基于脑电信号的分析算法研究及其在癫痫检测方面的应用

发布时间：2021-10-27 17:46

　　癫痫是一种常见的神经系统疾病,癫痫的突然性发作会给患者的生活带来巨大的影响。临床上,癫痫的检测很大程度上依赖于经验丰富的神经科医生。医生根据患者的脑电图对患者的状态进行判断。这种人工检测方法需要医生长时间的观察患者的脑电图,十分影响医生的工作效率;同时,由于不同医生的不同经验,对同一脑电图很可能得到不同的评判结果。目前现有的癫痫发作自动检测的研究,多集中于建立基于患者的检测模型,即使用每个患者自身的数据训练一个适用于该患者的检测模型。这种方法训练得到的模型虽然对其针对的单个患者检测性能较好,但是在检测其他患者时,效果较差。同时,当一个新患者出现时,往往得不到该患者以往的发作数据,因此该患者就不能被很好的监控。基于以上问题,本文研究探讨了一种新的利用脑电信号实现跨患者的癫痫发作自动检测算法。首先,本文从网站下载公开头皮脑电数据集CHB-MIT,然后对下载的原始数据进行切分,得到发作期和发作间期样本。接着,使用四种滤波对原始数据进行滤波去噪,并得到最适合本文研究的巴特斯沃滤波器。之后,本文提出了一种新的特征提取算法MinMaxHist来测量脑电信号的波形变化,并使用MinMaxHist算法... 

【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】：65 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 课题研究背景和意义
    1.2 脑电图
        1.2.1 脑电图简介
        1.2.2 癫痫脑电图
    1.3 癫痫自动检测常用算法及发展现状
    1.4 本文研究内容及结构安排
第2章 特征工程
    2.1 数据预处理
        2.1.1 小波阈值去噪
        2.1.2 滤波算法
        2.1.3 数据标准化
    2.2 特征提取
    2.3 本文采用的特征提取算法
        2.3.1 MinMaxHist算法
        2.3.2 其他时域特征
        2.3.3 非线性特征
    2.4 特征选择
        2.4.1 特征选择的分类
    2.5 本文使用的特征选择算法
        2.5.1 T检验与曼-惠特尼U检验
        2.5.2 Acc-SVM和 Acc-XGB
        2.5.3 递归特征消除
        2.5.4 序列后向选择
    2.6 本章小结
第3章 分类
    3.1 分类器
        3.1.1 支持向量机
        3.1.2 K近邻
        3.1.3 逻辑回归
        3.1.4 AdaBoost
        3.1.5 XGBoost
    3.2 交叉验证
    3.3 本章小结
第4章 本文实验方法与结果讨论
    4.1 实验环境
    4.2 实验数据
    4.3 评价标准
    4.4 实验流程与结果分析
        4.4.1 数据预处理
        4.4.2 不同滤波器与特征提取的分类表现
        4.4.3 不同特征选择算法的分类表现
        4.4.4 RFE算法的分类表现
        4.4.5 RFE算法嵌入不同基学习器的分类表现
        4.4.6 SBS算法的分类表现
        4.4.7 基于特定患者的分类模型
        4.4.8 半独立于患者的分类模型
    4.5 结果对比
    4.6 本章小结
第5章 总结与展望
    5.1 本文总结
    5.2 未来工作展望
参考文献
作者简介及科研成果
致谢


【参考文献】：
期刊论文
[1]基于小波阈值去噪的方法研究[J]. 刘晓莉.  甘肃科技. 2013(11)

硕士论文
[1]基于小波变换的睡眠脑电信号分析[D]. 殷万妮.南京大学 2014



本文编号：3462077