上海大学毕业设计(论文)开题22报告-杨科 (13)
- 格式：doc
- 大小：154.00 KB
- 文档页数：7
毕业设计（论文）开题报告 学 院 通信与信息工程 专 业 生物医学工程 学 号 11121962 姓 名 杨科 指导教师 施俊 日 期 二○一五年一月十九日 课题名称 基于半监督极限学习机的睡眠状态分类 课题来源 科研
一、课题背景及意义
睡眠是一种重要的生理现象，正常睡眠对机体的生长发育、消除疲劳、恢复精力、提高机体免疫力和健康水平有着重要意义。了解睡眠的特点和机理对改善睡眠质量、诊治睡眠疾患有重要的意义。在睡眠过程中，一般会分成几个阶段，而患有呼吸暂停综合症、睡眠障碍等疾病的患者，其睡眠过程中的阶段分期也会有所不同。研究睡眠分期对睡眠疾病的检测、预防和治疗有重要的临床意义。目前，用于监护和分析睡眠分期的生理信号包括脑电信号、肌电信号、心电信号等。 但是，睡眠监护和分期的人工判读方法存在效率低，缺乏一致性的客观标准的缺点。因此，采用计算机技术,信号处理技术等,改进传统低效率且缺乏一致性客观标准的睡眠分期方法,研制出高性能的睡眠自动分期系统,进一步提高对睡眠质量进行自动判断的准确度和客观性成为科研人员的研究方向。基于机器学习的计算机辅助分期吸引了众多科研人员的兴趣。通过对生理信号进行特征提取和模式分类，有效实现了睡眠阶段的分期。 在有监督的机器学习中，已经标记过的睡眠数据样本太少一直是研究的难点。在临床应用中，完全依靠医生对长时间的睡眠数据进行标记和分析，非常耗时耗力，而且容易产生误诊、漏诊。因此，实际应用于计算机辅助的睡眠分析研究中，已经标记过的数据是非常有限的小样本，这就影像了计算机辅助的睡眠分期的准确率。然后，在临床数据中，获取尚未确诊或者医生并未标记过的数据往往较为容易，这些未标记的数据，实际上能扩展训练的样本集合，并且能提供有用的信息，帮助提高机器学习的性能，把未标记样本和标记样本同时作为训练样本进行训练，在标记样本资源较少的情况下，充分利用无标样本来提高学习效率，这就是半监督的学习方法。目前，由于半监督学习同时用少量标注样本和大量未标记样本进行训练，在不造成过高成本消耗的前提下，可以得到比较高的学习精度，达到令人满意的分类效果，半监督学习在医学领域获得了广泛的关注，成为研究的热点。 极限学习机是一种新的机器学习分类算法，2004年由南洋理工大学黄广斌副教授提出。其具有分类精度高、速度快且泛化性能好的特点，在生理信号分类中获得非常优异的效果，特别适合大数据集的分类。目前的极限学习机以有监督的训练为主，而半监督极限学习机的研究也已经初步开展。与其他机器学习方法相比，半监督极限学习机能够显著提高学习的速度，同时受无标记样本比例变化的影响较小，在无标记样本比例增大的情况下仍能取得较高的分类精度。此外半监督极限学习机能够有效地发掘睡眠数据中无标记样本中的有用信息，并在一定程度上抑制样本扩充带来的不确定性增加等问题，从而提高对睡眠数据的分类精度,这对睡眠状态分类算法的研究与发展有建设意义。 针对睡眠数据所特有的标记样本少，长时间数据量大的特点，本课题将研究半监督极限学习机算法，并将其应用于睡眠状态的计算机辅助分期。 二、课题研究现状及发展趋势
准确的睡眠分期是进行睡眠质量评价和相关疾病诊断的重要依据。对睡眠质量进行准确客观的评价，探索改善人们睡眠质量的更加安全有效的新方法是医学和生物医学工程的重要课题，具有重要的实用价值和社会价值。 上世纪60年代,美国加州大学脑研究所将人的睡眠分为6期即:睡醒(SW),非快速眼动期(NREM)和快速眼动期(REM),其中NREM又可分为浅睡期(包括S1,S2)和深度睡眠(包括S3,S4)。那时最可信的睡眠分期方法是通过经验丰富的专家对被测者整晚的睡眠脑电信号进行人工分期。但是这种方法对专家的知识和经验水平提出了较高要求，并且费时费力，工作量大。所以从70年代开始，人们一直致力于寻找一种可代替人工的基于计算机的自动睡眠分期方法。而已有的自动睡眠分期方法大都以脑电信号为主， 主要采用的分类器是较传统的BP神经网络分类器，支持向量机（SVM）等。
二十一世纪初期，极限学习机（ELM）的概念被提出，与其它学习算法相比，它在正则化最小二乘问题方面拥有更好的表现。极限学习机只需要设置网络的隐层节点个数，在算法执行过程中不需要调整网络的输入权值以及隐元的偏置，并且产生唯一的最优解，因此具有学习速度快且泛化性能好的优点，这使其在具有复杂、非平稳性的生理信号的分类中拥有良好的表现。 睡眠分期数据具有已标记样本稀少而无标样本的获得非常廉价的特点，而半监督算法，可以利用少量的有标样本保证学习模型的正确率，同时最大效率的利用未标记样本来改善有标样本过少造成的分类效果不佳，从而改善分类学习模型的性能，提高学习系统的分类性能。由于半监督算法的这些特点，使其非常适用于睡眠状态分类领域。常用的半监督学习算法主要有拉普拉斯支持向量机（LapSVMs），拉普拉斯正则化最小二乘法（LapRLS），半监督神经网络（SSNNs）等。 自极限学习机算法提出以来，其应用领域不断扩大的同时算法也在得到不断改进发展。有以EM-ELM、CEOS-ELM为代表的在线序列极限学习机算法，也有基于监督聚类的极限学习机增量学习算法等。由于极限学习机在训练时不需要调整输入权值和偏置，参数选择较为简单，整个过程不需要迭代，所以 ELM 算法最为突出的的优点就是，它的速度非常的快。训练速度得到显著提升。速度提升的同时算法结果也得到较好保证。目前极限学习机已成为在以脑电信号分类为代表的许多生理信号分类领域的重要的机器学习算法之一，其表现甚至优于传统的支持向量机。与此同时，半监督极限学习机（SS-ELM）的研究也得到了很大的发展，其主要是通过多种正则化的组成来在有标记数据不足的情况下利用未标记数据提高分类的准确度，它几乎拥有极限学习机的所有优点。在各种各样的数据集上，当辅助的未标记数据可以被利用时，SS-ELM的表现优于诸如SVMs和ELMs的全监督学习算法。与一些先进的半监督学习算法比较，在处理多级分类问题时，SS-ELM需要的训练时间也显著较少。 针对用于睡眠分期的数据的复杂性，特殊性，已有标记样本稀少而无标样本的获得非常廉价的情况，半监督极限学习机无疑是一个很好的学习算法，它将半监督学习与极限学习机的优点相结合，在节省人力物力资源的同时有效地提高了分期的正确性。因此，将半监督极限学习机用于生理信号分类将是一个研究的趋势，其在该领域的应用前景也非常广阔。 三、研究内容及研究目标
主要内容： 1. 研究半监督学习的原理、极限学习机原理和基于Laplacian正则的半监督极限学习机算法。 2. 研究基于半监督极限学习机的睡眠状态的计算机辅助分期。
目的：通过本次毕业设计，学生能对Matlab编程有一定的掌握，了解半监督学习的基本原理，极限学习机原理和基于Laplacian正则的半监督极限学习机算法，并基于此算法实现睡眠状态的计算机辅助分期。
四、预计的研究难点
1. 脑电信号特征提取 2. Laplacian正则的半监督极限学习机算法的编程。 3. 如何利用该算法实现睡眠状态的计算机辅助分期。
五、创新点
1. 基于Laplacian正则的半监督极限学习机算法应用于脑电信号的睡眠状态的计算机辅助分期。 六、进度计划
1月19 日～1月31日 确定任务，阅读资料，完成翻译，学习Matlab编程 2月1日～3月31日 实现基于Matlab的信号读入与显示的界面，学习脑电信号特征提取 4月1 日～4月31日 学习基于Laplacian正则的半监督极限学习机算法，中期检查 5月1 日～5月15日 实现基于Laplacian正则的半监督极限学习机算法的编程 5月16 日～5月31日 实现基于半监督极限学习机算法的睡眠状态计算机辅助分期 6月1 日～6月26日 完善程序，撰写完成论文，成果检查，论文答辩
七、资料来源
[1] 李谷, 范影乐, 李轶, 庞全. 基于脑电信号Hilbert-Huang变换的睡眠分期研究 [J]. 航天医学与医学工程, 2007, 20(6): 458-463. [2] 刘建伟, 刘媛, 罗雄麟. 半监督学习方法 [J]. 计算机学报. 2014, 37: 1-37. [3] Huang GB, Zhu QY, Siew CK. Extreme learning machine: theory and applications [J]. Neurocomputing. 2006, 70(1-3): 489-501. [4] Huang G, Song S, Gupta JND, Wu C. Semi-supervised and unsupervised extreme learning machines [J]. IEEE Transaction on Cybernetics. 2014. [5] 唐晓亮, 韩敏. 一种基于极端学习机的半监督学习方法[J]. 大连理工大学学报, 2010 (5): 771-776. [6] 张泾周,周钊,滕炯华,苗治平.基于神经网络的睡眠分期处理算法研究[J].计算机仿真,2010,08:141-144.2011.
指导教师意见：（对课题的认可意见）
指导教师: 2015 年1 月20 日 系（教研室）审查意见：
系（教研室）负责人： 2015 年1月 21 日
教务处制
