基于小波分析与GBDT算法的癫痫检测

发布时间：2023-11-27 19:38

　　癫痫是一种以大脑神经元非常规放电所导致的短暂性大脑功能障碍慢性疾病。依据全球的卫生组织在2005年做出的报告,有着最多患者数的精神类疾病就是癫痫。目前,脑电图(Electroencephalogram,EEG)是评估大脑活动的重要方法,其被称为癫痫检测诊断的“黄金标准”。然而,医生都是通过视觉检查患者的脑电图以实现癫痫的临床诊断,但该方法效率低下且容易导致误诊。因此,利用现在流行的模式识别技术与计算机科技对脑电信号来进行相应的处理已成为重要的癫痫辅助检测手段。本文针对自动诊断算法复杂,分类精度不高的问题,对分类算法进行改进,并提出一种基于梯度提升树(Gradient Boosting Decision Tree,GBDT)算法的癫痫检测方法,并与经典的支持向量机算法做出来比较,主要工作如下:1.通过对长程脑电特征分析,发现癫痫脑电和间歇期脑电无论幅度、频率,还是复杂度均有较大的差别,通过对脑电信号进行预处理和特征提取,可以使用分类器快速有效的区分开两者。在脑电信号预处理阶段,直接基于脑电信号的特征提取会让大量细节丢失,本文利用频率切片小波变换(Frequency Slice Wavel...

【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 课题研究背景及意义
    1.2 脑电信号概述
        1.2.1 脑电信号的介绍
        1.2.2 癫痫脑电信号
        1.2.3 癫痫检测技术应用现状
    1.3 癫痫检测主要方法及一般流程
        1.3.1 癫痫检测主要研究方法
        1.3.2 癫痫检测一般流程
    1.4 本文主要研究内容与结构安排
第2章 信号时频分析与方法
    2.1 常用的脑电信号分析方法
        2.1.1 傅里叶变换
        2.1.2 短时傅里叶变换
        2.1.3 连续小波变换
        2.1.4 Wigner-Ville分布
        2.1.5 S变换
    2.2 频率切片小波变换
        2.2.1 频率切片小波变换
        2.2.2 频率切片函数
        2.2.3 尺度因子
        2.2.4 信号的频域分辨率
    2.3 频率切片小波反变换
        2.3.1 频率切片小波反变换的实现方式
        2.3.2 反变换与原始信号的相关性
    2.4 本章小结
第3章 Boosting算法分析
    3.1 Boosting的起源与发展
    3.2 Boosting算法简介
    3.3 Gradient Boosting算法
    3.4 本章小结
第4章 SVM算法与GA算法结合应用
    4.1 GA算法原理
        4.1.1 进化算法
        4.1.2 GA算法
    4.2 SVM算法原理
        4.2.1 SVM简介
        4.2.2 SVM算法推导
    4.3 GA-SVM算法分析
        4.3.1 GA-SVM算法原理
        4.3.2 GA-SVM算法结果仿真
    4.4 本章小结
第5章 癫痫脑电信号检测试验与结果讨论
    5.1 实验数据准备与仿真环境搭建
        5.1.1 脑电信号来源
        5.1.2 仿真环境说明
    5.2 样本特征提取
        5.2.1 脑电节律波分析
        5.2.2 近似熵特征
        5.2.3 波动指数特征
        5.2.4 特征提取过程与结果
    5.3 脑电数据分类
        5.3.1 GBDT分类应用
        5.3.2 分类结果与仿真实现
    5.4 算法对比讨论
    5.5 本章小结
第6章 总结与展望
    6.1 论文工作总结
    6.2 工作展望
参考文献
作者简介及科研成果
致谢



本文编号：3868444