基于生理信号的睡眠特征分析及睡眠分期方法研究
| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题研究的目的及意义 | 第9-10页 |
| 1.2 国内外发展现状及发展趋势 | 第10-14页 |
| 1.2.1 睡眠分期标准发展概述 | 第10-11页 |
| 1.2.2 睡眠分期国内外研究现状 | 第11-14页 |
| 1.3 课题研究的主要内容 | 第14-16页 |
| 第2章 睡眠与生理信号的关系 | 第16-22页 |
| 2.1 引言 | 第16页 |
| 2.2 睡眠分期简介 | 第16-17页 |
| 2.3 脑电信号与睡眠 | 第17-20页 |
| 2.4 心电信号与睡眠 | 第20-21页 |
| 2.5 本章小结 | 第21-22页 |
| 第3章 睡眠生理信号的特征提取 | 第22-43页 |
| 3.1 引言 | 第22页 |
| 3.2 数据处理 | 第22-26页 |
| 3.2.1 实验数据说明 | 第22-24页 |
| 3.2.2 生成R-R间期序列 | 第24-26页 |
| 3.3 睡眠脑电特征分析 | 第26-36页 |
| 3.3.1 时域特征 | 第26-29页 |
| 3.3.2 频域特征 | 第29-32页 |
| 3.3.3 非线性特征 | 第32-36页 |
| 3.4 睡眠心电特征分析 | 第36-41页 |
| 3.4.1 时域特征 | 第37-38页 |
| 3.4.2 频域特征 | 第38-41页 |
| 3.4.3 非线性特征 | 第41页 |
| 3.5 本章小结 | 第41-43页 |
| 第4章 睡眠生理信号的特征选择与特征降维 | 第43-57页 |
| 4.1 引言 | 第43页 |
| 4.2 睡眠生理信号特征选择算法 | 第43-50页 |
| 4.2.1 特征选择概述 | 第43-44页 |
| 4.2.2 遗传算法 | 第44-46页 |
| 4.2.3 自适应遗传算法 | 第46-47页 |
| 4.2.4 特征选择结果与分析 | 第47-50页 |
| 4.3 基于主成分分析的特征降维 | 第50-56页 |
| 4.3.1 特征参数降维概述 | 第50-51页 |
| 4.3.2 PCA算法 | 第51-54页 |
| 4.3.3 PCA降维结果与分析 | 第54-56页 |
| 4.4 本章小结 | 第56-57页 |
| 第5章 睡眠生理信号的特征分类算法 | 第57-72页 |
| 5.1 引言 | 第57页 |
| 5.2 睡眠生理信号特征分类算法 | 第57-65页 |
| 5.2.1 基于k近邻的特征分类算法 | 第57-58页 |
| 5.2.2 基于线性判别的特征分类算法 | 第58-59页 |
| 5.2.3 基于BP神经网络的特征分类算法 | 第59-62页 |
| 5.2.4 基于支持向量机的特征分类算法 | 第62-65页 |
| 5.3 特征参数分类实验结果 | 第65-70页 |
| 5.4 本章小结 | 第70-72页 |
| 第6章 组合优选分类算法在睡眠分期中的应用 | 第72-86页 |
| 6.1 引言 | 第72页 |
| 6.2 基于贝叶斯投票法的组合分类算法 | 第72-76页 |
| 6.2.1 多分类器组合结构 | 第72-73页 |
| 6.2.2 贝叶斯投票法概述 | 第73-74页 |
| 6.2.3 实验结果 | 第74-76页 |
| 6.3 基于遗传算法的组合优选分类算法 | 第76-82页 |
| 6.3.1 GA-CMC算法设计 | 第76-79页 |
| 6.3.2 GA-CMC用于分类的可行性研究 | 第79-81页 |
| 6.3.3 实验结果 | 第81-82页 |
| 6.4 结果对比与分析 | 第82-83页 |
| 6.5 实际应用效果 | 第83-85页 |
| 6.6 本章小结 | 第85-86页 |
| 结论 | 第86-88页 |
| 参考文献 | 第88-96页 |
| 致谢 | 第96-97页 |
| 攻读学位期间发表的论文及其它成果 | 第97页 |
