论文部分内容阅读
睡眠障碍是亚健康人群普遍存在的疾病,表现为睡眠质量差、失眠等,并可能诱发各种心脑血管疾病。睡眠分期是睡眠障碍的研究前提,据此可分析睡眠质量,为解决睡眠问题提供方向。传统睡眠分期由专业睡眠医师依据多导睡眠监测图(Polysomnography,PSG)进行手动标注,然而,PSG采集过程繁琐,对环境要求严格,且手动标注效率低、耗时长、任务繁重。为了解决已有睡眠监测系统的这些缺陷,本文设计了EEG-ECG便携式睡眠监测系统,并基于单通道前额EEG和单通道ECG信号对自动睡眠分期算法进行了详细的研究。首先,采用PSG系统从临床上获取15例健康人睡眠数据,并由睡眠医师标注了睡眠分期。基于单通道前额EEG和单通道ECG信号从不同模态下提取特征:在脑电模态下,根据EEG信号的频域分析和非线性动力学分析,共提取13种特征值;在心电模态下,根据ECG信号以及心率变异性的时域和频域特性,共提取13种特征值;在耦合模态下,基于改进的耦合算法从心肺信息耦合和心脑信息耦合两个角度进行特征值提取,从心肺信息耦合角度共提取了14种特征值;从心脑信息耦合角度共提取了18种特征值。然后,根据特征值与各睡眠阶段间的相关性强弱进行整理,重新组合成四组样本集,将其输入到BP神经网络、随机森林、GA-SVM和PSO-SVM分类器中进行自动睡眠分期,并对分期结果进行详细分析。结果显示,GA-SVM分类算法的睡眠分期效果最佳,且其基于心电模态样本集的平均睡眠分期准确率约为69%,基于单通道ECG信号样本集的平均睡眠分期准确率约为73%,基于脑电模态样本集的平均睡眠分期准确率约为88%,基于EEG-ECG信号样本集的平均睡眠分期准确率约为91%。最后,基于被试睡眠期间的前额EEG和单通道ECG信号,设计了便携式睡眠监测系统。系统硬件部分以嵌入式STM32F103为内核进行数据采集、打包与传输,软件部分基于Android系统进行EEG和ECG信号的特征提取、数据存储以及数据的实时可视化显示,并可将数据传至服务器进行离线分析,达到系统家用、便携等目的。