基于SVM-HMM混合模型的癫痫信号的特征提取与识别

发布时间：2017-09-05 17:07

  本文关键词：基于SVM-HMM混合模型的癫痫信号的特征提取与识别

  更多相关文章： 癫痫 脑电信号 小波变换 支持向量机 隐马尔科夫链

【摘要】：癫痫是由大脑神经元突发性异常放电引起的,使神经中枢产生暂时功能性障碍反复性发作的慢性疾病。针对这种令人无从下手的反复性发作问题,在临床医学上通过24小时实时监控患者脑电信号,医生通过观察脑电信号并通过经验判断癫痫是否发作。在学术理论中,癫痫患者的脑电信号也是作为研究的热点,但是很多对癫痫脑电信号的处理方法都集中在如何获得更准确的分类效果,在癫痫脑电信号在特征提取以及对于癫痫脑电信号与正常脑电信号的量化差异和物理意义却无法给出很好的解释,所以也无法结合临床医学上的实际经验来对信号处理结果进行分析。本文以Bonn大学癫痫EEG信号为研究对象,主要工作有以下几方面:(1)首先针对癫痫脑电信号特征提取物理意义不明确问题,本文使用根据小波变换系数各尺度下对原始信号相似程度的意义对原始信号进行小波变换,提取小波系数对癫痫病发脑电信号中的棘慢复合波进行不同频率尺度下的特征提取,这一过程结合了癫痫病发的临床经验,解决特征提取的随意性。(2)其次,针对癫痫脑电信号在进行临床诊断的经验性对其进行量化编码,通过SVM对相似的程度进行分类,并对各个通道的分类结果进行重新编码,最后通过HMM对新编码判断脑电信号的时序状态和脑电信号所处状态进行分类,通过HMM分类的结果可以追踪异常信号的频带来源,通过对癫痫发作期间不同频带来源的分析我们可以得到癫痫发作时的准确量化分析。(3)最后,针对以往算法在进行癫痫脑电信号分类时分类结果的不可对临床经验进行量化分析,以及临床经验无法引入分析结果的问题,本文结合临床经验的经验知识与文中提出算法的分类结果相结合,通过量化分析为临床经验找到可靠的理论基础,丰富癫痫病发的临床诊断经验。解决了以往算法对癫痫脑电信号分类结果的不可对临床经验进行量化分析,以及癫痫病发的临床经验无法引入分析结果的问题。
【关键词】：癫痫 脑电信号 小波变换 支持向量机 隐马尔科夫链
【学位授予单位】：重庆大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：R742.1;TP18
【目录】：

• 中文摘要3-4
• 英文摘要4-8
• 1 绪论8-12
• 1.1 研究背景与意义8
• 1.2 国内外研究现状8-10
• 1.3 论文要完成的工作10-11
• 1.4 本章小结11-12
• 2 癫痫检测相关理论12-19
• 2.1 癫痫脑电信号分类理论12-14
• 2.2 脑电信号与癫痫病发特点14-15
• 2.2.1 脑电信号特点14
• 2.2.2 癫痫病发的临床特点14-15
• 2.3 基于临床特征的癫痫检测15-18
• 2.3.1 癫痫病发临床经验对分类算法的必要性15-16
• 2.3.2 算法构架16-18
• 2.4 本章小结18-19
• 3 基于连续小波变换的癫痫病发特征提取19-36
• 3.1 常见癫痫病发特征提取方法19-20
• 3.2 连续小波变换20-24
• 3.2.1 小波的定义20
• 3.2.2 基于连续小波变换的癫痫特征提取20-24
• 3.3 数值实验分析24-35
• 3.3.1 实验数据说明24-26
• 3.3.2 实验结果与分析26-35
• 3.4 本章小结35-36
• 4 癫痫病发特征向量分类编码36-46
• 4.1 癫痫病发特征的特征分类36-37
• 4.2 支持向量机的癫痫特征分类编码37-40
• 4.2.1 支持向量机理论37-39
• 4.2.2 二进制编码39-40
• 4.3 数值实验分析40-45
• 4.3.1 参数寻优41-43
• 4.3.2 支持向量机训练43
• 4.3.3 特征编码43-45
• 4.4 本章小结45-46
• 5 基于隐马尔科夫链的癫痫病发特征分类46-57
• 5.1 基于隐马尔科夫链的癫痫病发信号分类46-51
• 5.2 数值实验分析51-56
• 5.2.1 临床经验的量化分析51-54
• 5.2.2 分类正确率分析54-56
• 5.3 本章小结56-57
• 6 总结与展望57-59
• 6.1 本文总结57-58
• 6.2 下一步工作展望58-59
• 致谢59-60
• 参考文献60-64
• 附录64
• A. 作者在攻读硕士学位期间发表论文与专利64
• B. 作者在攻读硕士学位期间参与的科研项目64

【相似文献】

中国期刊全文数据库 前10条

1 葛丁飞;李小梅;;心电信号多周期融合特征提取和分类研究[J];中国生物医学工程学报;2006年06期

2 张绍武;潘泉;赵春晖;程咏梅;;基于加权自相关函数特征提取法的多类蛋白质同源寡聚体分类研究[J];生物医学工程学杂志;2007年04期

3 薛建中,郑崇勋,闫相国;快速多变量自回归模型的意识任务的特征提取与分类[J];西安交通大学学报;2003年08期

4 杨晓敏,罗立民;白细胞自动分类中的特征提取和分析[J];北京生物医学工程;1992年04期

5 王双维;樊晓平;廖志芳;;一种激光诱导荧光光谱特征提取新方法[J];计算机工程与应用;2008年12期

6 杜军平,涂序彦;计算机图像处理技术在舌像特征提取中的应用[J];中国医学影像技术;2003年S1期

7 游佳;陈卉;;数字图像中血管的分割与特征提取[J];生物医学工程与临床;2011年01期

8 谢轶峰;;乳腺超声图像肿瘤特征提取与肿瘤分类[J];中外医疗;2013年16期

9 吴泽晖,吴星;医学图象的边缘特征提取[J];海南师范学院学报(自然科学版);2003年03期

10 杨晓敏，罗立民，，韦钰;血液白细胞计算机分类中的特征提取研究[J];应用科学学报;1994年02期

中国重要会议论文全文数据库 前10条

1 尚修刚;蒋慰孙;;模糊特征提取新算法[A];1997中国控制与决策学术年会论文集[C];1997年

2 潘荣江;孟祥旭;杨承磊;王锐;;旋转体的几何特征提取方法[A];第一届建立和谐人机环境联合学术会议（HHME2005）论文集[C];2005年

3 薛燕;李建良;朱学芳;;人脸识别中特征提取的一种改进方法[A];第十三届全国图象图形学学术会议论文集[C];2006年

4 杜栓平;曹正良;;时间—频率域特征提取及其应用[A];2005年全国水声学学术会议论文集[C];2005年

5 黄先锋;韩传久;陈旭;周剑军;;运动目标的分割与特征提取[A];全国第二届信号处理与应用学术会议专刊[C];2008年

6 魏明果;;方言比较的特征提取与矩阵分析[A];2009系统仿真技术及其应用学术会议论文集[C];2009年

7 林土胜;赖声礼;;视网膜血管特征提取的拆支跟踪法[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

8 秦建玲;李军;;基于核的主成分分析的特征提取方法与样本筛选[A];2005年中国机械工程学会年会论文集[C];2005年

9 刘红;陈光

本文编号：799195