基于脑电信号的癫痫疾病智能诊断与研究

发布时间：2020-10-16 08:58

　　 癫痫是一种脑内神经元异常放电,导致部分或整个脑功能障碍的慢性疾病,脑电图蕴含丰富的大脑机能信息,对癫痫疾病诊断具备很高的参考价值。在传统诊断过程中,医生需要收集患者一天或者多天的脑电数据,大量的脑电数据使得医务人员劳动强度增加,检测效率降低,而且医务人员可能受主观因素干扰,存在检查标准不一的弊端。因此,对癫痫疾病的智能诊断变得尤为重要。目前国内外学者对癫痫疾病诊断做出一些研究分析,但仍存在分类类别少,分类准确率低的问题。本文提出了基于小波分析,线性与非线性特征提取,特征向量系数分配,支持向量机,粒子群算法等技术的脑电分类方法。实验表明,本文所用的方法能够有效地把脑电数据分类成健康期,癫痫发作间歇期,癫痫发作期不同阶段,而且分类准确率有较大提升。本文具体内容:首先,论述了癫痫疾病智能诊断的国内外现状,对比各种研究方法的优缺点;脑电信号的种类以及癫痫脑电特征波形及频率分布。其次,介绍了癫痫脑电数据来源及小波变换预处理。将原始脑电信号经小波5层分解后,获得癫痫特征频段内的脑电信号。再次,提取癫痫特征频段内的线性与非线性特征,主要包括波动系数、近似熵、样本熵。作为本文的一个重要创新,根据不同状态、不同尺度脑电信号能量分布,调整特征向量系数,使得能量占比高的癫痫特征频段系数变高,能量占比低的癫痫特征频段系数变低,系数分配后构成最终的特征向量。最后,本文给出七种实验方案,利用支持向量机对脑电信号进行分类诊断,并且使用三种核函数,设置系数前后的特征向量,粒子群算法优化支持向量机。本文方法取得了良好实验效果,分类准确率达到99.83%。本文实验结果与其它文献进行对比,不仅将脑电信号分成三种类别而且提高了分类准确率,为后续研究提供一种新思路。在文章最后设计了该智能诊断系统的操作界面,该界面主要目的是简化操作步骤,利于观察实验仿真结果,使其在实际操作中能够得到广泛应用。
【学位单位】：哈尔滨理工大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TN911.7;R742.1
【部分图文】：

-19-图 3-1 混合特征构建过程Fig. 3-1 Hybrid feature construction process构建步骤如下：数据，选择实验样本，如 2.1 节所述，本最终选取了数据集 A、数据集 D、数据集集中的数据进行 5 层小波分解与重构，去数据；理数据后，根据公式(3-1)计算出 EEG 序]5 ,FI；(3-8)和公式(3-11)计算出 EEG 序列的近似]2 5En , ,ApEn， [ 1 2SampEn = SampEn , SampEn

形和圆形代表不同样本，H 为最优分类过支持向量的直线，H1与 H2的距离为分类最优分类线的常数项。所谓最优分类线，的数据，又能把分类间隔2 w 扩展到最大处使用最优分类线进行讲解，最优分类面本 {( , )}, 1,2,i iT = x y i = len，nix ∈ R表示练标签，len 为训练样本的个数。存在一个w x + b= 0分类面 H，可以区分两种类型的样本数据f ( x )= w x + b，那么 x 是位于分类面上的点；如果 f ( x )f ( x ) > 0，那么ix 对应的标签iy 为 1，至此样本都可以正确分类，测试样本应符合下

核函数映射
【参考文献】

相关期刊论文 前10条

1 张涛;陈万忠;李明阳;;基于AdaBoost算法的癫痫脑电信号识别[J];物理学报;2015年12期

2 王道明;鲁昌华;蒋薇薇;肖明霞;李必然;;基于粒子群算法的决策树SVM多分类方法研究[J];电子测量与仪器学报;2015年04期

3 王芸;吴琦;周卫东;袁莎莎;袁琦;;基于推土机距离和支持向量机的脑电癫痫检测算法(英文)[J];Journal of Measurement Science and Instrumentation;2014年03期

4 王杰;李牧潇;;改进的极限学习机在癫痫脑电分类中的应用[J];计算机仿真;2014年06期

5 孟庆芳;陈珊珊;陈月辉;冯志全;;基于递归量化分析与支持向量机的癫痫脑电自动检测方法[J];物理学报;2014年05期

6 庞春颖;王小甜;孙晓琳;;一种基于改进经验模态分解的癫痫脑电识别新方法[J];中国生物医学工程学报;2013年06期

7 袁琦;周卫东;李淑芳;蔡冬梅;;基于ELM和近似熵的脑电信号检测方法[J];仪器仪表学报;2012年03期

8 梁雪春;龚艳冰;肖迪;;一种多核加权支持向量机的水质预测方法[J];东南大学学报(自然科学版);2011年S1期

9 周川;刘畅;伍星;迟毅林;;基于EMD和自适应形态滤波的解调方法及其应用研究[J];机械科学与技术;2011年08期

10 白冬梅;邱天爽;李小兵;;样本熵及在脑电癫痫检测中的应用[J];生物医学工程学杂志;2007年01期

相关博士学位论文 前1条

1 汪春梅;癫痫脑电信号特征提取与自动检测方法研究[D];华东理工大学;2011年

相关硕士学位论文 前6条

1 刘国权;基于发作间期EEG的癫痫自动诊断系统的研究与设计[D];南京邮电大学;2016年

2 王银辉;基于EMD和混合特征的癫痫脑电信号识别研究[D];大连理工大学;2016年

3 冯爱玲;基于短时傅里叶变换的胎心率检测算法与实现[D];广东工业大学;2014年

4 张强;基于熵测度与支持向量机的脑电信号分类方法研究[D];山东大学;2014年

5 赵建林;癫痫脑电信号识别算法及其应用[D];山东大学;2010年

6 孙刚;基于支持向量机的多分类方法研究[D];大连海事大学;2008年

本文编号：2843047