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
发布时间：2021-03-04 08:28
癫痫是一种常见的神经类系统疾病。据世界卫生组织报道,世界上大约有五千万人口患有癫痫。脑电图被广泛应用于癫痫患者的临床检查中,专业医师需要借助经验人工分析。这种方式枯燥乏味,需要消耗大量的时间与精力。因此,研究计算机辅助的自动、高效、准确的癫痫诊断与发作预测方法极其必要。本文以弗莱堡和CHB-MIT两个数据集为研究对象,将熵的复杂度分析、时域频域分析理论应用到癫痫信号的诊断与发作预测研究中,主要研究内容和成果如下:（1）分析排列熵参数设置方法,对比不同排列熵信号诊断能力。排列熵抗噪性强,计算复杂度低,研究选取排列熵作为复杂度指标。由于排列熵种类较多,本研究首先讨论四种排列熵参数设置方法,接着通过统计检验和分类比较排列熵的癫痫信号诊断能力。结果表明,合理的参数取值对于排列熵准确提取特征具有一定的影响;四种排列熵都可以有效反映大脑活动的动态变化,实现发作间期与发作前期的信号诊断,且诊断能力相当。（2）提出基于排列熵的癫痫发作预测方法,对比排列熵的预测能力。本研究提出基于统计方法的One-step FP和Two-step FP两种预测算法,比较二者在预测表现上的差异,并对比了四种排列熵的发作预...
【文章来源】：太原理工大学山西省 211工程院校
【文章页数】：85 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 研究背景和意义
1.2 国内外研究现状
1.2.1 特征提取
1.2.2 信号诊断
1.2.3 发作预测
1.3 论文的主要内容
1.4 论文的结构安排
1.5 小结
第二章 研究方案与相关理论基础
2.1 研究方案
2.2 特征分析
2.2.1 排列熵相关算法
2.2.2 时域与频域信号
2.3 分类方法
2.3.1 分类器
2.3.2 参数选择及验证方法
2.3.3 评价指标
2.4 预测方法
2.4.1 预测模型
2.4.2 评价指标
2.5 小结
第三章 基于排列熵的癫痫脑电复杂度分析及诊断
3.1 数据介绍
3.1.1 基本信息
3.1.2 数据选取
3.2 提取排列熵
3.2.1 参数选择
3.2.2 复杂度分析
3.3 差异性分析
3.4 分类结果分析与对比
3.5 小结
第四章 基于排列熵的癫痫发作预测
4.1 预测模型
4.2 预测结果分析与评价
4.2.1 发作预测时间
4.2.2 SS与 FPR、欧氏距离
4.3 结果对比
4.3.1 四种排列熵预测对比
4.3.2 One-step FP与 Two-step FP预测对比
4.4 讨论
4.4.1 排列熵的优点
4.4.2 个性化模型
4.4.3 One-step FP与 Two-step FP对比
4.4.4 与其他研究对比
4.5 小结
第五章 基于时频分析的癫痫信号诊断及发作预测
5.1 数据介绍
5.1.1 基本信息
5.1.2 数据截取
5.2 时频分析
5.3 分类结果分析与对比
5.3.1 弗莱堡数据集
5.3.2 CHB-MIT数据集
5.4 发作预测结果
5.5 讨论
5.5.1 与其他研究对比
5.5.2 时域与频域信号
5.5.3 数据集的影响
5.5.4 发作预测面临的问题
5.6 小结
第六章 总结与展望
6.1 总结
6.2 展望
参考文献
致谢
攻读学位期间发表的学术论文目录
【参考文献】：
期刊论文
[1]面向可穿戴多模生物信息传感网络的栈式自编码器优化情绪识别[J]. 戴逸翔,王雪,戴鹏,张蔚航,张鹏博. 计算机学报. 2017(08)
[2]基于生理大数据的情绪识别研究进展[J]. 赵国朕,宋金晶,葛燕,刘永进,姚林,文涛. 计算机研究与发展. 2016(01)
[3]说话人识别中支持向量机核函数参数优化研究[J]. 刘祥楼,贾东旭,李辉,姜继玉. 科学技术与工程. 2010(07)
[4]生物反馈训练后癫痫患者脑电相关维数变化的分析[J]. 赵龙莲,梁作清,伍文清,胡广书. 中国生物医学工程学报. 2010(01)
[5]样本熵及在脑电癫痫检测中的应用[J]. 白冬梅,邱天爽,李小兵. 生物医学工程学杂志. 2007(01)
[6]功能磁共振成像与脑电的融合及其应用[J]. 杨磊,田捷,胡瑾,王小香,潘晓红. 软件学报. 2006(09)
博士论文
[1]癫痫脑电的分形分析及自动检测方法研究[D]. 张艳丽.山东大学 2016
[2]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
[3]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
本文编号：3062896
【文章来源】：太原理工大学山西省 211工程院校
【文章页数】：85 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 研究背景和意义
1.2 国内外研究现状
1.2.1 特征提取
1.2.2 信号诊断
1.2.3 发作预测
1.3 论文的主要内容
1.4 论文的结构安排
1.5 小结
第二章 研究方案与相关理论基础
2.1 研究方案
2.2 特征分析
2.2.1 排列熵相关算法
2.2.2 时域与频域信号
2.3 分类方法
2.3.1 分类器
2.3.2 参数选择及验证方法
2.3.3 评价指标
2.4 预测方法
2.4.1 预测模型
2.4.2 评价指标
2.5 小结
第三章 基于排列熵的癫痫脑电复杂度分析及诊断
3.1 数据介绍
3.1.1 基本信息
3.1.2 数据选取
3.2 提取排列熵
3.2.1 参数选择
3.2.2 复杂度分析
3.3 差异性分析
3.4 分类结果分析与对比
3.5 小结
第四章 基于排列熵的癫痫发作预测
4.1 预测模型
4.2 预测结果分析与评价
4.2.1 发作预测时间
4.2.2 SS与 FPR、欧氏距离
4.3 结果对比
4.3.1 四种排列熵预测对比
4.3.2 One-step FP与 Two-step FP预测对比
4.4 讨论
4.4.1 排列熵的优点
4.4.2 个性化模型
4.4.3 One-step FP与 Two-step FP对比
4.4.4 与其他研究对比
4.5 小结
第五章 基于时频分析的癫痫信号诊断及发作预测
5.1 数据介绍
5.1.1 基本信息
5.1.2 数据截取
5.2 时频分析
5.3 分类结果分析与对比
5.3.1 弗莱堡数据集
5.3.2 CHB-MIT数据集
5.4 发作预测结果
5.5 讨论
5.5.1 与其他研究对比
5.5.2 时域与频域信号
5.5.3 数据集的影响
5.5.4 发作预测面临的问题
5.6 小结
第六章 总结与展望
6.1 总结
6.2 展望
参考文献
致谢
攻读学位期间发表的学术论文目录
【参考文献】：
期刊论文
[1]面向可穿戴多模生物信息传感网络的栈式自编码器优化情绪识别[J]. 戴逸翔,王雪,戴鹏,张蔚航,张鹏博. 计算机学报. 2017(08)
[2]基于生理大数据的情绪识别研究进展[J]. 赵国朕,宋金晶,葛燕,刘永进,姚林,文涛. 计算机研究与发展. 2016(01)
[3]说话人识别中支持向量机核函数参数优化研究[J]. 刘祥楼,贾东旭,李辉,姜继玉. 科学技术与工程. 2010(07)
[4]生物反馈训练后癫痫患者脑电相关维数变化的分析[J]. 赵龙莲,梁作清,伍文清,胡广书. 中国生物医学工程学报. 2010(01)
[5]样本熵及在脑电癫痫检测中的应用[J]. 白冬梅,邱天爽,李小兵. 生物医学工程学杂志. 2007(01)
[6]功能磁共振成像与脑电的融合及其应用[J]. 杨磊,田捷,胡瑾,王小香,潘晓红. 软件学报. 2006(09)
博士论文
[1]癫痫脑电的分形分析及自动检测方法研究[D]. 张艳丽.山东大学 2016
[2]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
[3]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
本文编号：3062896
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3062896.html
