用于轻度认知障碍患者诊断的静息态脑电信号识别方法

发布时间：2021-06-21 19:30

　　作为阿尔兹海默症（Alzheimers Disease,AD）的早期阶段,轻度认知障碍（Mild C ognitive Impairment,MCI）的诊断研究日益受到国内外学者的广泛关注。而对脑电信号进行特征提取与分类是诊断MCI的一种重要途径。当前特征提取与深度学习相结合的研究在脑电信号分析领域得到了广泛应用,但是如何提取适合深度学习分类的有效特征以及如何构建高效的深度学习分类器是当前MCI脑电信号分析领域急需解决的两个主要问题。因此,本文拟探索新的多光谱图像转化特征提取方法以及卷积神经网络分类方法,具体工作如下。首先,本文创新性地将多光谱图像转化方法与卷积神经网络应用于患II型糖尿病（Type 2 Diabetes Mellitus,T2DM）的遗忘型轻度认知障碍（amnestic Mild Cognitive Impairment,aMCI）患者的脑电信号分类任务中。其次,针对多光谱图像转化方法应用于aMCI患者的脑电信号分类任务中存在的特征量不足、计算资源浪费等问题,本文提出了特征融合多光谱图像转化方法。该方法通过多特征融合、多频段组合和参照脑区相关位置等计算过程有效地解决了... 

【文章来源】：燕山大学河北省

【文章页数】：70 页

【学位级别】：硕士

【部分图文】：

8通道的二维分布图

法 4.1 第 9 步是对该算法第 8 步得到的 36 个像素点按照图 4-4 所示置关系进行排列，得到大小为(6×6×3)的特征矩阵。其中(6×6×1)单通如公式(4-2):1- 1 1 1 1- 1 1- 2 1 21- 3 1 3 1-C3 1 3 1- 4 1 41- 7 1 7 1-C4 1 4 1- 8 1 81-T3 1 T3 1-P3 1 3 1-T4 1 41-T5 1 T5 1-P4 1 4 1-T6 1 61-O1 1 O1 1-Oz 1 1-O2 1 2Fp Fp Fz Fz Fp FpF F C F FF F C F FP TP TOz OM S M S M SM S M S M SM S M S M SRM S M S M SM S M S M SM S M S M S 是 通道下的 特征， 是 X 通道下的 特征。法 4.1 第 10 步是将该算法第 9 步得到的三维特征矩阵构造成大小为谱图像数据，多光谱图像中空余像素点 RGB 的值使用 Clough-Toche。通过算法 4.1 处理本文数据所得的大小为(32×32×3)的 aMCI 患者和图像如图 4-7 与图 4-8 所示。两张图中从左至右分别为 R 通道图、G图与 RGB 通道合成的多光谱图像。

1- 7 1 7 1-C4 1 4 1- 8 1 81-T3 1 T3 1-P3 1 3 1-T4 1 41-T5 1 T5 1-P4 1 4 1-T6 1 61-O1 1 O1 1-Oz 1 1-O2 1 2F F C F FP TP TOz OM S M S M SRM S M S M SM S M S M SM S M S M S 是 通道下的 特征， 是 X 通道下的 特征。法 4.1 第 10 步是将该算法第 9 步得到的三维特征矩阵构造成大小为谱图像数据，多光谱图像中空余像素点 RGB 的值使用 Clough-Toche。通过算法 4.1 处理本文数据所得的大小为(32×32×3)的 aMCI 患者和图像如图 4-7 与图 4-8 所示。两张图中从左至右分别为 R 通道图、G与 RGB 通道合成的多光谱图像。图 4-7 aMCI 患者多光谱图像


本文编号：3241272