基于ITD方法的癫痫脑电信号的识别与分类
发布时间：2022-01-16 03:48
随着现代信息技术与生物神经科学的快速发展,基于脑电、心电等一系列电生理信号的相关研究逐渐引起医学领域和机器学习领域的高度关注.脑电信号是人体最为重要的电生理信号之一,脑电信号中含有大量的生理病理信息,在人脑疾病如癫痫、抑郁症、阿尔兹海默症等的诊断方面起至关重要的作用;另一方面,脑电信号的获取方便、无创伤、花费低,因此对脑电信号的研究受到越来越多学者的关注.本文对脑电信号研究的主要工作如下.一方面,提出基于全变差正则化与非抽样小波变换相结合的去噪模型.噪声的去除是进行脑电信号识别与分析处理的首要环节,全变差正则化一般在图像处理领域应用比较广泛,它在去除噪声的同时可以很好的保护图像的边缘信息.而小波变换具有多分辨分析的特点,具有时频局部性,因此很适合分析脑电信号这类非线性非平稳信号,但是应用小波变换去噪在信号的边缘处容易引起局部振荡.本文将全变差正则化与小波分解相结合,给出一种新的去噪模型,并应用分裂Bregman迭代算法进行模型求解.在实验部分,与已有方法相比较本文方法有明显优势,并将其应用于脑电信号去噪可明显改善其信噪比.另一方面,提取一组新的特征用于癫痫脑电信号的分类.基于脑电信号非...
【文章来源】：河南大学河南省
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
图２－２?ＳＶＭ训练分类器．??
如果样本数据线性不可分，可以应用变换函数把原来空间映射为某一更高维的空间，使??得在新映射空间中把原本线性不可分问题变为线性可分问题．ＳＶＭ分类的复杂程度取决??于支撑向量的数目．由原来线性不可分的空间投影到高维空间的示意图如图２－３所示．??个??＇Ｘ??＼??〇?〇?＼?＼??〇?Ｘ?ｘ＇?〇?＼?°?门?ｐ??〇?Ｘ?Ｘｖｙ?ＸＸ?＇?°°?〇〇?０??Ｘ?Ｘ＇。——＞?＂ｘ＞，?〇?〇６＇?〇??〇?ｘ?ｘ?＾?ｘ?＼〇??＾?ｙ?Ｘ?〇?ｙ＾?＼?＼?＼—■??〇?二＾?Ｘ?＾?ｘ?ｘ?＼??〇?〇?〇?ｉ?＼?分ｐＫｆ平ｉｌｌ??Ｖ??图２－３投影后线性可分示意图．??这种非线性变换一般都是通过定义一定的核函数来实现的，通过线性核函数将原来??的空间映射到一个高维空间的映射过程如下：??原线性不可分空间的分类函数如式（２－３９）所示：??ｎ??ｆ（ｘ）?＝?ｓｇｎ（（ｗ＊）ｒｘ?＋?ｂ＊）?＝?ｓｇｎ（?＾?ａ＊ｙｊＸ＊ｘ?＋?ｂ＊）．?（２－３９）??；＝ｉ??映射为式（２－４０）??１１??／（ｘ）?＝?ｓｇｎ［（ｗ＊）ｒ０（ｘ）?＋?Ｚ？＊］?＝?ｓｇｎ（＾?ａ＊ｙｉＫ｛Ｘｉ，ｘ）?＋?ｂ＊）．?（２－４０）??ｉ＝＼??其中尤Ｕ＿，Ｘ）为核函数，ＳＶＭ分类器在样本数据线性不可分的情况下，通常使用核函数进??行投影，将样本数据线性不可分问题变为投影后高维空
?（ｂ）??图３－１测试信号ｂｕｍｐｓ信号、ｈｅａｖｉｓｉｎｅ信号．??其中图３－１（ａ）是ｂｕｍｐｓ信号，ｂｕｍｐｓ信号下方是在原始信号中人为混入信噪比为３．０的高??斯白噪声，图３－ｌ（ｂ）是ｈｅａｖｉｓｉｎｅ信号ｈｅａｖｉｓｉｎｅ信号下方是在原始信号中人为加入了信噪??比为６．０的高斯白噪声．??针对ｂｕｍｐｓ这一测试信号，本文所提出的去噪方法ＷＴＶ与非抽样小波变换的软阈值??去噪．非抽样小波变换的硬阈值去噪以及ＴＶ去噪１１２１进行实验对比，去噪前后的对比信号如??图３－２所示．??ｎｏｃｓｃ?ＳＭｊｒｔａｌ?ｂｕｍｐｓ?ｄｅａｎ?ｂｕｍｐｓ?ｘ??１〇??????１０?????－５???－５???０?１００？００?３００?４００５（？６００?／００?８００９００?１０００?０?２００?４００?６００?８００?１０００?１２００??硬阎值处理（ＲＭＳＥ＝０?１７８５）?ＴＶ?去嶁（ＲＭＳＥ＾Ｏ?２２２４?）??１０??１０???５．?！少’，?．?５＇??＿５??；?????．?????＿５?????????０?１００?２００?３００?４００?５００?ＧＯＤ?７００?８００?９００?１０００?０?２００?４００?６００?８００?１０００?１２００??软阈值处理（ＲＭＳＥ＝０?１５６９）?ＷＴＶ?去唼（ＲＭＳＥ＝０?０４３７??１０???????１０????５＇?Ｉ
【参考文献】：
期刊论文
[1]小波阈值去噪法的深入研究[J]. 陈晓曦,王延杰,刘恋. 激光与红外. 2012(01)
[2]一种基于ITD算法的直扩信号检测算法[J]. 安金坤,田斌,孙永军,易克初,于全. 电子与信息学报. 2010(05)
[3]基于AR模型的小波变换在脑电信号消噪中的应用[J]. 吴平,陈心浩. 现代电子技术. 2006(10)
[4]基于小波变换的脑电信号噪声消除方法[J]. 吴小培,冯焕清,周荷琴,王涛. 电路与系统学报. 2000(03)
博士论文
[1]癫痫脑电的分类识别及自动检测方法研究[D]. 袁琦.山东大学 2014
硕士论文
[1]离散型次序统计量的相关性[D]. 耿爱香.大连理工大学 2009
本文编号：3591875
【文章来源】：河南大学河南省
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
图２－２?ＳＶＭ训练分类器．??
如果样本数据线性不可分，可以应用变换函数把原来空间映射为某一更高维的空间，使??得在新映射空间中把原本线性不可分问题变为线性可分问题．ＳＶＭ分类的复杂程度取决??于支撑向量的数目．由原来线性不可分的空间投影到高维空间的示意图如图２－３所示．??个??＇Ｘ??＼??〇?〇?＼?＼??〇?Ｘ?ｘ＇?〇?＼?°?门?ｐ??〇?Ｘ?Ｘｖｙ?ＸＸ?＇?°°?〇〇?０??Ｘ?Ｘ＇。——＞?＂ｘ＞，?〇?〇６＇?〇??〇?ｘ?ｘ?＾?ｘ?＼〇??＾?ｙ?Ｘ?〇?ｙ＾?＼?＼?＼—■??〇?二＾?Ｘ?＾?ｘ?ｘ?＼??〇?〇?〇?ｉ?＼?分ｐＫｆ平ｉｌｌ??Ｖ??图２－３投影后线性可分示意图．??这种非线性变换一般都是通过定义一定的核函数来实现的，通过线性核函数将原来??的空间映射到一个高维空间的映射过程如下：??原线性不可分空间的分类函数如式（２－３９）所示：??ｎ??ｆ（ｘ）?＝?ｓｇｎ（（ｗ＊）ｒｘ?＋?ｂ＊）?＝?ｓｇｎ（?＾?ａ＊ｙｊＸ＊ｘ?＋?ｂ＊）．?（２－３９）??；＝ｉ??映射为式（２－４０）??１１??／（ｘ）?＝?ｓｇｎ［（ｗ＊）ｒ０（ｘ）?＋?Ｚ？＊］?＝?ｓｇｎ（＾?ａ＊ｙｉＫ｛Ｘｉ，ｘ）?＋?ｂ＊）．?（２－４０）??ｉ＝＼??其中尤Ｕ＿，Ｘ）为核函数，ＳＶＭ分类器在样本数据线性不可分的情况下，通常使用核函数进??行投影，将样本数据线性不可分问题变为投影后高维空
?（ｂ）??图３－１测试信号ｂｕｍｐｓ信号、ｈｅａｖｉｓｉｎｅ信号．??其中图３－１（ａ）是ｂｕｍｐｓ信号，ｂｕｍｐｓ信号下方是在原始信号中人为混入信噪比为３．０的高??斯白噪声，图３－ｌ（ｂ）是ｈｅａｖｉｓｉｎｅ信号ｈｅａｖｉｓｉｎｅ信号下方是在原始信号中人为加入了信噪??比为６．０的高斯白噪声．??针对ｂｕｍｐｓ这一测试信号，本文所提出的去噪方法ＷＴＶ与非抽样小波变换的软阈值??去噪．非抽样小波变换的硬阈值去噪以及ＴＶ去噪１１２１进行实验对比，去噪前后的对比信号如??图３－２所示．??ｎｏｃｓｃ?ＳＭｊｒｔａｌ?ｂｕｍｐｓ?ｄｅａｎ?ｂｕｍｐｓ?ｘ??１〇??????１０?????－５???－５???０?１００？００?３００?４００５（？６００?／００?８００９００?１０００?０?２００?４００?６００?８００?１０００?１２００??硬阎值处理（ＲＭＳＥ＝０?１７８５）?ＴＶ?去嶁（ＲＭＳＥ＾Ｏ?２２２４?）??１０??１０???５．?！少’，?．?５＇??＿５??；?????．?????＿５?????????０?１００?２００?３００?４００?５００?ＧＯＤ?７００?８００?９００?１０００?０?２００?４００?６００?８００?１０００?１２００??软阈值处理（ＲＭＳＥ＝０?１５６９）?ＷＴＶ?去唼（ＲＭＳＥ＝０?０４３７??１０???????１０????５＇?Ｉ
【参考文献】：
期刊论文
[1]小波阈值去噪法的深入研究[J]. 陈晓曦,王延杰,刘恋. 激光与红外. 2012(01)
[2]一种基于ITD算法的直扩信号检测算法[J]. 安金坤,田斌,孙永军,易克初,于全. 电子与信息学报. 2010(05)
[3]基于AR模型的小波变换在脑电信号消噪中的应用[J]. 吴平,陈心浩. 现代电子技术. 2006(10)
[4]基于小波变换的脑电信号噪声消除方法[J]. 吴小培,冯焕清,周荷琴,王涛. 电路与系统学报. 2000(03)
博士论文
[1]癫痫脑电的分类识别及自动检测方法研究[D]. 袁琦.山东大学 2014
硕士论文
[1]离散型次序统计量的相关性[D]. 耿爱香.大连理工大学 2009
本文编号：3591875
本文链接：https://www.wllwen.com/kejilunwen/wltx/3591875.html
