基于多特征融合和集成学习的癫痫脑电自动识别方法研究

发布时间：2021-05-08 21:35

　　癫痫是一种常见的神经科疾病,脑部神经异常放电是癫痫发作的主要原因。癫痫的危害性极大,它的发作是随机发生的,可以在一天内多次发生,发作时常表现为意识丧失、浑身抽搐、精神异常等。在无人看管情况下的癫痫患者可能因各种因素而突然意外死亡,包括咬伤舌头,分泌物或呕吐物堵塞呼吸道,引起窒息,不受控制的全身强直、痉挛等。癫痫的发病率较高,且年龄段分布极广,包括儿童、青少年和老人,但以儿童和青少年的发病率最高。这种疾病男女都有可能罹患,且男性患病概率高于女性。脑电图是癫痫研究过程中一个非常重要的工具,它提供了其他生理学方法无法提供的信息。癫痫发作时产生的特异性波形如棘波、尖波、复合波等都可以通过脑电图体现出来。由于脑电信号的采集往往是多个部位同时进行的,因此产生的脑电图为多通道EEG。本文旨在时频域中提取合适的特征以解决多通道数据关联问题,并运用集成学习方法,基于融合后的特征进行癫痫发病的预测。本文在总结了国内外癫痫脑电自动识别方法的基础上,首先阐述了具有集成学习思想的几种方法:Bagging、Boosting和Stacking。之后分析了现有的脑电特征提取方法,在此基础上结合患者的脑电图时域和频域分... 

【文章来源】：浙江工商大学浙江省

【文章页数】：78 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    第一节 选题背景与研究意义
        一、选题背景
        二、研究意义
    第二节 研究内容与基本框架
        一、研究内容
        二、基本框架
    第三节 文献综述
        一、癫痫脑电的特征提取方法研究
        二、癫痫预测的机器学习方法研究
        三、已有研究评述
    第四节 研究难点和创新点
        一、研究难点
        二、创新点
第二章 脑电图相关知识与集成学习方法阐述
    第一节 脑电图相关知识阐述
        一、脑电图的采集与脑电波
        二、癫痫特征波
    第二节 集成学习相关理论与方法阐述
        一、基于Bagging方法的随机森林
        二、基于Boosting方法的梯度提升树与XGBoost
        三、Stacking方法
第三章 癫痫脑电信号特征提取与融合
    第一节 数据来源与说明
        一、数据来源
        二、通道说明
    第二节 脑电图数据预处理
        一、通道的一致化处理
        二、脑电图数据切片
        三、划分训练集与测试集
    第三节 脑电信号特征提取
        一、脑电信号处理方法
        二、基于时域分析的特征提取与融合
        三、基于频域分析的特征提取与融合
        四、时域和频域特征融合
第四章 癫痫自动识别模型研究
    第一节 频段选择与不同特征效果测试
        一、ROC曲线和AUC值
        二、频段选择
        三、不同特征效果测试
    第二节 癫痫自动识别模型的建立及效果分析
        一、随机森林模型预测及其效果
        二、梯度提升树模型预测及其效果
        三、XGBoost模型及其效果
        四、基于Stacking方法的预测模型及其效果
        五、对比分析
第五章 研究结论与展望
    第一节 研究结论
        一、基于多通道EEG的特征融合可以提升预测效果
        二、基于树模型的方法具有较好的预测效果
        三、Stacking方法可以减小个体差异带来的误差
    第二节 研究展望
        一、使模型具备增量学习能力
        二、提高数据的处理速度和模型的运行速度
参考文献
附录
致谢


【参考文献】：
期刊论文
[1]癫痫脑电的特征提取方法综述[J]. 张瑞,宋江玲,胡文凤.  西北大学学报(自然科学版). 2016(06)
[2]基于梯度boosting的癫痫脑电检测方法（英文）[J]. 陈爽爽,周卫东,耿淑娟,袁琦,王纪文.  Journal of Measurement Science and Instrumentation. 2015(01)
[3]关联规则在脑科电子病历挖掘中的应用[J]. 曾勇.  医学信息学杂志. 2014(10)



本文编号：3176038