基于EEG的酒精使用障碍的识别研究

发布时间：2021-04-28 00:48

　　酒精使用障碍（Alcohol Use Disorder,AUD）是一种受酗酒、遗传、环境等多种因素所影响引起的慢性、反复性精神障碍,传统筛查方法的准确率会受到经验限制和主观因素的影响。通过对AUD患者和正常人群的脑电信号（Electroencephalogram,EEG）对比研究可以发现,AUD患者与正常人群脑电信号相比较有异常表现。因此,本文通过信号处理与机器学习相结合的方法,对AUD实验组与正常对照组的脑电信号进行分析和分类识别,提高了AUD识别的准确率。本文首先对原始脑电信号进行去伪迹处理,提出了基于完全集成经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）改进希尔伯特-黄变换（Hilbert-Huang Transforms,HHT）算法,并将改进后的HHT与独立成分分析法结合使用去除脑电信号中的伪迹成分。与其他方法相比较,本文提出的方法可以更有效的识别出伪迹分量,去除伪迹后的脑电信号均方根误差合理,信噪比更高,为信号特征提取与分析提供了更有效的信息,可以有效的提高... 

【文章来源】：长春理工大学吉林省

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究意义
    1.2 研究现状
        1.2.1 酒精使用障碍研究现状
        1.2.2 脑电识别的研究现状
    1.3 论文研究内容及安排
        1.3.1 论文研究内容
        1.3.2 论文章节安排
第2章 脑电信号分析基础理论
    2.1 脑电信号
        2.1.1 脑电信号采集
        2.1.2 脑电信号节律
        2.1.3 事件相关电位
    2.2 脑电信号预处理
    2.3 脑电信号特征提取
        2.3.1 时域特征提取
        2.3.2 频域特征提取
        2.3.3 时频域特征提取
        2.3.4 空域特征提取
        2.3.5 非线性分析
    2.4 本章小结
第3章 脑电信号去除伪迹
    3.1 多项式拟合去除基线漂移
    3.2 希尔伯特-黄变换
        3.2.1 改进经验模态分解
        3.2.2 希尔伯特变换
    3.3 独立成分分析
    3.4 基于样本熵的伪迹识别
    3.5 实验仿真与结果分析
        3.5.1 实验仿真
        3.5.2 实验结果分析
    3.6 本章小结
第4章 AUD脑电信号的特征提取与分析
    4.1 巴特沃斯带通滤波器
    4.2 功率谱密度
    4.3 特征提取与分析
        4.3.1 实验数据来源
        4.3.2 特征提取与对比分析
        4.3.3 特征融合
    4.4 本章小结
第5章 基于自适应差分进化优化SVM的 AUD识别
    5.1 支持向量机
        5.1.1 线性分类器
        5.1.2 非线性分类器
        5.1.3 核函数
    5.2 差分进化
        5.2.1 标准差分进化
        5.2.2 自适应差分进化算法
    5.3 基于自适应差分进化算法的SVM优化模型
    5.4 结果分析与比较
        5.4.1 查准率和查全率
        5.4.2 结果分析比较
        5.4.3 不同算法模型识别效果比较
    5.5 本章小结
第6章 总结与展望
参考文献
附录 A 酒精使用障碍筛查表
攻读硕士学位期间取得的成果
致谢



本文编号：3164473