基于小波变换的癫痫信号检测算法

发布时间：2020-05-22 16:50

【摘要】：癫痫是一种常见的慢性脑部神经系统疾病,发作诱因是大脑内部神经元细胞突发性异常放电,是神经科疾病中仅次于脑血管疾病的第二大顽疾。癫痫在发作期间通常有以下几种异常症状:痉挛现象、意识模糊且伴有间歇的、僵直性的短暂运动、突发性晕厥、四肢抽搐和口吐白沫等。研究癫痫信号对于诊断癫痫、定位癫痫致病灶、分辨癫痫的发作类型以及降低癫痫患者的发作频率和癫痫致残、致死的发生率有着重要的意义。经研究,本文提出了一种基于小波变换的癫痫信号检测算法。算法分为癫痫信号预处理、特征提取与癫痫信号检测分类三部分。本算法采用改进小波阈值函数去除癫痫信号中的伪差信号;融合小波变换多分辨率分析和非线性动力学相关算法提取癫痫脑电信号特征;以及利用支持向量机中非线性分类器对癫痫信号进行检测分类。本算法具体研究工作分为以下三方面:首先,研究小波阈值并构造了改进小波阈值函数用于癫痫信号去噪。根据癫痫信号特征波与小波基之间的相似度,选择合适的小波基函数和分解尺度对信号作离散小波变换。然后提取细节系数并作阈值量化处理,最后根据小波系数重构癫痫信号。通过分析去噪前后信噪比和最小均方差,改进阈值函数去躁后的信噪比更大,均方根误差更小,相较于软、硬阈值函数的信噪比至少提高9%,而均方根误差至少降低了19%。其次,针对癫痫脑电信号的非平稳特性选用非线性动力学算法进行癫痫信号特征提取。本文提出了一种融合小波变换多分辩率分析、Teager能量算子和样本熵三种算法的癫痫信号特征提取算法。通过将癫痫信号进行小波变换提取特定频率范围内的信号,经Teager能量算子处理后做样本熵分析,得到癫痫信号的非线性特征。通过分析正常脑电信号与癫痫信号间的样本熵差异,此特征提取算法效果较好可行。最后,采用支持向量机对癫痫信号进行分类。根据提取的特征向量选定训练集与测试集,利用支持向量机中非线性分类器对特征向量进行分类。针对惩罚参数与核函数参数,本文通过遗传算法进行参数寻优。仿真结果表明,此时对正常脑电和癫痫信号的训练集分类精度最高,达到96.667%,其中癫痫信号的分类准确率为91.667%,癫痫信号检测分类效果最好。
【学位授予单位】：江苏科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R742.1;TN911.23

【相似文献】

相关期刊论文 前10条

1 刘景良;郑锦仰;郑文婷;黄文金;;基于改进同步挤压小波变换识别信号瞬时频率[J];振动.测试与诊断;2017年04期

2 东方;;基于离散小波变换的方波消噪[J];科技风;2015年11期

3 任艳;;基于小波变换模极大值原理的变电站变压器保护研究[J];科学家;2017年11期

4 罗山;;基于方向小波变换的图像边缘检测[J];攀枝花学院学报;2014年05期

5 毛永芳;秦毅;汤宝平;;过完备有理小波变换在轴承故障诊断中的应用[J];振动.测试与诊断;2011年05期

6 王北镇;郭志强;;5/3提升小波变换的仿真与FPGA实现[J];电脑知识与技术;2010年02期

7 邢晨;王洪发;于锋;;基于离散小波变换的水文序列相似查找[J];科技信息;2010年23期

8 沈峰;黄勇;庄锁法;赵艳红;;一种提升小波变换的VLSI结构设计[J];电脑知识与技术;2010年34期

9 高志荣;熊承义;;提升小波变换的并行处理与高速实现[J];光电工程;2009年08期

10 汤伟;龚剑国;;基于提升小波变换的图像融合规则综述[J];电脑知识与技术;2008年31期

相关会议论文 前10条

1 骆少明;张湘伟;;小波变换在随机振动测试信号分析中的应用[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

2 曹思远;牟永光;;小波变换与信号分解[A];1992年中国地球物理学会第八届学术年会论文集[C];1992年

3 汤红诚;李著信;;小波变换在故障诊断中应用[A];中国仪器仪表学会第五届青年学术会议论文集[C];2003年

4 吴其前;陈亮;张雄伟;;离散小波变换的FPGA实现[A];第九届全国青年通信学术会议论文集[C];2004年

5 朱光明;高静怀;王玉贵;;小波变换及其在一维滤波中的应用[A];1992年中国地球物理学会第八届学术年会论文集[C];1992年

6 李正东;何武良;郑晓东;宋琛;彭文;成家源;裴春兰;;小波变换在图像目标识别中的应用[A];中国工程物理研究院科技年报（2000）[C];2000年

7 张国星;韩世全;;小波变换滤波在连铸坯材料超声检测中的应用[A];中国声学学会2003年青年学术会议[CYCA'03]论文集[C];2003年

8 孔月萍;曾平;韦素媛;江永林;;小波变换在遥感图像编码中的应用[A];全国第13届计算机辅助设计与图形学（CAD/CG）学术会议论文集[C];2004年

9 朱煜;汪奇;肖玉玲;;基于CURVELET变换的图象去噪研究[A];第十三届全国图象图形学学术会议论文集[C];2006年

10 贺良华;王国玮;;基于小波变换的儿童脑电信号分析与识别[A];第37届中国控制会议论文集（C）[C];2018年

相关重要报纸文章 前1条

1 吴玉田殷学平;中药质量控制又添新武器——小波变换近红外光谱分析系统[N];中国医药报;2004年

相关博士学位论文 前10条

1 陈多;基于小波变换的癫痫脑电信号分析[D];东南大学;2017年

2 熊智新;基于小波变换的化学谱图数据处理[D];浙江大学;2004年

3 高广春;第二代小波变换理论及其在信号和图像编码算法中的应用[D];浙江大学;2004年

4 张郑擎;基于小波变换的图象/视频压缩编码及其数字水印嵌入方法的研究[D];上海大学;2001年

5 王青海;基于视觉特性的小波变换编码及图象质量评价方法的研究[D];上海大学;2004年

6 李旭超;小波变换和马尔可夫随机场在图像降噪与分割中的应用研究[D];浙江大学;2006年

7 董卫军;基于小波变换的图像处理技术研究[D];西北大学;2006年

8 王丽荣;基于小波变换的目标检测方法研究[D];吉林大学;2006年

9 明星;虹膜识别技术中小波变换的应用原理与方法[D];吉林大学;2006年

10 聂磊;小波变换用于重叠化学信号的分辨研究[D];中国科学技术大学;2002年

相关硕士学位论文 前10条

1 曹志威;基于小波变换的谐波分析方法研究[D];陕西科技大学;2019年

2 吴浩博;基于小波变换和样本熵的癫痫信号分类研究[D];兰州大学;2019年

3 吕健;基于小波变换的癫痫信号检测算法[D];江苏科技大学;2019年

4 石万;基于EMD和小波变换的结构损伤识别方法研究[D];郑州大学;2019年

5 王浩;基于小波变换的高光谱遥感图像融合研究[D];南昌航空大学;2019年

6 潘明一;基于小波变换的输电线路故障测距研究[D];哈尔滨理工大学;2019年

7 李毅;基于交叉小波变换的心电信号心拍自动分类算法研究[D];河北大学;2019年

8 付骁;母胎心电信号分离算法的研究[D];哈尔滨理工大学;2019年

9 赵s，

本文编号：2676301