摘要
第1章 绪论
1.1 研究目的与意义
1.2 国内外研究现状
1.2.1 睡眠数据获取及处理方法的研究现状
1.2.2 特征设计及特征选择方法的研究现状
1.2.3 睡眠阶段划分方法的研究现状
1.3 本文主要研究工作
1.4 本文章节安排
第2章 基于傅里叶和小波变换提取睡眠数据的研究
2.1 引言
2.2 基于离散傅里叶对呼吸信号的分解和重构
2.2.1 非周期信号的傅里叶变换
2.2.2 离散信号傅里叶变换
2.2.3 栅栏效应与频谱泄露
2.2.4 傅里叶对睡眠数据的分解及呼吸信号的重构
2.3 基于小波变换对信号的分解与呼吸信号的重构
2.3.1 离散小波变换与小波基的选择
2.3.2 Mallat算法
2.3.3 数据的边界处理
2.3.4 小波变换对原数据的分解及对呼吸信号的重构
2.4 基于小波与傅里叶结合方式对睡眠数据处理
2.4.1 傅里叶变换和小波变换优缺点
2.4.2 结合小波和傅里叶对睡眠数据解析
2.5 实验结果及分析
2.5.1 数据集
2.5.2 特征选取与分类器选择
2.5.4 实验结果
2.6 本章小结
第3章 基于体动信号和呼吸信号上的特征选取方法的研究
3.1 引言
3.2 体动信号的获取及特征提取
3.2.1 睡眠数据中体动信号的检测
3.2.2 对称延展及一元二次线性插值对数据填补
3.2.3 体动特征提取
3.3 呼吸信号上呼吸特征提取
3.3.1 呼吸峰的检测算法
3.3.2 呼吸信号时域特征提取
3.3.3 呼吸信号频域特征提取
3.3.4 小波系数特征提取
3.4 特征选择方法
3.4.1 基于F分值特征选择方法
3.4.2 基于快速相关过滤FCBF的特征选择方法
3.4.3 基于最小冗余最大相关mRMR的特征提取方法
3.4.4 基于Bayes低损降维LLDR的特征提取方法
3.5 实验结果及分析
3.5.1 实验环境
3.5.2 特征选择的阈值设定
3.5.3 不同分类器的特征选择
3.5.4 体动去除对分类结果的影响
3.6 本章小结
第4章 基于二叉决策树的多贝叶斯分类器组合及选择方法研究
4.1 引言
4.2 贝叶斯分类器
4.2.1 朴素贝叶斯分类器
4.2.2 TAN贝叶斯分类器
4.3 基于二叉决策树的多贝叶斯分类器组合及选择方法
4.3.1 基于二叉决策树的多贝叶斯组合分类方法
4.3.2 多贝叶斯分类器动态选择方法
4.3.3 基于二叉决策树的多贝叶斯分类器组合及选择方法
4.4 实验结果与分析
4.4.1 实验环境
4.4.2 结果分析
4.5 本章小结
结论
参考文献
致谢
攻读硕士学位期间发表的学术论文及参加的科研项目
声明