基于小波变换和自适应权重融合的癫痫脑电信号分析
发布时间：2021-11-18 09:37
癫痫发作是一种常见的慢性神经系统疾病,具有反复性和突发性等特点,因此需要医生对病人进行长时间的观察,既耗时,效率又低,且视觉检测缺乏标准的制约,故癫痫脑电信号的自动检测具有重要的临床价值.随着神经科学和现代信息技术的快速发展,脑电信号在生理学、精神病学和认知科学等方面具有广阔的学术价值和应用前景.在临床诊断方面,由于脑电信号包含了大量的生理和病理信息,对其作深入的研究可以帮助临床医生提高对各种脑疾患和神经系统疾患诊断和检测的准确性.国内外对脑电信号的研究日益增多,到目前为止,已经有很多方法被应用于此.本文对脑电信号的研究主要分为以下两个方面:一方面,本文提出了一种基于小波变换和全变差正则化的两步去噪策略.根据脑电信号的采集过程,我们采集到的脑电信号常常会受到人的生理电信号产生的噪声或检测系统自身噪声的干扰,且这些噪声的存在会大大影响脑电信号的识别的准确度,因此,对脑电信号进行去噪处理是对脑电信号进行研究的首要环节.小波变换是脑电信号去噪中常用的一种方法,但小波去噪处理也存在一些不可避免的缺陷.全变差正则化在图像处理领域应用比较广泛,常被用于边缘检测,而在一维信号去噪中,全变差正则化可以...
【文章来源】：河南大学河南省
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
小波阈值去噪流程
基于小波变换和自适应权重融合的癫痫脑电信号分析2.4前馈神经网络深度前馈神经网络也叫作多层感知机，是深度学习中最常用的模型[58].它包含输入层，隐藏层和输出层三个部分，隐藏层和输出层的神经元都是具有激活函数的功能神经元，该结构满足以下几个特点：每层神经元与下一层神经元之间完全互连；神经元之间不存在同层连接；神经元之间不存在跨层连接；前馈神经网络的本质就是复合函数，需要注意的是“前辣指的是网络拓扑结构上不存在环路或回路，而不是指信号只能向前传，不能向后传.图2-4单隐层前馈神经网络图.给定训练集D=(x1,y1),(x2,y2),···,(xm,ym)，xi∈Rd，yi∈Rl，即输入示例由d个属性描述，输出l维实值向量.图2-4显示了单隐层前馈神经网络结构，其中，输入层包含d个神经元，隐层有q个神经元，输出层有l个输出神经元，输出层第j个神经元的阈值用θj表示，隐层第h个神经元的阈值用γh表示.输入层第i个神经元与隐层第h个神经元之间的连接权为vih，隐层第h个神经元与输出层第j个神经元之间的连接权为whj.记20
基于小波变换和自适应权重融合的癫痫脑电信号分析验，本节使用常用的测试信号bumps信号作为仿真信号进行去噪.我们之所以选择bumps信号，是因为bumps信号是一个正弦信号上面有两个跳跃点的信号，而脑电信号也是一个有很多跳跃点，极其不稳定的信号，且在脑电信号的去噪过程中，我们常易出现过度平滑的现象，不能够较好的处理数据边缘信息，从而丢失信号中一些重要的信息，因此，若本章方法可以很好的处理bumps信号中跳跃点处的边缘信息，则该方法必定对脑电信号也具有较好的去噪效果.表3-2波恩大学数据库的简要描述.SetASetBSetCSetDSetESubjectsHealthyHealthyEpilepticEpilepticEpilepticStateEyesopenedEyesclosedInterictalInterictalIctalElectrodeInternationalInternationalOppositetoWithinWithinNumber100100100100100Timeduration23.6s23.6s23.6s23.6s23.6sSamplerate173.61Hz173.61Hz173.61Hz173.61Hz173.61Hz本文所有真实脑电数据实验均使用的是公开的且使用比较广泛的Boon数据库.Boon数据库是来自德国伯恩大学的开源数据库，该数据库所有脑电信号由相同的128通道放(a)(b)图3-2脑电信号示意图.大器系统记录，并使用12位模数转换器数字化.所有脑电信号由五个数据集组成表示为A-E，每组包含100个单通道脑电数据，采样率为173.6HZ，持续时间为23.6秒，每个通道4096个点.A数据集和B数据集分别为正常人的睁眼信号和闭眼信号，C、D和E30
【参考文献】：
期刊论文
[1]基于改进EMD的脑电信号去噪方法[J]. 朱晓军,吕士钦,余雪丽,樊刘娟. 计算机工程. 2012(01)
[2]非线性动力学在脑电信号分析中的应用(英文)[J]. 何凌,黄华. 现代生物医学进展. 2006(09)
[3]基于AR模型的小波变换在脑电信号消噪中的应用[J]. 吴平,陈心浩. 现代电子技术. 2006(10)
硕士论文
[1]基于ITD方法的癫痫脑电信号的识别与分类[D]. 马利军.河南大学 2018
本文编号：3502661
【文章来源】：河南大学河南省
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
小波阈值去噪流程
基于小波变换和自适应权重融合的癫痫脑电信号分析2.4前馈神经网络深度前馈神经网络也叫作多层感知机，是深度学习中最常用的模型[58].它包含输入层，隐藏层和输出层三个部分，隐藏层和输出层的神经元都是具有激活函数的功能神经元，该结构满足以下几个特点：每层神经元与下一层神经元之间完全互连；神经元之间不存在同层连接；神经元之间不存在跨层连接；前馈神经网络的本质就是复合函数，需要注意的是“前辣指的是网络拓扑结构上不存在环路或回路，而不是指信号只能向前传，不能向后传.图2-4单隐层前馈神经网络图.给定训练集D=(x1,y1),(x2,y2),···,(xm,ym)，xi∈Rd，yi∈Rl，即输入示例由d个属性描述，输出l维实值向量.图2-4显示了单隐层前馈神经网络结构，其中，输入层包含d个神经元，隐层有q个神经元，输出层有l个输出神经元，输出层第j个神经元的阈值用θj表示，隐层第h个神经元的阈值用γh表示.输入层第i个神经元与隐层第h个神经元之间的连接权为vih，隐层第h个神经元与输出层第j个神经元之间的连接权为whj.记20
基于小波变换和自适应权重融合的癫痫脑电信号分析验，本节使用常用的测试信号bumps信号作为仿真信号进行去噪.我们之所以选择bumps信号，是因为bumps信号是一个正弦信号上面有两个跳跃点的信号，而脑电信号也是一个有很多跳跃点，极其不稳定的信号，且在脑电信号的去噪过程中，我们常易出现过度平滑的现象，不能够较好的处理数据边缘信息，从而丢失信号中一些重要的信息，因此，若本章方法可以很好的处理bumps信号中跳跃点处的边缘信息，则该方法必定对脑电信号也具有较好的去噪效果.表3-2波恩大学数据库的简要描述.SetASetBSetCSetDSetESubjectsHealthyHealthyEpilepticEpilepticEpilepticStateEyesopenedEyesclosedInterictalInterictalIctalElectrodeInternationalInternationalOppositetoWithinWithinNumber100100100100100Timeduration23.6s23.6s23.6s23.6s23.6sSamplerate173.61Hz173.61Hz173.61Hz173.61Hz173.61Hz本文所有真实脑电数据实验均使用的是公开的且使用比较广泛的Boon数据库.Boon数据库是来自德国伯恩大学的开源数据库，该数据库所有脑电信号由相同的128通道放(a)(b)图3-2脑电信号示意图.大器系统记录，并使用12位模数转换器数字化.所有脑电信号由五个数据集组成表示为A-E，每组包含100个单通道脑电数据，采样率为173.6HZ，持续时间为23.6秒，每个通道4096个点.A数据集和B数据集分别为正常人的睁眼信号和闭眼信号，C、D和E30
【参考文献】：
期刊论文
[1]基于改进EMD的脑电信号去噪方法[J]. 朱晓军,吕士钦,余雪丽,樊刘娟. 计算机工程. 2012(01)
[2]非线性动力学在脑电信号分析中的应用(英文)[J]. 何凌,黄华. 现代生物医学进展. 2006(09)
[3]基于AR模型的小波变换在脑电信号消噪中的应用[J]. 吴平,陈心浩. 现代电子技术. 2006(10)
硕士论文
[1]基于ITD方法的癫痫脑电信号的识别与分类[D]. 马利军.河南大学 2018
本文编号：3502661
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3502661.html
