基于脑电信号的脑卒中分类研究

发布时间：2020-07-31 17:41

【摘要】：脑卒中是一种临床上常见的脑部疾病,每年由它导致的死亡人数占有很大的比例,同时也使许多患者身患残疾,这给患者及其家人带来了极大的痛苦和沉重的经济压力。相对于脑卒中繁琐的化验和诊断方法,对脑卒中病人的脑电信号选取合适的特征提取方法,找出有效的分类模型来对卒中病人进行分类,不但能提高智能预测水平,而且还能提供更加准确的诊断结果,从而更利于医务人员为患者制定详细的治疗措施。脑卒中主要包括出血性及缺血性卒中两种。要根据脑卒中脑电信号实现卒中的有效分类,可首先对脑卒中脑电信号提取有效特征,再根据提取的特征采用合适的分类模型进行卒中类型的分类识别。目前对于两类脑卒中脑电信号特征提取的研究较少,为此,本文首先引入了一种基于分层熵特征的脑卒中脑电信号的特征提取方法,然后提出了一种基于小波包能量与近似熵特征相融合的特征提取方法,同时还在此基础上单独提取α波段的脑电信号进行特征提取,有效提高了分类准确率。分类模型构建方面,对比研究了将支持向量机、决策树以及随机森林算法应用于脑卒中脑电信号分类识别的分类性能。本文所做的工作主要有以下几点:第一:引入了一种单一熵特征值的脑卒中脑电信号特征提取方法,将小波包分解与熵特征相结合来提取两类脑卒中脑电信号的四种分层熵特征值作为特征向量,并将其输入支持向量机模型进行分类识别。实验结果表明,本文采用的分层熵特征提取方法较分层前可以大大提高两类脑卒中脑电信号的分类准确率,其中采用分层模糊熵作为特征时,分类识别效果最优,这为脑卒中临床的智能诊断识别提供了一种较为可靠的依据。第二:提出了一种基于小波包能量与近似熵特征相融合的脑卒中脑电信号特征提取方法,首先提取脑电信号的小波包能量并用主成分分析法进行降维,再与近似熵特征相融合,最后将其输入支持向量机模型进行分类识别。此外,在此基础上单独提取α波段脑电信号对应特征进行分类识别来有效提高脑卒中脑电信号的分类准确率。实验结果表明,单独提取α波段的脑电信号采用小波包能量与近似熵相融合的多特征相融合方法比直接对原始脑电信号进行特征提取而后分类有更优的分类效果,而且与分层熵特征相比较所得到的分类准确率更高。由此可见,本文所提出的多特征融合方法是有效的,也进一步证明了脑卒中脑电信号的α波段的复杂度与卒中病程相关。第三:为了进一步提高脑卒中脑电信号的分类识别率,本文进一步对比了支持向量机、决策树以及随机森林算法分别作为识别模型时的识别性能。实验结果表明,在三种分类识别模型中,对脑卒中脑电信号的分层熵特征以及小波包能量与近似熵相融合的多特征而言,随机森林作为脑卒中脑电信号的分类模型,可获得最优的分类识别性能。
【学位授予单位】：太原理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R743.3;TN911.7
【图文】：

右半球,端脑,器官,左半球

最后简要阐述了两种经典分类算法的识别原理。信号概述的结构和功能半球的表面有弯曲的沟，称为脑沟，中间凸起来的部分称为脑回[51] 2-1 所示。从图中可以看出大脑的前脑有端脑和间脑组成，其中端脑统的重要组成部分，它包括左半球和右半球，二者是由胼胝体连接球主要是来主导人身体右半边的活动，有语言、数字等功能；右半球边的活动，右脑主要具有想象、空间几何、综合、以及绘画等多种功不可少的器官，在中枢神经系统里，大脑是最高部位，复杂性高，也能的器官，是人们日常记忆、学习等各种活动的物质基础。

脑电图,国际标准,电极,脑电图

ansBerger 首次记录到了大脑的电生理活动[54]。脑脑头皮接触，并将头皮上自发产生的有节律的生理电图记录的是脑部活动表现出来的波形，它不仅病理特征，此外还可以反映出因为人体代谢紊乱经系统发生的改变。通过脑电图记录仪检测出来的，在检测过程中，根分为以下三种：深部、皮层以及头皮脑电图，但它以反映出大脑内部进行的活动。实际检测中，我们这种脑电图操作方法简单便捷，在检测时只需要将图的过程不会给被试者留下创伤。但是这种方法得大等处理过程来减少检测过程中外界噪声对其造

波形图,脑电波,波形图

图 2-3 脑电波各频率段的波形图Figure 2-3 The waveforms of different frequency segments of brain waves号的时频分析方法换(Wavelet Transform，WT)作为一种新型的信号处理方法，不仅解出现的难题，在与短时傅里叶变换(STFT)相比较时也能凸显出适应不同的信号，它能够提供一个随频率改变的“时间-频率”窗口WT 占据着不可或缺的位置，它经常被用在图像的去噪以及融合波变换可分成以下两种变换。续小波变换

【相似文献】