基于卷积神经网络的癫痫发作预测研究
发布时间：2021-05-12 12:17
癫痫（Epilepsy）是一种短暂性脑功能障碍的慢性疾病,其发作的主要原因是大脑神经元的过度放电。由于癫痫的发作会导致精神异常、短暂性意识丧失以及抽搐运动等异常行为,对患者的安全与健康存在着严重的威胁。因此,如果能够识别出癫痫发作前的状态,则可以提前对患者采取保护措施,避免患者遭受突发性癫痫发作带来的伤害。脑电图（Electroencephalogram,简称EEG）记录了脑部神经元活动的电位变化,是用于分析癫痫发作特征的主要工具之一。癫痫脑电信号不同时期的特征具有明显的差异,大部分癫痫预测的算法根据这种差异对癫痫发作前期的脑电信号进行识别,从而达到癫痫发作预测的目的。一方面,已有的算法对发作前期的定义通常为癫痫发作前一小时的时间间隔,这对于临床癫痫发作的预测而言误差较大。另一方面,现有的算法通常过度依赖于人工设计的特征参数,并且由于不同个体脑电信号的特异性,很容易使得所学习到的算法不具有泛化性。因此研究一种对癫痫发作前期识别较为精确的能自动提取特征的算法显得尤为重要。本文的主要研究工作分为以下几个部分:1.研究基于卷积神经网络与支持向量机结合的脑电信号分类的算法。首先,提出了一种将癫...
【文章来源】：杭州电子科技大学浙江省
【文章页数】：74 页
【学位级别】：硕士
【文章目录】：
中文摘要
ABSTRACT
第1章 绪论
1.1 研究的背景与意义
1.2 脑电信号基础
1.3 脑电信号特征
1.3.1 正常脑电信号特征
1.3.2 癫痫发作的脑电信号特征
1.4 国内外研究现状
1.4.1 癫痫脑电信号特征提取研究现状
1.4.2 基于传统机器学习癫痫信号分类研究现状
1.4.3 基于深度学习的癫痫信号分类的研究现状
1.5 本文的主要研究内容与创新点
1.6 本文的组织结构
第2章 基于传统机器学习的癫痫发作检测
2.1 脑电信号的的特征提取
2.1.1 基于脑电信号的非线性特征提取
2.1.1.1 近似熵
2.1.1.2 样本熵
2.1.2 基于快速傅里叶变换的频域特征提取
2.1.3 基于小波变换的时频特征提取
2.2 几种典型的机器学习算法
2.2.1 K近邻算法(KNN)
2.2.2 随机森林(Random Forest,RF)
2.2.3 支持向量机(Support Vector Machines,SVM)
2.3 基于传统机器学习的癫痫发作检测
2.4 本章小结
第3章 基于卷积神经网络的癫痫发作预测
3.1 引言
3.2 脑电信号的预处理
3.2.1 脑电信号的时期划分
3.2.2 MAS特征的提取
3.3 卷积神经网络模型
3.3.1 人工神经网络模型
3.3.2 深度学习背景
3.3.3 卷积神经网络
3.4 CNN与传统机器学习算法的融合
3.5 CHB-MIT数据集实验
3.5.1 卷积神经网络参数选取实验
3.5.2 前期多类别划分实验
3.5.3 与传统算法对比实验
3.6 本章小结
第4章 基于改进CNN模型融合的癫痫发作预测算法与临床EEG数据验证
4.1 引言
4.2 CNN的改进
4.2.1 激活函数的改进
4.2.2 Batch Normalization层的增加
4.3 基于改进CNN的Stacking模型融合及自适应加权特征融合
4.3.1 Stacking集成方法
4.3.2 自适应加权特征融合
4.3.3 基于自适应加权特征融合的Stacking模型
4.4 CHB-MIT数据集实验
4.5 临床数据实验
4.5.1 不均衡分类评价指标
4.5.2 实验
4.6 本章小结
第5章 总结与展望
5.1 总结
5.1.1 展望
第6章 致谢
参考文献
第7章 附录
【参考文献】：
期刊论文
[1]基于深度学习的图像识别算法研究[J]. 衣世东. 网络安全技术与应用. 2018(01)
[2]教育人工智能（EAI）的内涵、关键技术与应用趋势——美国《为人工智能的未来做好准备》和《国家人工智能研发战略规划》报告解析[J]. 闫志明,唐夏夏,秦旋,张飞,段元美. 远程教育杂志. 2017(01)
[3]基于EEG去趋势波动分析和极限学习机的癫痫发作自动检测与分类识别[J]. 刘小峰,张翔,王雪. 纳米技术与精密工程. 2015(06)
[4]基于非平衡数据的癫痫发作预警模型研究[J]. 吴庆忠,车峰远,薛付忠. 山东大学学报(医学版). 2012(02)
[5]基于经验模式分解的脑电棘波检测方法[J]. 陈志彬,陈娟,邱天爽. 生物医学工程学杂志. 2007(05)
[6]癫痫发作预测研究的新进展[J]. 贾文艳,高上凯,高小榕. 生物医学工程学杂志. 2004(02)
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
[2]基于皮质脑电的脑运动区功能定位原理与算法研究[D]. 姜涛.华南理工大学 2010
硕士论文
[1]基于整体经验模态分解和随机森林的癫痫脑电信号识别算法研究[D]. 吕思奇.长春工业大学 2018
[2]基于广义S变换和随机森林算法的癫痫脑电信号特征提取与分类研究[D]. 王宇桥.吉林大学 2018
[3]基于EEG信号的癫痫发病预测的算法研究[D]. 董旭洋.哈尔滨工业大学 2015
[4]深度学习神经网络在语音识别中的应用研究[D]. 陈硕.华南理工大学 2013
[5]基于脑电棘波频次和AR模型的癫痫发作预测算法[D]. 刘银霞.山东大学 2013
本文编号：3183401
【文章来源】：杭州电子科技大学浙江省
【文章页数】：74 页
【学位级别】：硕士
【文章目录】：
中文摘要
ABSTRACT
第1章 绪论
1.1 研究的背景与意义
1.2 脑电信号基础
1.3 脑电信号特征
1.3.1 正常脑电信号特征
1.3.2 癫痫发作的脑电信号特征
1.4 国内外研究现状
1.4.1 癫痫脑电信号特征提取研究现状
1.4.2 基于传统机器学习癫痫信号分类研究现状
1.4.3 基于深度学习的癫痫信号分类的研究现状
1.5 本文的主要研究内容与创新点
1.6 本文的组织结构
第2章 基于传统机器学习的癫痫发作检测
2.1 脑电信号的的特征提取
2.1.1 基于脑电信号的非线性特征提取
2.1.1.1 近似熵
2.1.1.2 样本熵
2.1.2 基于快速傅里叶变换的频域特征提取
2.1.3 基于小波变换的时频特征提取
2.2 几种典型的机器学习算法
2.2.1 K近邻算法(KNN)
2.2.2 随机森林(Random Forest,RF)
2.2.3 支持向量机(Support Vector Machines,SVM)
2.3 基于传统机器学习的癫痫发作检测
2.4 本章小结
第3章 基于卷积神经网络的癫痫发作预测
3.1 引言
3.2 脑电信号的预处理
3.2.1 脑电信号的时期划分
3.2.2 MAS特征的提取
3.3 卷积神经网络模型
3.3.1 人工神经网络模型
3.3.2 深度学习背景
3.3.3 卷积神经网络
3.4 CNN与传统机器学习算法的融合
3.5 CHB-MIT数据集实验
3.5.1 卷积神经网络参数选取实验
3.5.2 前期多类别划分实验
3.5.3 与传统算法对比实验
3.6 本章小结
第4章 基于改进CNN模型融合的癫痫发作预测算法与临床EEG数据验证
4.1 引言
4.2 CNN的改进
4.2.1 激活函数的改进
4.2.2 Batch Normalization层的增加
4.3 基于改进CNN的Stacking模型融合及自适应加权特征融合
4.3.1 Stacking集成方法
4.3.2 自适应加权特征融合
4.3.3 基于自适应加权特征融合的Stacking模型
4.4 CHB-MIT数据集实验
4.5 临床数据实验
4.5.1 不均衡分类评价指标
4.5.2 实验
4.6 本章小结
第5章 总结与展望
5.1 总结
5.1.1 展望
第6章 致谢
参考文献
第7章 附录
【参考文献】：
期刊论文
[1]基于深度学习的图像识别算法研究[J]. 衣世东. 网络安全技术与应用. 2018(01)
[2]教育人工智能（EAI）的内涵、关键技术与应用趋势——美国《为人工智能的未来做好准备》和《国家人工智能研发战略规划》报告解析[J]. 闫志明,唐夏夏,秦旋,张飞,段元美. 远程教育杂志. 2017(01)
[3]基于EEG去趋势波动分析和极限学习机的癫痫发作自动检测与分类识别[J]. 刘小峰,张翔,王雪. 纳米技术与精密工程. 2015(06)
[4]基于非平衡数据的癫痫发作预警模型研究[J]. 吴庆忠,车峰远,薛付忠. 山东大学学报(医学版). 2012(02)
[5]基于经验模式分解的脑电棘波检测方法[J]. 陈志彬,陈娟,邱天爽. 生物医学工程学杂志. 2007(05)
[6]癫痫发作预测研究的新进展[J]. 贾文艳,高上凯,高小榕. 生物医学工程学杂志. 2004(02)
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
[2]基于皮质脑电的脑运动区功能定位原理与算法研究[D]. 姜涛.华南理工大学 2010
硕士论文
[1]基于整体经验模态分解和随机森林的癫痫脑电信号识别算法研究[D]. 吕思奇.长春工业大学 2018
[2]基于广义S变换和随机森林算法的癫痫脑电信号特征提取与分类研究[D]. 王宇桥.吉林大学 2018
[3]基于EEG信号的癫痫发病预测的算法研究[D]. 董旭洋.哈尔滨工业大学 2015
[4]深度学习神经网络在语音识别中的应用研究[D]. 陈硕.华南理工大学 2013
[5]基于脑电棘波频次和AR模型的癫痫发作预测算法[D]. 刘银霞.山东大学 2013
本文编号：3183401
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3183401.html
