用于轻度认知障碍诊断的EEG数据识别方法研究

发布时间：2021-04-20 19:59

　　作为阿尔兹海默症（Alzheimers Disease,AD）的前期阶段,轻度认知障碍（Mild Cognitive Impairment,MCI）的诊断日益受到社会各界的广泛关注。其中,脑电（electroencephalogram,EEG）数据的耦合特征成为了AD和MCI早期识别的重要生物标记。但是目前的方法大多只针对两两脑区之间的耦合关系,较少考虑其他通道对这耦合关系的影响,基于此本文提出了一种多维EEG信号耦合特征提取方法并通过实验找到了最适合用于此特征分类的快速学习网（fast learning network,FLN）分类器。首先,本文研究了与排序条件互信息耦合特征最佳组合的FLN分类方法。将排序条件互信息（permutation conditional mutual information,PCMI）提取到的耦合特征输入到多种主流分类器中,对具有遗忘性轻度认知障碍（amnestic Mild Cognitive Impairment,aMCI）的II型糖尿病（type 2 diabetes mellitus,T2DM）患者与对照（NC）组不同脑区不同频段的EEG信号进行分... 

【文章来源】：燕山大学河北省

【文章页数】：85 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题背景及研究的目的与意义
    1.2 国内外研究现状
        1.2.1 MCI脑电数据分类研究现状
        1.2.2 MCI脑电信号耦合特征分析研究现状
    1.3 本文的研究目标与主要研究内容
    1.4 本文的组织结构
第2章 脑电数据识别方法基础
    2.1 常用脑电信号分类的基本方法
        2.1.1 快速学习网络FLN
        2.1.2 极限学习机ELM
        2.1.3 支持向量机SVM
        2.1.4 BP神经网络
    2.2 常用耦合特征提取的基本方法
        2.2.1 PCMI方法
        2.2.2 GCA方法
        2.2.3 MVGC方法
    2.3 本章小结
第3章 基于PCMI与FLN的EEG数据分类方法
    3.1 PCMI与传统分类器构成最优分类方法实验
        3.1.1 受试者样本
        3.1.2 预处理
        3.1.3 实验过程
    3.2 本章小结
第4章 基于MPCMI的EEG数据耦合特征提取方法
    4.1 MPCMI方法
    4.2 模型仿真分析
        4.2.1 多通道神经元群模型
        4.2.2 仿真数据实验
    4.3 MCI真实EEG数据实验
        4.3.1 样本
        4.3.2 预处理过程
        4.3.3 分类实验过程
    4.4 本章小结
第5章 基于MPCMI的EEG信号分类方法
    5.1 基于PCMI的EEG信号分类方法实验结果与分析
        5.1.1 alpha1频段结果
        5.1.2 alpha2频段结果
    5.2 基于MPCMI的EEG信号耦合特征仿真实验结果与分析
        5.2.1 延迟时间与嵌入维数对MPCMI与PCMI方法的影响
        5.2.2 耦合系数对MPCMI、PCMI、MVGC与GCA方法的影响
        5.2.3 频段对MPCMI、PCMI、MVGC与GCA方法的影响
        5.2.4 噪声对MPCMI、PCMI、MVGC与GCA方法的影响
        5.2.5 基于MNMM模型的对比实验结果分析
    5.3 基于MPCMI的真实EEG信号分类方法实验结果
        5.3.1 alpha1频段
        5.3.2 alpha2频段
        5.3.3 基于MPCMI的真实EEG信号分类方法实验结果分析
    5.4 本章小结
结论
参考文献
攻读硕士学位期间承担的科研任务与主要成果
致谢


【参考文献】：
期刊论文
[1]Multi-channel neural mass modelling and analyzing[J]. CUI Dong 1 , LI XiaoLi 2 , JI XueQing 3 & LIU LanXiang 3 1 Institute of Information Science and Engineering, Yanshan University, Qinhuangdao 066004, China; 2 Institute of Electrical Engineering, Yanshan University, Qinhuangdao 066004, China; 3 The No.1 Hospital of Qinhuangdao, Qinhuangdao 066000, China.  Science China（Information Sciences）. 2011(06)

博士论文
[1]新型人工智能技术研究及其在锅炉燃烧优化中的应用[D]. 李国强.燕山大学 2013



本文编号：3150305