrainplaysaveryimportantroleinthefieldoftherelateddiseaseofsleepandbrainscience．Inthispaper，wavelettransformandwaveletpacketanalysiSareusedtoprocesstheEE6signalS，includingEEGde—noiSingandartifactremoving．Further，waveletentropy，approximateentropy，powerspectralent

6、ropyandcomplexitymeasuresarecalculated．BrainwaveiSakindofbioelectricitysignalandusuallyveryweak，ItsCharacteristiCSiSthatnon—stationarityandlowsignal—noiserate，SOthatitiseasytohedisturbedbynoises，SuchasEOG，ECG，EMGandhigh—frequencynoise．ForEE6de—noisingandartifactremoving，thispaper

7、presentsathresholdde—noisingalgorithmwiththewavelettransformandaadaptivethresholdde——noisingwiththewaveletpacketanalysis，theycanachieveaverygoodfiiteringeffect．ThiSpaperusesthenonlineardynamicstheoriesofEEGtimeseriesincludingKc、CO、C1、C2complexity，powerspectralentropy，approximatee

8、ntropyandwaveletentropy．Theemphasisistha