论文部分内容阅读
摘要：睡眠是人体重要的生理活动,它与健康、工作、学习等之间的关系甚为密切。对睡眠进行合理的分期,是研究睡眠质量,诊断睡眠疾病的基础。脑电是描述睡眠过程中最显著和最直观的信号,所以睡眠脑电是研究睡眠的重要且有力的工具。脑电信号是混沌信号,由于脑电活动自身的复杂性,采用非线性方法处理会有比较好的结果。本文介绍了睡眠的背景知识以及睡眠的分期等；阐述了脑电信号产生的原理,常见的几种脑电波以及如何采集脑电信号；介绍了几种非线性动力学方法：Lyapunov指数,复杂度,相关维数,近似熵等的原理和应用,并将它们作为识别睡眠脑电信号的特征指标,发现在不同的睡眠期,睡眠脑电的各种非线性指数不同,计算出的结果呈现一定的变化规律。此外,介绍了遗传算法和支持向量机的原理并且将它们用于参数选择和模式识别。为了提高支持向量机(SVM)算法的性能,采用了一种改进的SVM算法。将遗传算法(GA)与传统的SVM算法结合,构造出一种参数最优的进化SVM(GA-SVM), SVM模型采用径向基函数(RBF)作为核函数。本文通过实验对特征值(相关维数、复杂度、Lyapunov指数、近似熵)利用GA-SVM模型进行模式识别。实验中采用8个人(Slp01a、Slp01b、Slp02a、Slp02b、Slp03、Slp04、Slp14、Slp48)的数据,数据样本为100组(4维特征矢量),Slp01a、Slp01b、Slp02a、Slp02b、Slp03、Slp04、Slp14、Slp48分类的正确识别率分别为：95.33%、100%、100%、100%、87.33%、95.33%、100%、95.33%。所有样本统计后进行六分类,SVM平均正确识别率为78.9%,说明模型的选择还是比较合理,证明了脑电的非线性参数能有效的表达大脑的不同生理状态,因此非线性动力学方法可以很好的应用于睡眠脑电的研究。