基于混沌的癫痫脑电波分析与识别

发布时间：2017-04-19 21:29

  本文关键词：基于混沌的癫痫脑电波分析与识别，由笔耕文化传播整理发布。

【摘要】：癫痫是一种常见的慢性神经疾病，由大脑突发性异常放电引起，现已成为医学界一大难题，严重地危害人类的健康。目前，脑电图检查是癫痫诊断的最重要的的手段之一。但大脑属于一个混沌系统，医生在实现对癫痫的诊断时，需对脑电信号进行长期观测从而做出判读，需要耗费其大量的时间及精力且易掺入医师个人主观倾向而导致结果的不准确。因此有必要提出一种借助计算机辅助的，利用脑电信号混沌特性，从而实现对癫痫脑电信号分类的方法。 当前脑电的分析方法分为两类:线性分析方法和非线性分析方法。其中线性分析方法是基于脑电信号的线性特征，如相对振幅，相对能量等，采用时域分析，频域分析以及时频结合的方法。非线性方法基于脑电信号的非线性特征，如近似熵、李亚普诺夫指数、长程相关性和关联维数等特征。大脑作为非线性动力学系统，因此用非线性的方法来研究脑电的特性效果更好。本文采用了近似熵和李亚普诺夫指数定标指数来标识癫痫EEG的非线性特征。 本文选择支持向量机（SVM）作为分类器，，其突出的优点表现在泛化能力特别好，实现误差非常小，而且该分类方法的鲁棒性特别好，应用范围极其广泛。 本文提出了两种脑电分类方法，一种是基于李雅普诺夫指数和表征脑电信号波动强度的波幅波动值的分类方法，一种是基于近似熵和表征脑电信号幅值大小的波幅归一值的分类方法。使用德国波恩癫痫研究室的癫痫数据，通过SVM分类器对癫痫脑电进行分类。李雅普诺夫表征了EEG时间序列对系统初值的敏感程度，近似熵则表征了EEG时间序列的复杂度，它们代表了脑电信号的非线性特征；而脑电信号的波幅波动值和波幅归一值则刻画了其线性特征，两方面的结合充分利用了脑电信号的特性，提高了癫痫脑电分类算法的准确度，仿真表明算法具有计算复杂度低，效率高的优点。
【关键词】：脑电 混沌 支持向量机 近似熵 李雅普诺夫指数
【学位授予单位】：山东师范大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：R742.1;TP18
【目录】：

• 摘要6-7
• ABSTRACT7-9
• 第1章 绪论9-17
• 1.1 脑电波介绍9-12
• 1.1.1 脑电波的发现9
• 1.1.2 脑电波采集9-10
• 1.1.3 脑电波组成和分类10-12
• 1.2 癫痫脑电波12-15
• 1.2.1 癫痫病症的临床特点12
• 1.2.2 几种常见的癫痫脑电波12-15
• 1.2.3 癫痫脑电分析的研究目的和意义15
• 1.3 本文研究思路与主要内容15-17
• 第2章 癫痫脑电分析的基本方法17-23
• 2.1 前言17
• 2.2 线性分析方法17-19
• 2.3 非线性方法19-23
• 第3章 混沌理论知识23-25
• 3.1 引言23
• 3.2 混沌的定义23
• 3.3 混沌的特性23-24
• 3.4 混沌常用的度量方法24-25
• 第4章 支持向量机25-31
• 4.1 SVM 的产生与发展25
• 4.2 SVM 原理25-29
• 4.2.1 最优分类面25-27
• 4.2.2 非线性可分 SVM27-29
• 4.2.3 核函数29
• 4.3 支持向量机的应用29-31
• 第5章 基于李雅普诺夫指数和波幅波动值的癫痫脑电检测31-37
• 5.1 引言31
• 5.2 李雅普诺夫指数31-32
• 5.2.1 定义31
• 5.2.2 李雅普诺夫指数的计算31-32
• 5.3 实验数据的获取32-33
• 5.4 实现过程33-36
• 5.4.1 计算李雅普诺夫指数34-35
• 5.4.2 波幅波动值35-36
• 5.4.3 用 SVM 对两类 EEG 进行分类36
• 5.5 小结36-37
• 第6章 基于近似熵和波幅归一值的癫痫脑电检测37-43
• 6.1 引言37
• 6.2 近似熵37-38
• 6.2.1 近似熵的定义37
• 6.2.2 近似熵特点37-38
• 6.2.3 近似熵的算法38
• 6.3 实验数据的获取38-39
• 6.4 实现过程39-41
• 6.4.1 计算近似熵39-40
• 6.4.2 波幅的归一值40-41
• 6.4.3 用 SVM 对两类 EEG 进行分类41
• 6.5 小结41-43
• 第7章 全文总结与展望43-45
• 参考文献45-49
• 致谢49

【参考文献】

中国期刊全文数据库 前10条

1 王英,郑德玲,鞠磊;基于Lorenz混沌系统的数字图像加密算法[J];北京科技大学学报;2004年06期

2 李昌强,黄力宇,鞠烽炽,黄远桂,程敬之;癫痫脑电的双谱特性研究[J];北京生物医学工程;2004年01期

3 周亚训,叶庆卫,徐铁峰;基于小波和余弦变换组合的图像水印方案[J];电子学报;2001年12期

4 周奇;;对支持向量机几种常用核函数和参数选择的比较研究[J];福建电脑;2009年06期

5 李树涛,王耀南;基于树状小波分解的多传感器图像融合[J];红外与毫米波学报;2001年03期

6 张巍,胡汉平,李德华;一种新的混沌序列生成方式[J];华中科技大学学报;2001年11期

7 张海军;王浩川;;多导联EEG信号分类识别研究[J];计算机工程与应用;2008年24期

8 郭虎升;王文剑;;基于神经网络的支持向量机学习方法研究[J];计算机工程与应用;2009年02期

9 吕世聘;王秀坤;孙岩;唐一源;;改进的支持向量机特征选择算法[J];计算机工程;2009年01期

10 李钢;王蔚;张胜;;支持向量机在脑电信号分类中的应用[J];计算机应用;2006年06期

  本文关键词：基于混沌的癫痫脑电波分析与识别，由笔耕文化传播整理发布。

本文编号：317175