基于复杂网络统计特性的非线性时间序列分析方法研究

发布时间：2018-07-08 10:41

本文选题：复杂网络 + 水平可视图　；参考：《济南大学》2017年硕士论文

【摘要】：一些生物医学信号表现出非线性,属于非线性时间序列。而且生物医学信号是现代信号处理的重要领域,主要分为三大类:脑电信号、心电信号和肌电信号。对医学信号的研究不仅有助于医疗事业的发展,而且对提高人类的健康水平具有重要意义。近年来,心脏病患者和癫痫患者的人数逐渐增多,严重影响患者的正常生活。医学研究表明,脑电信号和心电信号表现出非线性特性,分别反映大脑和心脏的生物电活动,成为患者诊疗的科学依据。而时间序列复杂网络构造算法的出现,使得研究者可以利用复杂网络的统计特性分析非线性时间序列。本文基于复杂网络统计特性对癫痫脑电信号和心颤、心动信号进行分析,分别提出新的特征分类算法,使得分类性能得到提高。对于癫痫脑电信号,本文所提出的特征分类算法能够准确判断出癫痫脑电信号间歇期和发作期状态,根据不同状态对患者进行科学的用药和治疗。对于心脏病患者,发生心脏猝死的主要原因是心室纤颤或心动过速的恶化。对于这两种症状采取的治疗措施不同;若诊断错误,会对患者造成无法弥补的伤害。对于心颤和心动信号,本文提出的特征分类算法可以准确辨别心颤和心动信号,及时对患者采取治疗措施,对心脏猝死病例的减少具有重要意义。首先利用水平可视图算法将实验数据从时间域转换到复杂网络域。在水平可视图算法中,时间序列的每个采样点看作复杂网络中的节点,节点之间是否有边连接,取决于局部凸约性。该算法在构造复杂网络的过程中不涉及任何参数的选择,使得主观性大大降低,可准确得到时间序列所对应的复杂网络。其次对得到的复杂网络结构以及统计特性进行分析。针对癫痫脑电数据,提出度中心度以及其数学变换作为分类特征对其进行分类,其分类效果相比于传统的非线性分析方法,例如样本熵、近似熵等得到提高。考虑到线性特征同样可以反映时间序列的信息,提取波动指数、相关系数与度中心度组合成三维向量作为分类特征对脑电数据进行分类,相比于单特征分类效果更好。通过进一步分析复杂网络,构造新特征以及特征和对癫痫脑电进行分类,分类性能得到进一步的提升,对癫痫疾病的诊断和治疗具有重要的意义。同时,本文首次利用复杂网络理论对心室纤颤和心动过速信号进行研究,为研究心电信号提供了新方法。通过分析心电信号所对应的复杂网络,提出基于度中心度的特征分类算法,该算法相比于传统的非线性分析方法以及现有分类性能较好的复杂度算法,得到更好的分类效果,准确率可达99.5%。通过实验验证,复杂网络理论很适合对癫痫脑电和心颤和心动信号进行研究,其统计特性可以反映原时间序列的非线性动力学信息。本文提出的特征分类算法可以准确辨别不同的医学信号,有助于癫痫病人和心脏患者的诊疗和康复。本文的研究思想以及分类算法对医学信号的研究具有重要意义,并有助于提高医疗水平。
[Abstract]:Some biomedical signals are nonlinear , and belong to non - linear time series , and biomedical signals are important fields of modern signal processing . The complex network theory is very suitable for the study of epileptic EEG and cardiac and cardiac signals . The statistical characteristics can reflect the nonlinear dynamics information of the original time series . The feature classification algorithm proposed in this paper can accurately distinguish different medical signals and help the diagnosis and treatment and rehabilitation of patients with epilepsy and heart . The research idea and classification algorithm of this paper have important significance to the research of medical signals and help to improve the medical level .
【学位授予单位】：济南大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：O211.61;O157.5

【参考文献】