基于特征提取和机器学习算法的脑电波大脑年龄研究

发布时间：2024-02-26 17:57

　　大脑会随着年龄的增长而出现功能衰退。本文探索了不同年龄层次的大脑特征差异,为此,十八个受试者被挑选用于决策(DM)实验,其中年轻人(20-30岁)和老年人(大于45岁)各八个。在DM实验过程中,受试者做出的决策反应所产生的脑电波(EEG)信号将被完全记录下来。为了更好地区分年轻人和老年人的脑电波信号特征的差异,首先,我们提出了两种不同的脑电波信号特征提取方法,分别是beta波特征提取和改进的功率谱熵特征提取方法。我们发现改进的特征提取方法更能表征年轻人和老年人的脑电波的大脑年龄特征。不仅如此,基于beta波特征提取方法,我们发现相比于delta波、theta波和alpha波,beta波在年轻人和老年人参与决策的过程中占主导作用;而改进的功率谱熵特征提取方法,我们进一步发现年轻人的功率谱熵分布要明显大于老年人,其结果表明了年轻人的大脑在决策过程中所产生的信息量要高于老年人。其次,几种机器学习分类算法被应用于进一步区分年轻人和老年人的脑电波信号,其中包括支持向量机(SVM)、随机森林(RF)和核极限学习机(KELM)用于beta特征数据集的分类,而Logistic回归(LR)、SVM、RF...

【文章页数】：73 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1 研究现状
    2 研究内容
    3 论文结构
第二章 背景知识
    1 时频转换方法
        1.1 傅里叶变换
        1.2 小波变换
    2 信号特征提取方法
        2.1 功率谱
        2.2 信息熵
    3 机器学习算法
        3.1 支持向量机(SVM)
        3.2 随机森林(RF)
第三章 实验设计
    1 原始EEG信号获取过程
    2 数据描述
    3 性能评估标准
第四章 基于beta波特征提取的脑电波大脑年龄预测
    1 引言
    2 方法理论
        2.1 Beta数据集获取方法
        2.2 核极限学习机(KELM)
        2.3 Gini指数特征重要性
    3 模型和实验设计
        3.1 Beta数据集的模型设计
        3.2 数据描述
        3.3 实验设置
    4 实验结果与分析
        4.1 beta数据集
        4.2 beta数据集的分类结果
        4.3 特征重要性
    5 本章小结
第五章 改进的功率谱熵特征提取用于脑电波大脑年龄诊断
    1 引言
    2 方法理论
        2.1 功率谱信息熵
        2.2 XGBoost算法
        2.3 特征重要性
    3 实验设计
    4 实验结果与分析
        4.1 特征分析
        4.2 分类结果分析
    5 本章小结
总结与展望
参考文献
致谢
攻读硕士学位期间发表的论文



本文编号：3911640