癫痫脑电信号特征提取及分类研究

发布时间：2021-12-31 01:35

　　脑电信号（electroencephalogram,EEG）是来自于大脑这一复杂系统的生理信号,是生理过程中大脑特定部位神经细胞群自发或诱发的电活动,是以生物控制论方法研究脑功能的典型领域。脑电信号具有很强的随机性,节律种类多样,包含丰富的生理、病理信息。从传统的目视观察、单纯的时域、频域分析,到现代的时频分析和非线性动力学研究,随着对脑电信号研究方法的不断发展,对于脑电的认识也越来越深刻,其应用也越来越广泛。在临床医学中,通过脑电图来检测部分脑部疾病（例如癫痫、抑郁症、脑炎、精神分裂症等）是一种不可替代的有效手段,尤其是在癫痫的诊疗领域更是不可或缺。当前对于癫痫脑电自动分类研究主要包括两个部分:特征提取和分类。特征提取是脑电分析研究的关键步骤,良好的特征质量对分类结果有着重要影响;适合的分类算法在训练和识别速度、分类准确性和稳定性方面有很重要的作用。本文以特征提取和分类两方面展开研究,主要工作如下:从机器学习角度对特征提取和分类两个方面进行研究。在特征提取阶段,提出一种基于小波包的时频分析结合非线性和统计学特征的特征提取方法,从多个角度深度挖掘脑电信号特征,然后融合形成特征向量。在分... 

【文章来源】：兰州理工大学甘肃省

【文章页数】：62 页

【学位级别】：硕士

【部分图文】：

五类脑电信号示例

工程硕士学位论文27段的不同类型脑电信号具有不同的样本熵特征。图3.3样本熵特征对比（2）频带能量特征根据2.1.3节频带能量计算方法进行频带能量特征提龋对每个频带的小波包系数计算频带能量特征，部分节点S4-0～S4-4频带能量特征如图3.4所示，由图可以看出，同一频带中，癫痫发作期脑电能量明显大于发作间期的脑电能量，这是由于癫痫发作时会出现特征波，脑电信号能量会突然上升，因此频带能量可以作为分类检测的重要特征指标。图3.4频带能量特征对比

工程硕士学位论文27段的不同类型脑电信号具有不同的样本熵特征。图3.3样本熵特征对比（2）频带能量特征根据2.1.3节频带能量计算方法进行频带能量特征提龋对每个频带的小波包系数计算频带能量特征，部分节点S4-0～S4-4频带能量特征如图3.4所示，由图可以看出，同一频带中，癫痫发作期脑电能量明显大于发作间期的脑电能量，这是由于癫痫发作时会出现特征波，脑电信号能量会突然上升，因此频带能量可以作为分类检测的重要特征指标。图3.4频带能量特征对比

【参考文献】：
期刊论文
[1]基于经验模态分解和极限学习机的癫痫脑电提取分类研究[J]. 宋玉龙,赵冕,郑威.  生物医学工程研究. 2019(03)
[2]基于加权复杂网络度熵和的癫痫发作检测方法[J]. 张汉勇,孟庆芳,杜蕾,刘明敏.  中国生物医学工程学报. 2019(03)
[3]基于多尺度排列熵的脑电信号分类[J]. 韦晓燕,陈子怡,周毅.  中国数字医学. 2019(05)
[4]基于脑电特征纹理与SVM分类的癫痫发作检测研究[J]. 孙成法,徐志萍.  电脑知识与技术. 2019(14)
[5]基于脑电的无创脑机接口研究进展[J]. 陈小刚,王毅军.  科技导报. 2018(12)
[6]基于功率谱的睡眠中癫痫发作预测[J]. 刘伟楠,刘燕,佟宝同,赵凌霄,杨莹雪,王玉平,戴亚康.  生物医学工程学杂志. 2018(03)
[7]基于近似熵及关联维度对浅针疗法干预失眠患者脑电数据的提取及分析[J]. 林栋,黄晓真,庄婉玉,余运影,吴强.  针刺研究. 2018(03)
[8]CNN与CSP相结合的脑电特征提取与识别方法研究[J]. 孔祥浩,马琳,薄洪健,李海峰.  信号处理. 2018(02)
[9]基于MSE-PCA的脑电睡眠分期方法研究[J]. 刘雪峰,马州生,赵艳阳,余传奇,范文兵.  电子技术应用. 2017(09)
[10]基于局部均值分解与样本熵的脑电信号特征提取与分类[J]. 赵利民,朱晓军.  计算机工程. 2017(02)

硕士论文
[1]基于非线性动力学特征指标的癫痫脑电信号分类、定位与预测方法研究[D]. 李冬梅.新疆医科大学 2017



本文编号：3559373