基于模糊分布熵和复值模糊分布熵的癫痫脑电信号自动分类算法研究
发布时间：2021-08-30 08:54
癫痫是一种因大脑神经元过度放电所引起的神经系统疾病。脑电图包含了大量的生理和病理信息,是诊断癫痫的重要工具。临床上,医生通过视觉观察患者的24小时脑电图并结合发作史和家族病史进行癫痫诊断。但庞大的脑电数据量使得视觉检测脑电图非常耗时,并且医务人员的主观判断也可能会对检查结果产生影响。根据癫痫发作时脑电信号的特点,研究基于信号处理和机器学习的癫痫脑电信号自动分类算法具有重要意义。它能够极大地减轻医生的工作负担,提高癫痫患者的生活品质,为研究癫痫发病机理提供新的途径,受到了越来越多研究者的关注。然而癫痫发作时神经元放电的复杂性和多样性特点,给自动分类算法带来了挑战。针对现有癫痫脑电信号自动分类算法鲁棒性和泛化能力较差的问题,本文将分布熵和模糊熵进行融合,提出模糊分布熵、复值分布熵和复值模糊分布熵三种嵌入熵算法,分别针对基于嵌入熵的脑电信号自动分类算法的计算复杂度高且对嵌入熵参数敏感、基于嵌入熵的特征提取方法无法兼顾幅值和相位导致相位信息的丢失、基于传统小波变换的脑电信号自动分类算法鲁棒性和泛化能力较差这三问题展开研究,探索结合时频变换和非线性动力学分析的多域联合分析法在癫痫辅助诊断的有效性...
【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校
【文章页数】：142 页
【学位级别】：博士
【部分图文】：
闭环癫痫脑电信号辅助诊断系统
吉林大学博士学位论文复杂度较高、基于非线性动力学特征提取方法很难同时兼顾信号的幅值和相位，造成相位信息的丢失以及基于传统小波变换的脑电信号自动分类算法鲁棒性和泛化能力较差等问题，本文在多域联合分析法这一的基本框架下，以分布熵为出发点并结合模糊熵，依次提出模糊分布熵（Fuzzy Distribution Entropy, FDistEn）、复值分布熵（Complex-valued Distribution Entropy, CDistEn）和复值模糊分布熵（Complex-valuedFuzzy Distribution Entropy, CFDistEn）。在此基础上，以“时频表征+非线性动力学分析”为指导思想，研究了联合小波变换和改进嵌入熵的特征提取算法，并采用最近邻等分类器对脑电信号进行模式分类。本文各研究内容之间的逻辑关系如图 1.3 所示。
续三章使用的癫痫脑电数据集以及用于评估分类算法性能的评价指标，为后续章节癫痫脑电信号自动分类算法的分析和评价提供参考和依据。2.1 癫痫脑电信号自动分类算法框架癫痫脑电信号的自动分类是在神经科学和病理学的基础上，结合信号处理、模式识别和智能系统的交叉学科研究领域。一个完整的癫痫脑电信号自动分析系统由：预处理、特征提取、特征选择、模式分类和后处理共五部分构成，自动分类算法的原理框图如图 2.1 所示。在离线系统训练阶段，按照预处理、特征提取、特征选择和模式分类的步骤对带有类别标签的脑电数据进行处理，建立能够区分非癫痫发作期和癫痫发作期脑电信号的检测模型；在在线系统测试阶段，对标签未知的脑电数据进行同样的操作，得到相应脑电数据的预测结果，最后根据需要进行适当的后处理以实现对异常脑电信号的准确识别和自动标记。借助于癫痫脑电信号自动分析系统，在对患者的脑电图进行判读时，医生可重点查看被分析系统标记为异常的脑电记录，从而实现癫痫临床辅助诊断的目的。
【参考文献】：
期刊论文
[1]基于Shearlet变换和峰度特性的井中微地震初至波拾取[J]. 李娟,计硕,李月,钱志鸿. 吉林大学学报(工学版). 2019(01)
[2]基于主成分分析的特征频率提取算法及应用[J]. 李振,李伟光,赵学智,郑相立. 振动.测试与诊断. 2018(04)
[3]采用核主成分分析和相关向量机的人体运动意图识别[J]. 刘磊,杨鹏,刘作军,宋寅卯. 机器人. 2017(05)
[4]用于癫痫EEG分析的排列模糊熵新算法[J]. 王慧云,窦大庆,曹锐,王彬,刘桂青,相洁. 太原理工大学学报. 2017(01)
[5]基于改进混沌算子的癫痫前期预测研究[J]. 黄小娜,周佐,王鹏翔,张兆基,熊丽. 自动化与仪器仪表. 2016(02)
[6]基于AdaBoost算法的癫痫脑电信号识别[J]. 张涛,陈万忠,李明阳. 物理学报. 2015(12)
[7]基于多小波基多信源融合异常值剔除方法研究[J]. 卓宁. 宇航计测技术. 2012(06)
[8]癫痫:全球重点防治的神经精神疾病[J]. 秦兵,廖卫平,臼井直敬,寺田清人,井上有史. 实用医学杂志. 2012(13)
[9]基于Hurst指数和SVM的癫痫脑电检测方法[J]. 蔡冬梅,周卫东,刘凯,李淑芳,耿淑娟. 中国生物医学工程学报. 2010(06)
[10]多小波基多尺度多传感器数据融合[J]. 任亚飞,柯熙政. 传感器与微系统. 2010(09)
博士论文
[1]基于EEG和ERP信号分析的情感认知研究[D]. 畅江.太原理工大学 2018
硕士论文
[1]基于提升小波变换的简支梁损伤识别方法研究[D]. 王晓春.天津大学 2017
[2]基于压缩传感的输电线路绝缘子泄漏电流数据压缩研究[D]. 陈青.华北电力大学 2011
本文编号：3372474
【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校
【文章页数】：142 页
【学位级别】：博士
【部分图文】：
闭环癫痫脑电信号辅助诊断系统
吉林大学博士学位论文复杂度较高、基于非线性动力学特征提取方法很难同时兼顾信号的幅值和相位，造成相位信息的丢失以及基于传统小波变换的脑电信号自动分类算法鲁棒性和泛化能力较差等问题，本文在多域联合分析法这一的基本框架下，以分布熵为出发点并结合模糊熵，依次提出模糊分布熵（Fuzzy Distribution Entropy, FDistEn）、复值分布熵（Complex-valued Distribution Entropy, CDistEn）和复值模糊分布熵（Complex-valuedFuzzy Distribution Entropy, CFDistEn）。在此基础上，以“时频表征+非线性动力学分析”为指导思想，研究了联合小波变换和改进嵌入熵的特征提取算法，并采用最近邻等分类器对脑电信号进行模式分类。本文各研究内容之间的逻辑关系如图 1.3 所示。
续三章使用的癫痫脑电数据集以及用于评估分类算法性能的评价指标，为后续章节癫痫脑电信号自动分类算法的分析和评价提供参考和依据。2.1 癫痫脑电信号自动分类算法框架癫痫脑电信号的自动分类是在神经科学和病理学的基础上，结合信号处理、模式识别和智能系统的交叉学科研究领域。一个完整的癫痫脑电信号自动分析系统由：预处理、特征提取、特征选择、模式分类和后处理共五部分构成，自动分类算法的原理框图如图 2.1 所示。在离线系统训练阶段，按照预处理、特征提取、特征选择和模式分类的步骤对带有类别标签的脑电数据进行处理，建立能够区分非癫痫发作期和癫痫发作期脑电信号的检测模型；在在线系统测试阶段，对标签未知的脑电数据进行同样的操作，得到相应脑电数据的预测结果，最后根据需要进行适当的后处理以实现对异常脑电信号的准确识别和自动标记。借助于癫痫脑电信号自动分析系统，在对患者的脑电图进行判读时，医生可重点查看被分析系统标记为异常的脑电记录，从而实现癫痫临床辅助诊断的目的。
【参考文献】：
期刊论文
[1]基于Shearlet变换和峰度特性的井中微地震初至波拾取[J]. 李娟,计硕,李月,钱志鸿. 吉林大学学报(工学版). 2019(01)
[2]基于主成分分析的特征频率提取算法及应用[J]. 李振,李伟光,赵学智,郑相立. 振动.测试与诊断. 2018(04)
[3]采用核主成分分析和相关向量机的人体运动意图识别[J]. 刘磊,杨鹏,刘作军,宋寅卯. 机器人. 2017(05)
[4]用于癫痫EEG分析的排列模糊熵新算法[J]. 王慧云,窦大庆,曹锐,王彬,刘桂青,相洁. 太原理工大学学报. 2017(01)
[5]基于改进混沌算子的癫痫前期预测研究[J]. 黄小娜,周佐,王鹏翔,张兆基,熊丽. 自动化与仪器仪表. 2016(02)
[6]基于AdaBoost算法的癫痫脑电信号识别[J]. 张涛,陈万忠,李明阳. 物理学报. 2015(12)
[7]基于多小波基多信源融合异常值剔除方法研究[J]. 卓宁. 宇航计测技术. 2012(06)
[8]癫痫:全球重点防治的神经精神疾病[J]. 秦兵,廖卫平,臼井直敬,寺田清人,井上有史. 实用医学杂志. 2012(13)
[9]基于Hurst指数和SVM的癫痫脑电检测方法[J]. 蔡冬梅,周卫东,刘凯,李淑芳,耿淑娟. 中国生物医学工程学报. 2010(06)
[10]多小波基多尺度多传感器数据融合[J]. 任亚飞,柯熙政. 传感器与微系统. 2010(09)
博士论文
[1]基于EEG和ERP信号分析的情感认知研究[D]. 畅江.太原理工大学 2018
硕士论文
[1]基于提升小波变换的简支梁损伤识别方法研究[D]. 王晓春.天津大学 2017
[2]基于压缩传感的输电线路绝缘子泄漏电流数据压缩研究[D]. 陈青.华北电力大学 2011
本文编号：3372474
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3372474.html
