|
开题报告内容： 一、课题解决的问题 随着我国经济与生产力的发展，我国GDP已经位居前列。伴随着经济的增长，我国的产业形势也从原来的劳动密集型的体力劳动转向服务型的脑力密集型劳动。工作竞争压力大，加班成为许多行业的常态，长时间的高强度用脑会导致睡眠压力过大，此时继续执行工作，会降低工作效率，甚至会导致安全事故。有统计显示，我国每年过劳死的人数超60万，平均下来，每天约超过1600人因劳累、睡眠压力过大而引发疾病去世。从安监局的统计数据表明，因人为造成的安全事故占总事故量的52%以上，而这其中由疲劳引起的事故占有相当大的比例。由此可见，睡眠压力的评估具有重要的现实意义，尤其是在驾驶，航天等行业。 本课题拟通过脑电信号的复杂度来进行睡眠压力的评估，脑电信号是脑部神经元活动产生的电信号，能实时反应人脑的疲惫程度，是进行大脑功能研究和脑部疾病诊断的重要手段。目前也有也有一些其他的睡眠压力评估指标，本课题意在为睡眠压力的评估监测提供一个新思路，为将来的睡眠压力检测系统提供相应的理论基础。 二、研究方法和技术路线 主要使用matlab编程进行数据处理。脑电信号来源于364个健康人。针对脑电信号计算改进排列熵，原始排列熵，theta绝对能量，慢波能量（SWA）。并计算改进排列熵、原始排列熵与theta的相关性，改进排列熵与SWA的相关性，theta与SWA的相关性。 三、论文课题研究进度安排 2019年2月25日----3月1日 确定选题，查阅文献。 2019年3月1日----3月10日 撰写开题报告。 2019年3月10日----4月10日 收集资料，查阅文献。 2019年4月10日----5月20日 提交论文初稿。 2019年5月28日前 修改论文 2019年5月29日前 提交正式毕业论文，并进行论文答辩准备。 四、文献综述 1 睡眠压力 精神疲惫和身体疲惫都会导致睡眠压力[1]。过大的睡眠压力会导致警惕性降低，表现不佳，心情糟糕[2]。目前大多数专家学者在研究评估监测驾驶员和飞机驾驶员的睡眠压力[3]。主要应用三大类技术，表情特征，例如ANU研制的FaceLAB防疲劳驾驶系统；行为特征，例如2010 年，欧盟针对汽车驾驶安全开展了AWAKE的研究计划，该系统用图像采集驾驶员的面部表情，并实时提取汽车电脑控制系统的行车数据，分析出车辆当前的车道运行轨迹、驾驶员视线方向和方向盘的转动规律等，利用多种特征来判断驾驶员的疲劳程度；生理特征，2013年，上海交通大学的蔡浩宇[4]采集前额眼电信号，利用眨眼检测算法和支持向量机的分类方法对提取到的独立水平眼电和独立垂直眼电信号进行分析，绘制出人体疲劳随时间的变化曲线。以前较多的学者研究表情特征与行为特征，但现在由于疲劳监测技术的发展，生物电信号的研究成果逐渐增多[5]。通常生理特征评价睡眠压力的金标准是theta能量，当睡眠压力增大时，theta波能量增大[6]。也有一些其他的生理评价指标，例如delta波能量（0.5-4Hz），眼电（EOG），心电（ECG）[1]。 2排列熵 排列熵是测量系统复杂度的一种手段，它可以应用到任何时间序列，稳健，并且算法简单，计算成本低[7-10]， 由于这些优点，排列熵被广泛应用至国内外各行各业。在国外，有学者通过采集正常人和癫痫病人发作时的脑电图信号, 分别提取信号的排列熵特征，然后通过支持向量机方法较好地实现了分类识别，并且与其他算法进行了对比，结果表明该算法可提高状态分类的正确率;还有学者利用排列熵对癫痫失神发作进行分析。在国内，西安交通大学生物医学信息工程教育部重点实验室刘建平等[11]通过对连续长时间脑力劳动前后状态下的脑电信号进行分析，提取了脑电信号的排列熵，研究了排列熵与脑疲劳程度之间的关系及其在不同脑疲劳状态下的变化规律，试验结果表明:对于不同的脑疲劳状态，随着脑疲劳程度的增加，其alpha(8～12 Hz)、beta(13～30 Hz)频率段和total 频率段(0.5 ～30 Hz)脑电信号的排列熵逐渐降低，相对于Tsallis 熵算法，排列熵可以更好地反映疲劳前后脑电信号复杂度的变化特性；还有排列熵作为衡量人体贫血病死亡的估计因子，预计未来排列熵指数将取代双频指数作为贫血死亡估计指标。总的来说，在生物医学领域，排列熵被应用到癫痫研究[8,9,12]，麻醉[13,14]和认知神经科学[15,16]。课题改进的排列熵不仅有上述优点，而且对系统复杂度的描述更准确[17]。 3睡眠周期的检测 根据Feinberg1979[18]定义的规则检测睡眠周期。（1）每个睡眠周期（sleep cycle）包含一个连续的非快速眼动期（NRemP）和一个连续的快速眼动期（RemP）；（2）NRemP包括stage1、2、3、4阶段的睡眠期。对于睡眠周期中的每个NRemP，必须从stage2开始，stage1、2、3或4阶段的总数应不小于30个epoch。如果在NRemP内出现清醒期，则应少于10个epoch；（3）RemP应从快速眼动期开始，满足快速眼动期总数不少于10个epoch。如果在RemP中出现清醒期，则清醒期的总数应小于2个epoch；（4）注意，对于第一个睡眠周期，只需要满足NRemP的标准。 学生签名： 年 月 日 |
|||||||
|
指导教师意见： 指导教师签名： 年 月 日 |
|||||||
|
所在教研室审查意见：
负责人签名： 年 月 日 |
填写说明
1.指导教师意见填写对文献综述的评语，对本课题的深度、广度及工作量的意见和对论文结果的预测；
2.所在教研室审查意见包括对指导教师意见的认定和是否同意开题等。
参考文献：
[1] Lal S K L, Craig A. A critical review of the psychophysiology of driver fatigue[J]. Biological Psychology, 2001, 55(3): 173-194.
[2] Bonnet.M.H. Infrequent periodic sleep disruption effects on sleep, performance and mood[J]. Physiology amp; Behavior, 1988, 45.
[3] Borghini G, Astolfi L, Vecchiato G, et al. Measuring neurophysiological signals in aircraft pilots and car drivers for the assessment of mental workload, fatigue and drowsiness[J]. Neurosci Biobehav Rev, 2014, 44: 58-75.
[4] 蔡浩宇. 基于前额眼电信号的警觉度估计模型研究[D]. 上海交通大学, 2013.
[5] 于向洋. 基于脑电信号的脑疲劳状态研究[D]. 杭州电子科技大学, 2017.
[6] 石乔莉, 王磊, 耿旭婧, et al. 基于脑电信号的驾驶疲劳状态分析[C]. 天津市生物医学工程学会第三十一届学术年会, 2011: 1.
[7] Zanin M, Zunino L, Rosso O A, et al. Permutation Entropy and Its Main Biomedical and Econophysics Applications: A Review[J]. Entropy, 2012, 14(8): 1553-1577.
[8] Li X, Ouyang G, Richards D A. Predictability analysis of absence seizures with permutation entropy[J]. Epilepsy Res, 2007, 77(1): 70-4.
[9] Bruzzo A A, Gesierich B, Santi M, et al. Permutation entropy to detect vigilance changes and preictal states from scalp EEG in epileptic patients. A preliminary study[J]. Neurol Sci, 2008, 29(1): 3-9.
[10] Bandt C, Pompe B. Permutation entropy: a natural complexity measure for time series[J]. Phys Rev Lett, 2002, 88(17): 174102.
[11] 刘建平, 张崇, 郑崇勋, et al. 基于多导脑电复杂性测度的脑疲劳分析[J]. 西安交通大学学报, 2008, 42(12): 1555-1559.
[12] Yinhe C, Wen-Wen T, Gao J B, et al. Detecting dynamical changes in time series using the permutation entropy[J]. Phys Rev E Stat Nonlin Soft Matter Phys, 2004, 70(4 Pt 2): 046217.
[13] Olofsen E, Sleigh J W, Dahan A. Permutation entropy of the electroencephalogram: a measure of anaesthetic drug effect[J]. Br J Anaesth, 2008, 101(6): 810-21.
[14] Denis J, Gudrun S, Kochs E F, et al. Electroencephalographic order pattern analysis for the separation of consciousness and unconsciousness: an analysis of approximate entropy, permutation entropy, recurrence rate, and phase coupling of order recurrence plots[J]. Journal of Pharmaceutical Sciences, 2008, 97(6): 2299-2310.
[15] Schinkel S, Marwan N, Kurths J. Order patterns recurrence plots in the analysis of ERP data[J]. Cognitive Neurodynamics, 2007, 1(4): 317-325.
[16] Schinkel S, Marwan N, Kurths J. Brain signal analysis based on recurrences[J]. J Physiol Paris, 2009, 103(6): 315-323.
[17] Bian C, Qin C, Ma Q D, et al. Modified permutation-entropy analysis of heartbeat dynamics[J]. Phys Rev E Stat Nonlin Soft Matter Phys, 2012, 85(2 Pt 1): 021906.
[18] Feinberg.I, Floyd.T.C. Systematic Trends Across the Night in Human Sleep Cycles[J]. PSYCHOPHYSIOLOGY, 1979, 16.
以上是文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
