(3.235.139.152) 您好!臺灣時間:2021/05/08 17:39
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果

詳目顯示:::

我願授權國圖
: 
twitterline
研究生:王文彥
研究生(外文):Wen-yen Wang
論文名稱:以單眼眼動圖進行睡眠階段判讀
論文名稱(外文):A Sleep Staging Method Based on Single Channel EOG Signal
指導教授:嚴成文
指導教授(外文):Chen-Wen Yen
學位類別:碩士
校院名稱:國立中山大學
系所名稱:機械與機電工程學系研究所
學門:工程學門
學類:機械工程學類
論文種類:學術論文
論文出版年:2009
畢業學年度:97
語文別:中文
論文頁數:93
中文關鍵詞:睡眠分期眼動圖
外文關鍵詞:Sleep stagingEOG
相關次數:
  • 被引用被引用:5
  • 點閱點閱:447
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
睡眠階段記錄對於睡眠障礙的臨床診療是相當重要的,而且睡眠分期也是睡眠分析中最重要的步驟之一,主要以腦電圖,眼電圖及肌電圖為判斷的依據。正常人的睡眠階段,根據傳統的R&K法則可以區分四個階段,分別為清醒期、淺眠期、深眠期、快速動眼期。
本研究使用單頻道的左眼眼動訊號進行自動化睡眠階段判讀,目的是進行四個階段的睡眠階段判讀。首先建立眼動訊號的特徵變數候選人,使用本文提出的特徵變數選取方法,以分類精度為依據挑選特徵變數,完成分類器的建立。其測試資料庫人數為62人,進行睡眠階段判讀的epoch共48727個,睡眠階段判讀正確率約為72.6%。其中以睡眠第一期的偵測誤差最大,約56.3%的睡眠第一期被判別為相鄰的清醒期與睡眠第二期;以快速動眼期的偵測誤差次大,約23.7%的快速動眼期被判別為睡眠第二期。
Sleep Recording is important for clinical diagnosis and treatment of sleep disorders. Sleep staging is one of the most important steps in sleep analysis and is typically performed based on the characteristics of electrophysiological signals including EEG, EOG, and EMG. Normal healthy sleep consists of sequences of stages. According to the traditional Rechtschaffen & Kales (R&K) rules, these stages include: Awake, Light Sleep, Deep Sleep, and Rapid-Eye Movement (REM) Sleep.
Our study develops a simple four-stage process to classify sleep into wakefulness, stage 1, stage 2, slow wave sleep (SWS) and rapid eye movement (REM) sleep based on single LEOG channel. To achieve this goal, this study first generates feature variables from LEOG signal. The proposed feature selection method is applied to select a subset of features to improve the accuracy of the classifier. By applying the proposed approach to 48727 distinct LEOG epochs that are obtained from 62 subjects, the accuracy rate is about 72.6%. The largest amount of errors occurs in the identification of Stage 1, 56.3% of which was misclassified into stages 2 or wake. The second largest error is associated with REM sleep, 23.7% of which was misclassified into stages 2.
目錄 I
圖目錄 V
表目錄 VIII
摘要 X
Abstract XI
第一章 緒論 1
1.1 前言 1
1.2 研究動機與目的 2
1.3 文獻回顧 3
第二章 睡眠生理與眼動圖訊號 5
2.1 睡眠生理狀態 5
2.2 睡眠檢查 6
2.3 睡眠眼動頻道記錄 8
2.4 睡眠分期規則 11
2.5 睡眠階段之眼動特徵 15
第三章 分類器 19
3.1 類神經網路 19
3.1.1 MLP網路架構 19
3.1.2 MLP網路在型態鑑別上之相關設定 21
3.2 最近鄰居分類器 22
3.2.1 原理 22
3.2.2 演算法 23
3.3 向量量化編碼方法 24
3.3.1 原理 24
3.4 傳統LBG演算法 27
3.4.1 向量量化過程中的失真 27
3.4.2 傳統LBG新增代碼方法 28
3.5.1 主軸方向 29
3.5.2 修正型LBG演算法 30
3.6 應變式VQ分類方法 33
3.6.1 應變式VQ分類演算法 34
第四章 以單眼眼動訊號進行睡眠階段判讀 36
4.1 建立眼動訊號之特徵變數 36
4.1.1 越零點數目 37
4.1.2 越零點加權面積 38
4.1.3 能量 39
4.1.4 頻帶能量 39
4.1.5 頻帶越零點面積 41
4.1.6 Lempel-Ziv Complexity 42
4.1.7 越零點直方圖 47
4.1.8 頻譜直方圖 49
4.1.9 Simplex演算法 49
4.2 建立類神經分類器 54
4.2.1 挑選特徵變數 55
4.2.2 建立第一階段分類器 57
4.2.3 建立第二階段分類器 58
4.2.4 建立第三階段分類器 59
4.2.5 建立第四階段分類器 60
4.3進行整夜睡眠階段判讀工作 61
4.4 鄰居法則修正 63
4.5 雙單眼修正 63
第五章 實驗結果與討論 65
5.1 分類效能的指標 65
5.2 各階段分類器訓練結果 67
5.2.1 第一階段分類器訓練結果 68
5.2.2 第二階段分類器訓練結果 69
5.2.3 第三階段分類器訓練結果 70
5.2.4 第四階段分類器訓練結果 72
5.3 整夜睡眠階段判讀結果 73
5.3.1 使用原始分類器之判讀結果 73
5.3.2 使用鄰居法則分類器之判讀結果 74
5.3.3 使用雙單眼分類器之判讀結果 74
第六章 結論 76
參考文獻 78
Cover T. M. and Hart P. E., 1967, “Nearest neighbor pattern classification,” IEEE Trans. Inform. Theory, Vol. IT-13, pp. 21-27.
Haykin S., 1999, “Neural Networks: A Comprehensive Foundation,” 2nd Edition, Pretice Hall Internation.
Linde Y., Buzo A., and Gray R. M., 1980, “An Algorithm for Vector Quantizer Design,” IEEE Transactions on Communications, Vol. 28, No. 1, pp. 84-95.
Nelder J. A., Mead R., 1965, “A Simplex for Function Minimization,” Computer Journal, Vol. 7, pp. 308-313.
Rajeev A., Tomoka T., Suzie L., and Gotman J., 2005, “Detection of Rapid eye movements in sleep studies,” IEEE Transactions on Biomedical Engineering, Vol. 52, pp. 1390-1396.
Rechtschaffen A. and Kales A., 1968, “A manual of standardized terminology: techniques and scoring system for sleep stages of human subjects”, Los Angeles, Calif: UCLA Brain Information Service/Brain Research Institute.
Viera A. J., and Garret J. M., 2005 “Understanding Interobserver Agreement: The Kappa Stastic,” Family Medicine, Vol.37, No.5, pp.360-363.
Virkkala J., Hasan J., Värri A., Himanen S.L., Müller K., 2007, “Automatic sleep stage classification using two-channel electro-oculography,” Journal of Neuroscience Methods, Vol. 166, pp. 109-115.
Zhang X. S., Roy R. J., and Jensen E. W., 2001, “EEG Complexity as a Measure of Depth of Anesthesia for Patients,” IEEE Transactions on Biomedical Engineering, Vol.48, No.12, pp.1424-1433.
王彥仕, 2007, ”以眼動圖訊號偵測快速動眼睡眠期與清醒期,” 碩士論文, 國立中山大學機械與機電工程研究所.
吳炯廷, 2007, ”以雙眼眼動圖相關係數偵測快速動眼睡眠期,” 碩士論文, 國立中山大學機械與機電工程研究所.
楊傑能, 2007, ”以眼動圖訊號檢測快速動眼睡眠期的向量量化編碼方法,” 博士論文, 國立中山大學機械與機電工程研究所.
萬台飛, 陸建邦, 1986, 眼振圖手冊, 合記圖書出版社.
劉勝義, 2004, 臨床睡眠檢查學, 合記圖書出版社.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關期刊
 
系統版面圖檔 系統版面圖檔