基于電生理腦網(wǎng)絡(luò)的大鼠睡眠分期研究.pdf

1、睡眠類疾病會(huì)嚴(yán)重地影響睡眠質(zhì)量，并給人類的身心健康造成了很大的危害。睡眠分期是診斷睡眠類疾病的基礎(chǔ)，傳統(tǒng)的睡眠分期以睡眠專家的主觀評(píng)估為主，效率低且具有一定的誤判率，因此發(fā)展客觀高效的自動(dòng)睡眠分期算法十分必要?；谀X電(electroencephalogram, EEG)信號(hào)的自動(dòng)睡眠分期是該領(lǐng)域的研究熱點(diǎn)，相關(guān)算法旨在利用從EEG信號(hào)獲取的直接特征對(duì)睡眠進(jìn)行有效分期。近期研究揭示，嚙齒類動(dòng)物的大腦存在與人類和非人類靈長(zhǎng)類相似的默認(rèn)模式

2、網(wǎng)絡(luò)(default mode network, DMN)。人們發(fā)現(xiàn)不同睡眠階段的DMN可能發(fā)生了特異性改變，表明DMN特征可以作為睡眠分期算法的潛在特征。在本論文中，我們通過(guò)記錄大鼠在不同睡眠階段的DMN腦電信號(hào)，分析了大鼠的DMN在不同睡眠階段的變化，并進(jìn)一步從大鼠的 DMN中提取特征，結(jié)合支持向量機(jī)(support vector machine, SVM)構(gòu)建多分類器開展對(duì)睡眠分期的研究，我們主要完成的內(nèi)容和研究成果如下：

3、　　1.通過(guò)計(jì)算相位鎖時(shí)值構(gòu)建功能連接矩陣來(lái)分析不同睡眠階段大鼠 DMN網(wǎng)絡(luò)的變化。我們發(fā)現(xiàn)theta頻段的DMN網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)在整個(gè)睡眠周期過(guò)程中有顯著性變化。進(jìn)一步，我們分析了對(duì)應(yīng)功能網(wǎng)絡(luò)的網(wǎng)絡(luò)屬性，發(fā)現(xiàn)theta頻段的網(wǎng)絡(luò)屬性在睡眠的不同階段也具有顯著性差異。
　　2.接下來(lái)，我們使用了三種不同的分類特征對(duì)大鼠進(jìn)行睡眠分期。發(fā)現(xiàn)以網(wǎng)絡(luò)屬性作為分類的特征時(shí)，其分類的準(zhǔn)確率最低，且分類的性能最差，而基于共空間模式分別提取原始信號(hào)和

4、加權(quán)網(wǎng)絡(luò)的空間信息作為分類特征的效果較好。進(jìn)一步，我們比較基于共空間模式的兩種提取特征方法得到的分類結(jié)果，發(fā)現(xiàn)基于加權(quán)網(wǎng)絡(luò)提取特征的共空間模式方法得到的分類結(jié)果是較優(yōu)的。特別是，在特征數(shù)目較少時(shí)，基于加權(quán)網(wǎng)絡(luò)提取特征的共空間模式方法得到的分類結(jié)果效果更明顯。
　　綜上所述，基于加權(quán)網(wǎng)絡(luò)的共空間模式的特征提取方法能夠?qū)崿F(xiàn)對(duì)大鼠睡眠的自動(dòng)分期，且分類的性能較好。這一方法不僅有利于減輕人工識(shí)別睡眠分期的工作量，而且為睡眠分期研究提供了一