| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 课题背景与研究意义 | 第8-9页 |
| 1.1.1 睡眠概述 | 第8页 |
| 1.1.2 睡眠分期概述 | 第8-9页 |
| 1.2 睡眠分期的研究历史与现状 | 第9-12页 |
| 1.2.1 接触式睡眠监测设备 | 第9-11页 |
| 1.2.2 非接触式睡眠监测设备 | 第11-12页 |
| 1.3 论文主要内容的结构安排 | 第12-14页 |
| 2 夜间音频信号的预处理算法 | 第14-26页 |
| 2.1 音频信号的降噪处理 | 第14-17页 |
| 2.1.1 谱减法降噪 | 第14-15页 |
| 2.1.2 维纳滤波法降噪 | 第15-17页 |
| 2.2 声音事件的端点检测算法 | 第17-22页 |
| 2.2.1 基于短时能量和过零率的双门限法 | 第17-19页 |
| 2.2.2 基于相关系数的双门限法 | 第19-20页 |
| 2.2.3 AV_Box端点检测法 | 第20-22页 |
| 2.3 预加重 | 第22-23页 |
| 2.4 加窗和分帧 | 第23-25页 |
| 2.5 本章小结 | 第25-26页 |
| 3 呼吸声音的声学特征分析 | 第26-41页 |
| 3.1 呼吸声音的时域声学特性分析 | 第26-29页 |
| 3.1.1 呼吸周期及其方差 | 第26-27页 |
| 3.1.2 呼吸次数及呼吸变化参数 | 第27-28页 |
| 3.1.3 能量及能量差值累积 | 第28-29页 |
| 3.2 呼吸声音的线性声学特性分析 | 第29-34页 |
| 3.2.1 短时过零率 | 第29-30页 |
| 3.2.2 共振峰 | 第30-31页 |
| 3.2.3 梅尔倒谱系数 | 第31-34页 |
| 3.3 呼吸声音的非线性声学特性分析 | 第34-40页 |
| 3.3.1 相空间重构及Lyapunov指数 | 第34-36页 |
| 3.3.2 去趋势波动分析 | 第36-38页 |
| 3.3.3 熵分析 | 第38-40页 |
| 3.4 本章小结 | 第40-41页 |
| 4 基于机器学习的睡眠阶段分期算法 | 第41-49页 |
| 4.1 机器学习理论 | 第41页 |
| 4.2 支持向量机 | 第41-42页 |
| 4.3 K最近邻算法 | 第42页 |
| 4.4 决策树算法 | 第42-44页 |
| 4.4.1 基于Boosting的集成学习方法 | 第43-44页 |
| 4.4.2 基于Bagging的集成学习方法 | 第44页 |
| 4.5 经典分类器的睡眠分期性能 | 第44-47页 |
| 4.5.1 Simple Tree在睡眠分期上的实现 | 第44-45页 |
| 4.5.2 Linear SVM在睡眠分期上的实现 | 第45-46页 |
| 4.5.3 Fine KNN在睡眠分期上的实现 | 第46-47页 |
| 4.5.4 3种分类器的分期性能比较 | 第47页 |
| 4.6 本章小结 | 第47-49页 |
| 5 基于夜间音频信号的睡眠分期系统 | 第49-68页 |
| 5.1 实验设置及数据采集 | 第50-51页 |
| 5.2 实验数据处理 | 第51-54页 |
| 5.2.1 时域声学特征处理 | 第51-52页 |
| 5.2.2 线性声学特征处理 | 第52-53页 |
| 5.2.3 非线性声学特征处理 | 第53-54页 |
| 5.3 实验结果分析与讨论 | 第54-67页 |
| 5.3.1 不同决策树模型下的睡眠分期结果 | 第54-57页 |
| 5.3.2 多类型特征下的睡眠分期 | 第57-59页 |
| 5.3.3 时序信息对睡眠分期的影响 | 第59-61页 |
| 5.3.4 特征选择对睡眠分期的影响 | 第61-66页 |
| 5.3.5 不同睡眠阶段划分方式下的睡眠分期 | 第66-67页 |
| 5.4 本章小结 | 第67-68页 |
| 6 总结和展望 | 第68-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-76页 |
| 附录 | 第76页 |