基于机器学习的癫痫及精神异常脑电信息识别研究

发布时间：2020-07-29 20:23

【摘要】：癫痫和精神分裂症都是常见的脑部疾病,随着生活水平的提高,人们对该两类疾病的发病机理和治疗手段的关注日益增加。脑部疾病EEG(Electroencephalogram)信号处理和识别算法是实现生物电信号智慧医疗的重要手段,医生虽然可以结合先验知识及相关理论对脑电图进行主观判断,制定针对患者的医学治疗方法。但是,这种主观判断方法极易出错,并且效率不高。先进的信号处理技术、深度神经网络技术等为快速精准的智慧医疗提供了新方法和新手段,因此,采用先进的信号处理与机器学习技术,实现脑部疾病的自动检测、识别与诊断治疗具有重要意义。(1)提出了一种基于小波双谱能量熵和颜色矩的信号特征提取算法,用于癫痫信号处理和分类识别。针对脑电信号的特性(非平稳性、非线性、非高斯性等),将小波与双谱分析方法结合,发挥小波变换与高阶谱估计信号处理方法各自的优势,得到小波双谱理论。本文采用小波双谱能量熵和颜色矩的组合特征矢量[En,μ,ζ]作为癫痫脑电信号特征提取的方法,对癫痫信号进行了分类识别。结果显示该算法可以有效的区分癫痫发作期和发作间期的脑电信号,为接下来的自动识别工作做了充足准备。(2)提出了一种使用遗传算法对参数进行优化的双子支持向量机分类算法,通过遗传算法对双子支持向量机进行优化,可以高效的确定惩罚参数和高斯核函数参数,得出最优模型。结果表明新算法将癫痫临床脑电信号的敏感性提高至92.40%,总识别率提高至94.47%,且特异性为84.74%,AUC(Area Under Curve)为96.308%,其中,单个病人的最高识别率则达到99.05%。该方法避免了因主观因素或判断标准的不同而产生诊断结果的偏差,较用于统一数据来源的机器学习方法的AUC提升了约1%,为实用医学中准确判断和预防癫痫疾病创造了坚实的基础。(3)针对精神分裂症患者的脑电信号,提出了基于改进的VGGNet的精神分裂症脑电自动识别算法,构建不同网络层数和不同卷积核大小的VGGNet网络对精神分裂症脑电信号进行自动识别,通过比较,最终选择分类准确率最高的网络模型:卷积核大小为5*5的13层VGG网络。使用该深度学习算法与本文第三、四章提出的新机器学习算法分别对精神分裂症脑电信号进行分类研究。实验结果显示,基于改进的VGG网络深度学习算法所得识别率为84.34%,优于新的机器学习算法,平均识别率为81.45%。综上所述,本文提出的算法均可以及时的发现脑部疾病的隐情,对有癫痫疾病或精神分裂症倾向的测试者进行积极干预,从而实现对脑部疾病EEG信号的自动识别,完成疾病的早期评估,进而实现针对脑部疾病的早预防、早发现、早治疗。脑部疾病的自动检测分析可以对测试者的神经模式进行区分,对具有特定类型脑部疾病数据进行有效分类,更加有效地管理疾病,提升疾病的诊疗水平。
【学位授予单位】：北京邮电大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP181;R742.1
【图文】：

波形,脑电信号,波形,测试者

逡逑几种典型的脑电信号波形如下图１－２所示。脑电信号在不同时刻会表现出不逡逑同的频率分量，波形的变化会受测试者自身状态影响，因此极度不稳定并且随机。逡逑。波一ｈ皂逡逑Ｉ逦｜逦｜逦｜逦Ｉ逦｜逦｜逡逑８波——签笕逡逑ｔ逦Ｉ逦Ｉ逦１逦Ｉ逦Ｉ逦ｔ逡逑９波——§ｉｉＲ逡逑￥丨波——．奸运邋１逦１逦Ｌ逦１逦＇逡逑＾－逡逑ｉ逦ｊ逦ｉ逦ｉ逦ｉ逦ｉ逦？逡逑图１－２几种典型的脑电信号波形逡逑３逡逑

自动检测系统,脑电,疾病,脑电信号

逡逑（２）选择训练集和测试集数据。由于每个患者本身存在个体差异，例身体状况、性别等等，这就需要算法对每一个患者单独建立模型，耗量大。每当处理一个新的患者脑电信号数据时，就需要重新建立新模如何选择训练样本和测试样本集变成核心问题。逡逑（３）特征提取方法单一的问题。脑部疾病自动检测系统由两部分组成特征提取器和分类器，如下图１－３所示。其中，特征提取器的主要作用器学习或者深度学习等方法的分析来提取脑电信号中可以代表着一段特点的特征，用来反映脑部疾病ＥＥＧ信号的发作规律。分类器的主要提取到的特征样本进行分类，因此，便会产生特征提取器和分类器优劣优质的脑部疾病ＥＥＧ信号特征可以很大程度的反映出正常脑电信号、发作期脑电信号与脑部疾病发作间期脑电信号的区别，具有很高的区，如何选择脑部疾病ＥＥＧ信号特征便成为研宄重点，选择两种及以上病ＥＥＧ信号能够更全面的反映脑部疾病ＥＥＧ信号变化规律，比传统的值更具有代表性。逡逑

信号波形,脑电图,发作期,癫痫发作

度异常或同步的神经元活动导致的［３１］。癫痫的发作分为两个阶段：发作期和发作逡逑间期。大多数癫痫发作可通过脑电图电极记录并显示在脑电图数据中，其波形如逡逑下图２－１所示。逡逑＼Ｊ＾逡逑（Ａ）

【相似文献】