（毕业学术论文设计）-生物医学工程外文翻译--以ANN为基础的睡眠水平的估算.docVIP

本科生毕业设计（论文）外文翻译 毕业设计（论文）题目：对称双通道脑电信号的频域分析 外文题目：The ANN-based computing of drowsy level 译文题目：以ANN为基础的睡眠水平的估算 学 生 姓 名： 专 业： 生物医学工程 指导教师姓名： 评 阅 日 期： 科学前沿 专家系统的应用 以ANN为基础的睡眠水平的估算 摘要:我们已经发明了一种方法用来估算警戒级别的方法，这种方法通过记录从清醒到睡眠过程中的脑电图(EEG),肌动电流图(EMG)和眼睛的运动(EOG)信号来实现. 在以前的研究中,用EEG和基于EMG的EEG来估计警戒水平。在目前的研究中,使用EEG,，EMG和EOG信号估计目标警戒水平。通过小波变换和成熟的人工神经网络(ANN),在人们进入睡眠的时候将EEG,EMG和EOG的变化诊断出来. 通过小波变换,将脑电信号分离成一些次能段, LEOG (Left EOG), REOG (Right EOG)和 下巴肌电信号被应用在ANN系统中并通过评价基波水平来提高估算的精确度,他们也应用在数据分离中进而用来核实和消除人工扰动. 然后整合和测试数据集,数据集包括EEG的部分波段, LEOG, REOG和 EMG信号被应用在用来整合和测试系统的人工神经网络中,这个系统将给出被测对象的三种状态:清醒,昏睡,睡眠. 这种估计的准确性是大约97-98%,而以前仅仅应用脑电图的准确性是95-96%,应用脑电附带肌电图的准确性是98–99%.现在这种实验(根据最近的一次实验),这种准确性下降的原因是输入数据的增加. 关键词:EEG,EMG;EOG;小波;神经元网络,昏睡,睡眠 1.说明 脑电过程的一个重要应用是对警惕性的时间历程和执行单调任务但又要求较高的注意力的操作员（空中交通管理员，卡车司机等）的警戒性的研究，其目的是通过应用真实时间系统降低警戒来避免潜在事故的发生，这个系统可以连续监控警觉性，进而预防因注意力缺乏而引起的事故发生。 在这个研究中，我们的目的是研究一个新的方法，可以以更高的精确度来估算任意研究对象的警戒状态。在不同领域上已经提出了一些神经网络来解决文中提出的相同问题。然而，在那些研究中还没有给出在不同实验条件下的EEG和基于EMG的EEG也没有同时应用EEG，EOG和EMG。这就是本文的过人之处。 在实践中，在不断移动的图表纸上同时记录下EEG，EOG和EMG来更直观的看出三者的关系。目前，这些测试结果是通过计算机睡眠记录仪来记录的，这是一种测量睡眠中生理变量的生物医学仪器，通过电脑分析后的记录数据来促进时间的消耗和记录难的视觉检测和自动地提取睡眠的特点。 在这三种结果中，脑电信号对状态辨别很有效，因此它是睡眠记录仪的重要元素之一。 脑电信号可以区分警戒状态中的清醒状态和睡眠状态，并且在一定程度上可以区分同一状态下的不同层次，在先前的研究中，睡眠状态的分类大部分基于脑电信号记录的光谱分析。Principe, Gala, and Chang (1989)设计了一个有局限的自动机，这个自动机可以将睡眠分成七个阶段。这七个阶段可以通过有限个电机和光谱分析特性带来进行分类。更近的研究专注于能否从完整的脑电波光谱中检测到困倦的信息。Vuckovic et al. (2002)提出这样一个方法，可以从任意主体的全光谱脑电图1-s序列中区分警告状态与昏睡状态。这个方法将两个半球间的时间序列和两个半球内的全光谱脑电图的交叉光谱密度作为带有两个不同输出的人工圣经网络的输入，两个输出：昏睡和警觉。Subasi et al. (2005)用全光谱脑电图5-s序列来区分任意主体的警告状态和昏睡状态。这个研究运用小波神经网络模型通过Levenberg–Marquardt算法来区分主体的警戒水平，这个研究的分类结果是警戒状态93.3% ,昏睡状态 96.6%, 睡眠状态90% 。 在清醒状态（0状态）到睡眠状态（1状态）的转换中，脑电图从低振幅高频率模式转变为高振幅低频率模式。这个高振幅低频率模式表明了动力学系统与状态0-状态1睡眠循环的区别。肌电即肌肉活动在0到1的转变过程中引起较低的肌肉紧张。眼部运动波逐渐变慢是基于快动眼睡眠的存在。当清醒时，人类和一些其他的脊椎动物表现为低电平(10–30 uV), 高频率 (16–25 Hz)脑电活动和肌电中的快动眼睡眠。当放松的时候人类表现为大约20–40 uV and 8–12 Hz的正弦α波，从清醒到睡眠状态脑电的特点为逐渐变慢的频率和高