基于肢端动作信号的癫痫发作识别研究
发布时间：2021-01-24 20:58
癫痫病目前是世界上第二大神经系统疾病,如今我国癫痫病患者人数也在逐年增加。癫痫病的发作反复而突然,并且伤害隐患极大,许多家庭因此而不堪重负,急需要一种能够快速有效的识别检测预警方法。传统的癫痫病检测识别是通过脑电信号来进行判断,但脑电信号的检测往往脱离不了病房的医疗设备,所以在空间性要求和便利性上有所局限。近年来,因为基于肢端动作信号的运动姿态识别技术和可穿戴式设备领域的迅猛发展,人们试图通过肢端动作信号来找到这样一种能够快速有效识别癫痫发作的技术方法。在此背景下,本文提出了一种基于肢端动作信号的癫痫发作识别方案。1.详细介绍目前关于癫痫病发作识别的国内外研究现状,并对其进行深入分析,阐述本次基于肢端动作信号的癫痫发作识别研究的设计方案与具体流程;2.采集数据,并对采集到的原始数据进行数据预处理和特征提取,以此来得到可用的训练集与测试集数据格式;3.阐述逻辑回归、支持向量机、随机森林等三种分类算法的理论基础,并依此进行模型构建,通过实验对比分析,得到最适用于本课题的分类器算法;4.对得到的实验结果进行对比分析,综合考虑后提出一种符合性能指标要求、快速有效的基于肢端动作信号的癫痫发作识别...
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
KinetiGraph手环而在癫痫发作识别监测领域，美国企业Empatica则走在了国际研究的前
哈尔滨工业大学工程硕士学位论文-10-者PC端，以便后续的数据处理和机器学习在线诊断。而此处为了解决不稳定传感器的异步传输丢包问题，考虑到传感器性能频率大于实验所需要的频率，本课题应用缓存队列重采样的方式，从芯片中划出一定的异步队列对传感器采集来的数据进行缓存操作，输入数据可以是不稳定频率的数据，但输出端输出或者蓝牙传输的是固定采样频率的数据包。由于考虑到整体设备的功耗，本次数据采集三轴加速度传感器、皮电信号、体温信号、心率信号的采集频率均为低频率采集。不同的传感器采样数据不同，但采样格式保持一致，以三轴加速度为例，每个采样点记录采样时间、三轴加速度数据，采样格式为<X轴加速度，Y轴加速度，Z轴加速度，采样日期，采样时间>，另外几个数据的采样格式为<皮肤体温，皮肤电，心率，采样日期，采样时间>。数据格式示例如表2-1所示。表2-1采样数据示例xAccelyAccelzAcceldataTimedataTime0.023-0.036-0.0182018/8/180:25:000.023-0.031-0.0192018/8/180:25:000.021-0.036-0.0072018/8/180:25:000.022-0.034-0.0142018/8/180:25:000.019-0.032-0.0072018/8/180:25:000.022-0.036-0.0182018/8/180:25:01skinTemskinImHeartRatedataTimedataTime33.35955.271.142018/8/180:25:0033.35947.371.022018/8/180:25:0133.315947712018/8/180:25:0233.295948712018/8/180:25:03本次课题的数据采集是在2018年8月从国内著名癫痫医院采集而来。考虑到病人发作时会伴随的肌肉强直或不受控的抽搐，所以把检测装置紧紧戴在手腕处进行数据采集。采集数据的现场如图2-1所示。图2-1采集数据现场
哈尔滨工业大学工程硕士学位论文-11-由图2-1我们可以看到，在用腕带式癫痫检测装置进行数据采集时，病人同时也佩戴着专用的医疗仪器进行检测。所以我们本次采集的癫痫大发作GTCS的时间段分布，是由知名医生通过专业医用设备来进行配合标注的，数据来源真实可靠。具体发作数据如下图2-2所示。图2-2LJQ第2次GTCS发作数据在图2-2中，因为各维数据单位指标不同，所以只能把三轴加速度、皮电和心率、皮肤电信号分别进行展示。其中橙色的线框，就是医生配合脑电信号判断病人发作的起始时间段。由图2-2中易知，患者GTCS大发作时，三轴加速度的幅度和频率与平常表现都有明显的区别；体温、心率、皮肤电信号等则与平常表现没有明显区分。且在进行后续实验操作中我们发现，体温、心率、皮肤电信号因为表带设计的不合理，大多数病人佩戴检测装置时，装置不紧扣而导致与病人的手腕经常脱离，使得后三维信号跳跃严重，存在明显的失真现象，所以后续的实验预处理
【参考文献】：
期刊论文
[1]基于加速度传感器的运动步数检测算法研究[J]. 魏芬,邓海琴. 电子器件. 2016(05)
[2]数据挖掘中适用于分类的时序数据特征提取方法[J]. 林珠,邢延. 计算机系统应用. 2012(10)
博士论文
[1]基于脑电的癫痫预警及预警—抑制诊疗系统关键技术研究[D]. 祁玉.浙江大学 2015
[2]基于单个加速度传感器的人体运动模式识别[D]. 薛洋.华南理工大学 2011
[3]基于力学量信息获取系统的人体摔倒过程识别方法研究[D]. 佟丽娜.中国科学技术大学 2011
[4]智能空间中人的行为识别与理解[D]. 黄彬.山东大学 2010
硕士论文
[1]有限注意与A股市场股价回归预测[D]. 凤河.西安理工大学 2019
[2]基于机器学习的癫痫及精神异常脑电信息识别研究[D]. 郑天依.北京邮电大学 2019
[3]复杂度和时频分析在癫痫脑电信号诊断与发作预测中的应用研究[D]. 周梦妮.太原理工大学 2019
[4]穿戴式运动状态识别及心率监测的研究[D]. 郭贵昌.贵州大学 2019
[5]基于神经网络的癫痫发作预测[D]. 刘莉莉.北京工业大学 2018
[6]基于加速度传感器的游泳监测系统分析与实现[D]. 吴海龙.华南理工大学 2018
[7]基于多传感器的人体姿态识别系统[D]. 彭欣然.哈尔滨工业大学 2017
[8]基于Android的健康监测应用研究与实现[D]. 段豪.电子科技大学 2017
[9]随机森林算法的优化改进研究[D]. 马骊.暨南大学 2016
[10]基于深度学习的运动想象脑电分类[D]. 戴若梦.北京理工大学 2015
本文编号：2997920
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
KinetiGraph手环而在癫痫发作识别监测领域，美国企业Empatica则走在了国际研究的前
哈尔滨工业大学工程硕士学位论文-10-者PC端，以便后续的数据处理和机器学习在线诊断。而此处为了解决不稳定传感器的异步传输丢包问题，考虑到传感器性能频率大于实验所需要的频率，本课题应用缓存队列重采样的方式，从芯片中划出一定的异步队列对传感器采集来的数据进行缓存操作，输入数据可以是不稳定频率的数据，但输出端输出或者蓝牙传输的是固定采样频率的数据包。由于考虑到整体设备的功耗，本次数据采集三轴加速度传感器、皮电信号、体温信号、心率信号的采集频率均为低频率采集。不同的传感器采样数据不同，但采样格式保持一致，以三轴加速度为例，每个采样点记录采样时间、三轴加速度数据，采样格式为<X轴加速度，Y轴加速度，Z轴加速度，采样日期，采样时间>，另外几个数据的采样格式为<皮肤体温，皮肤电，心率，采样日期，采样时间>。数据格式示例如表2-1所示。表2-1采样数据示例xAccelyAccelzAcceldataTimedataTime0.023-0.036-0.0182018/8/180:25:000.023-0.031-0.0192018/8/180:25:000.021-0.036-0.0072018/8/180:25:000.022-0.034-0.0142018/8/180:25:000.019-0.032-0.0072018/8/180:25:000.022-0.036-0.0182018/8/180:25:01skinTemskinImHeartRatedataTimedataTime33.35955.271.142018/8/180:25:0033.35947.371.022018/8/180:25:0133.315947712018/8/180:25:0233.295948712018/8/180:25:03本次课题的数据采集是在2018年8月从国内著名癫痫医院采集而来。考虑到病人发作时会伴随的肌肉强直或不受控的抽搐，所以把检测装置紧紧戴在手腕处进行数据采集。采集数据的现场如图2-1所示。图2-1采集数据现场
哈尔滨工业大学工程硕士学位论文-11-由图2-1我们可以看到，在用腕带式癫痫检测装置进行数据采集时，病人同时也佩戴着专用的医疗仪器进行检测。所以我们本次采集的癫痫大发作GTCS的时间段分布，是由知名医生通过专业医用设备来进行配合标注的，数据来源真实可靠。具体发作数据如下图2-2所示。图2-2LJQ第2次GTCS发作数据在图2-2中，因为各维数据单位指标不同，所以只能把三轴加速度、皮电和心率、皮肤电信号分别进行展示。其中橙色的线框，就是医生配合脑电信号判断病人发作的起始时间段。由图2-2中易知，患者GTCS大发作时，三轴加速度的幅度和频率与平常表现都有明显的区别；体温、心率、皮肤电信号等则与平常表现没有明显区分。且在进行后续实验操作中我们发现，体温、心率、皮肤电信号因为表带设计的不合理，大多数病人佩戴检测装置时，装置不紧扣而导致与病人的手腕经常脱离，使得后三维信号跳跃严重，存在明显的失真现象，所以后续的实验预处理
【参考文献】：
期刊论文
[1]基于加速度传感器的运动步数检测算法研究[J]. 魏芬,邓海琴. 电子器件. 2016(05)
[2]数据挖掘中适用于分类的时序数据特征提取方法[J]. 林珠,邢延. 计算机系统应用. 2012(10)
博士论文
[1]基于脑电的癫痫预警及预警—抑制诊疗系统关键技术研究[D]. 祁玉.浙江大学 2015
[2]基于单个加速度传感器的人体运动模式识别[D]. 薛洋.华南理工大学 2011
[3]基于力学量信息获取系统的人体摔倒过程识别方法研究[D]. 佟丽娜.中国科学技术大学 2011
[4]智能空间中人的行为识别与理解[D]. 黄彬.山东大学 2010
硕士论文
[1]有限注意与A股市场股价回归预测[D]. 凤河.西安理工大学 2019
[2]基于机器学习的癫痫及精神异常脑电信息识别研究[D]. 郑天依.北京邮电大学 2019
[3]复杂度和时频分析在癫痫脑电信号诊断与发作预测中的应用研究[D]. 周梦妮.太原理工大学 2019
[4]穿戴式运动状态识别及心率监测的研究[D]. 郭贵昌.贵州大学 2019
[5]基于神经网络的癫痫发作预测[D]. 刘莉莉.北京工业大学 2018
[6]基于加速度传感器的游泳监测系统分析与实现[D]. 吴海龙.华南理工大学 2018
[7]基于多传感器的人体姿态识别系统[D]. 彭欣然.哈尔滨工业大学 2017
[8]基于Android的健康监测应用研究与实现[D]. 段豪.电子科技大学 2017
[9]随机森林算法的优化改进研究[D]. 马骊.暨南大学 2016
[10]基于深度学习的运动想象脑电分类[D]. 戴若梦.北京理工大学 2015
本文编号：2997920
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/2997920.html
