基于深度神经网络迁移特征学习的癫痫发作检测研究
发布时间：2022-01-26 13:43
癫痫（Epilepsy）是一种危及生命的突发神经系统疾病,全世界大约有5000万人受其影响,其中仅在中国就有900多万患者。然而,大约10%～50%的癫痫患者无法通过药物或者外科手术治愈。对于这些患者,如果可以准确识别出癫痫发病前的状态,就能够让患者提前做好保护措施,减少癫痫发作时因丧失意识而产生的二次伤害。脑电图（Electroencephalogram,EEG）记录了大量有关大脑活动的信息,在癫痫发作检测领域发挥着极其重要的作用。迄今为止,已有的研究主要集中于癫痫发作/未发作检测,但是关于癫痫发作前期的分类研究却非常少。发作前期的准确分类可以为患者提供更多的保护措施,阻止或者减少癫痫发作造成的伤害。另外,传统的癫痫检测算法普遍将发作前期定义为癫痫发作前一个小时的状态。对于实际临床应用,这种划分方式不够详细,无法消除癫痫突然发作给患者带来的威胁和焦虑。因此,一种时效性好、准确性高的癫痫发作检测方法具有重大的现实意义。本文主要的研究内容和成果如下:1.提出了一种基于深度迁移特征的癫痫检测方法。首先设计了一种详细的癫痫发作前期状态划分方式,然后将五个经过Image Net数据库预训练的深...
【文章来源】：杭州电子科技大学浙江省
【文章页数】：88 页
【学位级别】：硕士
【部分图文】：
癫痫信号几种常见的特征波形
杭州电子科技大学硕士学位论文0,1,···,N1,它的离散傅里叶变换公式为：U(k)=N1∑n=0u(n)WknN(2.2)式中WN=ej2πN，k=0,1,···,N1。根据WN的表达式可以发现WN具有周期性，从而可以证明U(k)具有隐含的周期性，且二者周期大小均为N。DFT计算量级的大小为N2，由此可见,当N的值很大时，该变换的计算复杂度将变得非常高，难以进行实时处理。快速傅里叶变换（FFT）是一种基于指数因子WN的周期性和对称性而设计的DFT的快速算法。依据WN的周期性和对称性，可以将一个有N个点的序列的离散傅里叶变换转化为两个点数为N/2的子序列的离散傅里叶变换，其中每个N/2子序列的离散傅里叶变换的计算量级均为(N/2)2，所以两个子序列总的计算量级为N2/2，相较于DFT节约了一半的计算量。同理，可以通过这种一分为二的思想继续对DFT进行分解直到分解成两两一组的序列，此时离散傅里叶总的计算量级从N2降低至(N/2)log2N。快速傅里叶变换将原始大点数N的离散傅里叶变换依次分解为一系列小点数的离散傅里叶变换的组合，显著降低运算过程中的工作量，大幅度提升了离散傅里叶变换的计算速度，并且需要被变换的抽样点数N的数值越大，FFT算法的优势越明显。如图2.1所示，本文选取CHB-MIT数据库中癫痫发作期的脑电信号展示FFT后信号的变化情况。图2.1:脑电信号FFT示意图功率谱密度（PowerSpectralDensity,PSD）是癫痫脑电信号分类中常用的频域特-12-
杭州电子科技大学硕士学位论文置基函数，理论上适用于该方法的信号范围更加广泛，尤其是在处理脑电信号这类非平稳信号时大多可以体现出更加卓越的性能，因而得到了极其广泛的应用。经验模态分解方法的目标就是将原始时间信号x(t)分解为n个IMF和一个残差项（residual）的组合，即x(t)=n∑i=1ci(t)+r(t)(2.4)其中ci(t)表示第i个IMF分量，r(t)表示残差项。此外，残差项只描述信号改变的趋势并不反映信号振荡的信息。IMF分量需要满足两个必要的条件：（1）在全部数据集范围内，局部极值点和零点数目要一致，或者数量至多相差1个；（2）在每个特定时刻，局部极大值确定的包络（上包络线）和局部极小值确定的包络（下包络线）的平均值必须等于零。对于上述两个必要的条件，第一个条件显而易见，在传统的分析过程中已经被提出来，可以类比为高斯平稳进程中对窄带的要求。第二个条件是一种由黄愕博士所提出的创新性方法，将传统方法对全局函数的限制转变为对局部限制，可以消除瞬时频率由于非对称波形波动所产生的噪声干扰，从而保证了瞬时频率的有效性。在理想状态下，整个数据集的局部均值需要全部等于零。针对于非平稳信号数据，一般采取局部时间尺度来计算数据的局部平均值，但是有效的局部时间尺度往往难以定义。EMD图2.2:脑电信号EMD示意图-14-
【参考文献】：
期刊论文
[1]基于深度卷积神经网络的癫痫脑电自动检测[J]. 韦晓燕,周霖,陈秋源,陈子怡,周毅. 中国数字医学. 2019(01)
[2]基于脑电信号提取与识别的癫痫预测研究[J]. 韦晓燕,周霖,周毅. 生物医学工程研究. 2018(04)
[3]利用整体经验模态分解和随机森林的脑电信号分类研究[J]. 秦喜文,吕思奇,李巧玲. 中国生物医学工程学报. 2018(06)
[4]基于LSTM模型的单导联脑电癫痫发作预测[J]. 单绍杰,李汉军,王璐璐,唐晓英. 计算机应用研究. 2018(11)
[5]改进的极限学习机在癫痫脑电分类中的应用[J]. 王杰,李牧潇. 计算机仿真. 2014(06)
[6]基于支持向量机的多通道癫痫发作预测[J]. 李志萍. 计算机工程. 2014(02)
[7]基于多特征的颅内脑电癫痫检测方法[J]. 陈爽爽,周卫东,袁琦,袁莎莎,栗学丽. 中国生物医学工程学报. 2013(03)
[8]基于Hurst指数和SVM的癫痫脑电检测方法[J]. 蔡冬梅,周卫东,刘凯,李淑芳,耿淑娟. 中国生物医学工程学报. 2010(06)
[9]样本熵及在脑电癫痫检测中的应用[J]. 白冬梅,邱天爽,李小兵. 生物医学工程学杂志. 2007(01)
[10]基于小波变换并结合神经网络的癫痫发作预报[J]. 林相波,邱天爽,李小兵,王静. 中国生物医学工程学报. 2005(05)
博士论文
[1]基于复合域分析的癫痫脑电信号检测算法研究[D]. 李明阳.吉林大学 2018
[2]基于EEG和ERP信号分析的情感认知研究[D]. 畅江.太原理工大学 2018
[3]癫痫发作自动检测算法研究[D]. 袁莎莎.山东大学 2016
硕士论文
[1]基于广义S变换和随机森林算法的癫痫脑电信号特征提取与分类研究[D]. 王宇桥.吉林大学 2018
[2]结合卷积神经网络和随机森林的癫痫自动检测[D]. 杜沛冬.山东大学 2018
[3]基于小波包能量与熵特征和Real AdaBoost算法的癫痫脑电识别[D]. 张健钊.山东大学 2018
[4]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
[5]基于脑电棘波频次和AR模型的癫痫发作预测算法[D]. 刘银霞.山东大学 2013
[6]癫痫脑电信号的提取与识别[D]. 宋焕荣.大连理工大学 2012
本文编号：3610591
【文章来源】：杭州电子科技大学浙江省
【文章页数】：88 页
【学位级别】：硕士
【部分图文】：
癫痫信号几种常见的特征波形
杭州电子科技大学硕士学位论文0,1,···,N1,它的离散傅里叶变换公式为：U(k)=N1∑n=0u(n)WknN(2.2)式中WN=ej2πN，k=0,1,···,N1。根据WN的表达式可以发现WN具有周期性，从而可以证明U(k)具有隐含的周期性，且二者周期大小均为N。DFT计算量级的大小为N2，由此可见,当N的值很大时，该变换的计算复杂度将变得非常高，难以进行实时处理。快速傅里叶变换（FFT）是一种基于指数因子WN的周期性和对称性而设计的DFT的快速算法。依据WN的周期性和对称性，可以将一个有N个点的序列的离散傅里叶变换转化为两个点数为N/2的子序列的离散傅里叶变换，其中每个N/2子序列的离散傅里叶变换的计算量级均为(N/2)2，所以两个子序列总的计算量级为N2/2，相较于DFT节约了一半的计算量。同理，可以通过这种一分为二的思想继续对DFT进行分解直到分解成两两一组的序列，此时离散傅里叶总的计算量级从N2降低至(N/2)log2N。快速傅里叶变换将原始大点数N的离散傅里叶变换依次分解为一系列小点数的离散傅里叶变换的组合，显著降低运算过程中的工作量，大幅度提升了离散傅里叶变换的计算速度，并且需要被变换的抽样点数N的数值越大，FFT算法的优势越明显。如图2.1所示，本文选取CHB-MIT数据库中癫痫发作期的脑电信号展示FFT后信号的变化情况。图2.1:脑电信号FFT示意图功率谱密度（PowerSpectralDensity,PSD）是癫痫脑电信号分类中常用的频域特-12-
杭州电子科技大学硕士学位论文置基函数，理论上适用于该方法的信号范围更加广泛，尤其是在处理脑电信号这类非平稳信号时大多可以体现出更加卓越的性能，因而得到了极其广泛的应用。经验模态分解方法的目标就是将原始时间信号x(t)分解为n个IMF和一个残差项（residual）的组合，即x(t)=n∑i=1ci(t)+r(t)(2.4)其中ci(t)表示第i个IMF分量，r(t)表示残差项。此外，残差项只描述信号改变的趋势并不反映信号振荡的信息。IMF分量需要满足两个必要的条件：（1）在全部数据集范围内，局部极值点和零点数目要一致，或者数量至多相差1个；（2）在每个特定时刻，局部极大值确定的包络（上包络线）和局部极小值确定的包络（下包络线）的平均值必须等于零。对于上述两个必要的条件，第一个条件显而易见，在传统的分析过程中已经被提出来，可以类比为高斯平稳进程中对窄带的要求。第二个条件是一种由黄愕博士所提出的创新性方法，将传统方法对全局函数的限制转变为对局部限制，可以消除瞬时频率由于非对称波形波动所产生的噪声干扰，从而保证了瞬时频率的有效性。在理想状态下，整个数据集的局部均值需要全部等于零。针对于非平稳信号数据，一般采取局部时间尺度来计算数据的局部平均值，但是有效的局部时间尺度往往难以定义。EMD图2.2:脑电信号EMD示意图-14-
【参考文献】：
期刊论文
[1]基于深度卷积神经网络的癫痫脑电自动检测[J]. 韦晓燕,周霖,陈秋源,陈子怡,周毅. 中国数字医学. 2019(01)
[2]基于脑电信号提取与识别的癫痫预测研究[J]. 韦晓燕,周霖,周毅. 生物医学工程研究. 2018(04)
[3]利用整体经验模态分解和随机森林的脑电信号分类研究[J]. 秦喜文,吕思奇,李巧玲. 中国生物医学工程学报. 2018(06)
[4]基于LSTM模型的单导联脑电癫痫发作预测[J]. 单绍杰,李汉军,王璐璐,唐晓英. 计算机应用研究. 2018(11)
[5]改进的极限学习机在癫痫脑电分类中的应用[J]. 王杰,李牧潇. 计算机仿真. 2014(06)
[6]基于支持向量机的多通道癫痫发作预测[J]. 李志萍. 计算机工程. 2014(02)
[7]基于多特征的颅内脑电癫痫检测方法[J]. 陈爽爽,周卫东,袁琦,袁莎莎,栗学丽. 中国生物医学工程学报. 2013(03)
[8]基于Hurst指数和SVM的癫痫脑电检测方法[J]. 蔡冬梅,周卫东,刘凯,李淑芳,耿淑娟. 中国生物医学工程学报. 2010(06)
[9]样本熵及在脑电癫痫检测中的应用[J]. 白冬梅,邱天爽,李小兵. 生物医学工程学杂志. 2007(01)
[10]基于小波变换并结合神经网络的癫痫发作预报[J]. 林相波,邱天爽,李小兵,王静. 中国生物医学工程学报. 2005(05)
博士论文
[1]基于复合域分析的癫痫脑电信号检测算法研究[D]. 李明阳.吉林大学 2018
[2]基于EEG和ERP信号分析的情感认知研究[D]. 畅江.太原理工大学 2018
[3]癫痫发作自动检测算法研究[D]. 袁莎莎.山东大学 2016
硕士论文
[1]基于广义S变换和随机森林算法的癫痫脑电信号特征提取与分类研究[D]. 王宇桥.吉林大学 2018
[2]结合卷积神经网络和随机森林的癫痫自动检测[D]. 杜沛冬.山东大学 2018
[3]基于小波包能量与熵特征和Real AdaBoost算法的癫痫脑电识别[D]. 张健钊.山东大学 2018
[4]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
[5]基于脑电棘波频次和AR模型的癫痫发作预测算法[D]. 刘银霞.山东大学 2013
[6]癫痫脑电信号的提取与识别[D]. 宋焕荣.大连理工大学 2012
本文编号：3610591
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3610591.html
