基于机器学习算法的精神分裂症听觉稳态诱发脑电研究
发布时间：2021-03-04 20:30
目的:基于精神分裂症听觉稳态诱发脑电,运用支持向量机和深度信念网络算法建立诊断预测模型,比较模型在精神分裂症中的诊断价值。方法:使用Mipower脑电信号采集器采集14名精神分裂症患者和15名正常对照者的听觉稳态诱发脑电信号。从时域和频域两个方面分析脑电信号,提取脑电信号在能量、相位、信噪比和微分熵的特征。应用基于线性核、径向基函数核、sigmoid核的支持向量机和深度信念网络算法构建预测模型,通过准确率、灵敏度、特异度和ROC曲线下的面积（Areas Underthe ROC curve,AUC）比较四种模型的分类性能。结果:深度信念网络模型的准确率、灵敏度、特异度、AUC分别为85.6%,88.33%,75.50%,0.88,而基于线性核、径向基函数核、sigmoid核的支持向量机模型准确率分别是74.6%,78.5%,72.8%,灵敏度分别是 88.30%,92.98%,79.53%,特异度分别是 39.39%,56.57%,42.42%,AUC分别是0.74,0.86,0.71。深度信念网络模型分类性能明显高于三种支持向量机模型。结论:上述结果证明了深度信念网络可以学习到数据的...
【文章来源】：中国人民解放军医学院北京市
【文章页数】：53 页
【学位级别】：硕士
【部分图文】：
图２．１大脑皮层分区图??
采样频率为１０００Ｈｚ。以鼻尖为参考，所采集的样本数据都包括９个导联上??（Ｆ３，ＦＺ，Ｆ４，Ｃ３，ＣＺ，Ｃ４，Ｐ３，ＰＺ，Ｐ４）?４？５分钟的时域数据，导联位置按照国际惯例１０?￣??２０系统，如图２．２所示。??２０％?砩?ｐ??ｆ讀曝??ｐｉ＇ｒ?Ｉ??左侧视图?顶面视图??图２．２国际标准１０－２０系统电极放置法??２．３脑电信号的预处理??脑电信号是一种非线性及非平稳信号，并且具有较强的随机性。轻微的干扰??１２??
这个子集也称为支持向量。??３．１?间隔最大化（Ｍａｒｇｉｎ?ｍａｘｉｍｉｚａｔｉｏｎ）??如图３．１所示，方块代表的是类１的样本，圆圈代表的类２的样本。从原则上??来讲，类１和类２两个样本可以被无线条直线分隔开，例如图中的直线Ａ和直线??Ｂ。凭直觉来看，相比于直线Ｂ，直线Ａ似乎可以获得一个更好的分类效果，因为??它使类１和类２的样本尽可能地远离分割线，这就是支持向量机算法的最关键的??概念Ｍ。??、?＊?：??Ａ?＼?：８??＼丨⑩〇??□?＼丨〇??□?□?＼丨?〇?〇??Ｍ?〇??□?＼??□?■丨＼鲁〇??□??＊?ｋ??图３．１?—个二分类问题??上面描述的是个二维平面的二分类问题，在一个多维空间，ＳＶＭ可以找到一??个超平面来获得这两类的最大间隔（或边缘）。不管是哪一个类，最靠近超平面??的这些点被称为支持向量（图３．１中实心的方块和圆圈）。??１５??
【参考文献】：
期刊论文
[1]运动想象脑电信号特征提取与分类算法研究[J]. 马也,常天庆,郭理彬. 计算机工程与应用. 2017(16)
[2]基于深度学习的精神分裂症脑电分析[J]. 尹虹毅. 微型机与应用. 2016(06)
[3]基于EEMD和LS-SVM的癫痫脑电信号识别[J]. 李营,吕兆承. 淮南师范学院学报. 2014(03)
[4]说话人识别中支持向量机核函数参数优化研究[J]. 刘祥楼,贾东旭,李辉,姜继玉. 科学技术与工程. 2010(07)
[5]An Algorithm for Idle-State Detection and Continuous Classifier Design in Motor-Imagery-Based BCI[J]. Yu Huang,Qiang Wu,Xu Lei,Ping Yang,Peng Xu,and De-Zhong Yao The authors are with the Key Laboratory for NeuroInformation of Ministry of Education,School of Life Science and Technology,University of Electronic Science and Technology of China,Chengdu,610054,China. Journal of Electronic Science and Technology of China. 2009(01)
硕士论文
[1]基于EEG信号的癫痫发病预测的算法研究[D]. 董旭洋.哈尔滨工业大学 2015
[2]基于运动想象脑电的手臂运动功能康复研究[D]. 崔燕.北京工业大学 2013
[3]脑—机系统中特征提取方法的研究[D]. 张新闻.兰州理工大学 2007
本文编号：3063869
【文章来源】：中国人民解放军医学院北京市
【文章页数】：53 页
【学位级别】：硕士
【部分图文】：
图２．１大脑皮层分区图??
采样频率为１０００Ｈｚ。以鼻尖为参考，所采集的样本数据都包括９个导联上??（Ｆ３，ＦＺ，Ｆ４，Ｃ３，ＣＺ，Ｃ４，Ｐ３，ＰＺ，Ｐ４）?４？５分钟的时域数据，导联位置按照国际惯例１０?￣??２０系统，如图２．２所示。??２０％?砩?ｐ??ｆ讀曝??ｐｉ＇ｒ?Ｉ??左侧视图?顶面视图??图２．２国际标准１０－２０系统电极放置法??２．３脑电信号的预处理??脑电信号是一种非线性及非平稳信号，并且具有较强的随机性。轻微的干扰??１２??
这个子集也称为支持向量。??３．１?间隔最大化（Ｍａｒｇｉｎ?ｍａｘｉｍｉｚａｔｉｏｎ）??如图３．１所示，方块代表的是类１的样本，圆圈代表的类２的样本。从原则上??来讲，类１和类２两个样本可以被无线条直线分隔开，例如图中的直线Ａ和直线??Ｂ。凭直觉来看，相比于直线Ｂ，直线Ａ似乎可以获得一个更好的分类效果，因为??它使类１和类２的样本尽可能地远离分割线，这就是支持向量机算法的最关键的??概念Ｍ。??、?＊?：??Ａ?＼?：８??＼丨⑩〇??□?＼丨〇??□?□?＼丨?〇?〇??Ｍ?〇??□?＼??□?■丨＼鲁〇??□??＊?ｋ??图３．１?—个二分类问题??上面描述的是个二维平面的二分类问题，在一个多维空间，ＳＶＭ可以找到一??个超平面来获得这两类的最大间隔（或边缘）。不管是哪一个类，最靠近超平面??的这些点被称为支持向量（图３．１中实心的方块和圆圈）。??１５??
【参考文献】：
期刊论文
[1]运动想象脑电信号特征提取与分类算法研究[J]. 马也,常天庆,郭理彬. 计算机工程与应用. 2017(16)
[2]基于深度学习的精神分裂症脑电分析[J]. 尹虹毅. 微型机与应用. 2016(06)
[3]基于EEMD和LS-SVM的癫痫脑电信号识别[J]. 李营,吕兆承. 淮南师范学院学报. 2014(03)
[4]说话人识别中支持向量机核函数参数优化研究[J]. 刘祥楼,贾东旭,李辉,姜继玉. 科学技术与工程. 2010(07)
[5]An Algorithm for Idle-State Detection and Continuous Classifier Design in Motor-Imagery-Based BCI[J]. Yu Huang,Qiang Wu,Xu Lei,Ping Yang,Peng Xu,and De-Zhong Yao The authors are with the Key Laboratory for NeuroInformation of Ministry of Education,School of Life Science and Technology,University of Electronic Science and Technology of China,Chengdu,610054,China. Journal of Electronic Science and Technology of China. 2009(01)
硕士论文
[1]基于EEG信号的癫痫发病预测的算法研究[D]. 董旭洋.哈尔滨工业大学 2015
[2]基于运动想象脑电的手臂运动功能康复研究[D]. 崔燕.北京工业大学 2013
[3]脑—机系统中特征提取方法的研究[D]. 张新闻.兰州理工大学 2007
本文编号：3063869
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3063869.html
