基于稀疏表示和特征提取的癫痫脑电分类识别方法研究

发布时间：2017-08-21 14:16

  本文关键词：基于稀疏表示和特征提取的癫痫脑电分类识别方法研究

  更多相关文章： 癫痫脑电 递归量化分析 稀疏表示 字典学习

【摘要】：癫痫是一种神经系统综合疾病,发作时大脑神经元异常放电,从而扰乱神经系统生物电信号的传递活动,外在表现为身体抽搐、语言障碍、意识恍惚以及精神失常等,严重影响了患者正常的生活与工作。脑电图包含大量的生理与病理的信息,获取方便且对患者无任何创伤性损伤,是目前癫痫诊断中最有价值的一项辅助检查。临床中癫痫的诊断主要依靠脑电图的视觉检测,由于癫痫发作的不确定性,常常需要对患者的脑电波进行长期的实时监测,检测时间长、效率低,并且根据医生的临床经验及主观判断容易出现不一致的检测情况。因此,高精度识别癫痫发作期脑电信号实现癫痫发作的自动检测是值得努力的。结合大脑神经系统的复杂性以及脑电信号非线性和非平稳的特点,本文从两方面研究癫痫脑电信号的分类识别问题:非线性特征提取方法和稀疏表示分类方法。非线性方法主要研究大脑系统功能状态的变化特征,有利于揭示癫痫发作时大脑皮层异常放电机制,为研究系统复杂行为变化和癫痫脑电信号的分类识别提供了新的思想和方法。递归量化分析方法作为一种非线性动力学分析方法,定量描述了系统的周期性嵌入过程和确定性变化规律。当训练样本空间足够大时,对于一个类别的物体,可以由训练样本中同类的样本子空间近似来表示。稀疏表示来源于压缩感知,突破了Nyquist采样定理的限制,利用了l1范数最小化稀疏约束比较不同类别的训练样本对测试样本的重构误差,实现对癫痫发作信号的高精度检测与分类。具体研究内容和创新点如下:(1)提出了基于递归量化分析(RQA)的癫痫脑电特征提取方法。首先对样本数据进行相空间重构,然后计算癫痫脑电信号的递归图,提取递归量化分析RQA参数值作为非线性特征,选取适当的分类阈值将癫痫发作期信号与正常脑电信号分离开来。为了进一步提高癫痫脑电自动检测的精度,采用非线性和线性特征相结合的方法,将RQA量化值与变化系数、波动指数一起组成特征向量作为SVM的输入,实现癫痫脑电的自动检测。实验结果表明提取的RQA特征值能较好地反映间歇期脑电与发作期脑电这两种不同脑电状态的非线性动力学特性。(2)提出了基于稀疏表示和小波变换的癫痫脑电分类识别方法。稀疏表示通过构建过完备字典以及解决l1最小化问题,追求用最小数量的字典元素最优地表示待测样本。首先对癫痫脑电信号进行预处理,然后根据小波变换的时频分析特性对癫痫脑电信号样本进行多尺度分解得到各个频率子带。基于小波频率子带数据构建字典,利用SRC模型将待测样本的小波子带表示为字典内同频率原子的线性组合,有助于EEG不同频率范围特征波形的识别。最后分别由发作期和间歇期的字典原子和稀疏表示系数对待测样本进行重构,并计算冗余误差,通过误差大小判定测试样本所属的类别。(3)提出了基于K-SVD字典学习和稀疏表示的EEG信号分类方法。由于EEG信号是非平稳的,首先利用经验模态分解(EMD)将EEG信号分解为有限个本征模态函数IMFs,所分解出来的各IMF分量从不同时间尺度上表示了原信号的局部特性。提取IMF分量信号的变化系数、波动指数等特征组成稀疏表示字典。然后利用正交匹配追踪算法求解待测样本在当前特征字典上的稀疏表示,利用K-SVD算法根据当前稀疏表示更新特征字典和稀疏表示系数。最后分别由发作期和间歇期的脑电样本特征字典和对应的稀疏系数向量重构测试样本,将重构的测试样本与给定测试样本相比较,通过冗余误差判定待测EEG信号所属的类别,实现癫痫发作信号的分类识别。基于IMF分量的频率特征构建字典极大地降低了数据维度和计算复杂度,最后利用K-SVD优化字典,提高癫痫脑电信号检测的性能。
【关键词】：癫痫脑电 递归量化分析 稀疏表示 字典学习
【学位授予单位】：济南大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：R742.1;TN911.7
【目录】：

• 摘要7-9
• abstract9-12
• 第一章 绪论12-20
• 1.1 研究背景及意义12-13
• 1.2 癫痫脑电信号描述13-15
• 1.2.1 脑电信号的特点与分类13-14
• 1.2.2 癫痫脑电信号的特征波14-15
• 1.3 国内外研究现状15-18
• 1.4 本文研究内容和创新点18-19
• 1.5 论文组织结构安排19-20
• 第二章 癫痫脑电信号分类识别方法20-32
• 2.1 癫痫脑电信号分析方法20-22
• 2.2 癫痫脑电信号的非线性特征提取方法22-24
• 2.3 支持向量机分类模型24-26
• 2.4 稀疏表示理论26-30
• 2.4.1 稀疏表示概述26
• 2.4.2 稀疏表示分类（SRC）模型26-28
• 2.4.3 字典学习28-30
• 2.5 本章小结30-32
• 第三章 基于RQA的癫痫脑电特征提取方法32-47
• 3.1 递归图（Recurrence plot）32-35
• 3.1.1 相空间重构32-33
• 3.1.2 递归图方法33-35
• 3.2 递归量化分析（RQA）指标35-37
• 3.3 实验过程及结果37-45
• 3.3.1 直接基于递归量化特征的分类结果37-44
• 3.3.2 结合SVM的癫痫脑电分类结果44-45
• 3.3.3 线性特征与非线性特征相结合的癫痫脑电分类结果45
• 3.4 本章小结45-47
• 第四章 基于稀疏表示和小波变换的癫痫脑电分类识别方法47-55
• 4.1 小波分析方法47-50
• 4.2 基于小波变换的癫痫脑电稀疏表示分类方法50-51
• 4.2.1 信号预处理50
• 4.2.2 SRC实现流程50-51
• 4.3 实验结果分析51-54
• 4.3.1 实验数据51-52
• 4.3.2 稀疏重构误差容限对分类准确率的影响52
• 4.3.3 组合小波子带实验结果与分析52-54
• 4.4 本章小结54-55
• 第五章 基于模态分解和稀疏表示的癫痫脑电自动检测方法55-63
• 5.1 EMD分解55-57
• 5.2 基于特征提取构建字典57-58
• 5.3 基于K-SVD字典学习的稀疏表示分类方法58-59
• 5.4 实验结果与分析59-62
• 5.4.1 频谱分析59-61
• 5.4.2 参数选取与分析61
• 5.4.3 实验结果61-62
• 5.5 本章小结62-63
• 第六章 结论与展望63-65
• 6.1 论文总结63-64
• 6.2 研究展望64-65
• 参考文献65-70
• 致谢70-71
• 附录71

【参考文献】

中国期刊全文数据库 前10条

1 左开伟;刘建平;程馨莹;;脑机接口研究概述[J];中国新通信;2016年01期

2 金永寿;;心率改变或可预知癫痫发生[J];家庭医药;2014年12期

3 栾悉道;王卫威;谢毓湘;张芯;李琛;;非线性稀疏表示理论及其应用[J];计算机科学;2014年08期

4 贾敏;王金甲;李静;洪文学;;基于辅助训练的半监督稀疏表示分类器用于脑电图分类[J];生物医学工程学杂志;2014年01期

5 杨真真;杨震;孙林慧;;信号压缩重构的正交匹配追踪类算法综述[J];信号处理;2013年04期

6 张睿;刘绍明;;基于EEG信号分析处理的癫痫预测研究[J];现代生物医学进展;2013年04期

7 袁琦;周卫东;李淑芳;蔡冬梅;;基于ELM和近似熵的脑电信号检测方法[J];仪器仪表学报;2012年03期

8 崔振;;基于稀疏编码和多类SVM的入侵检测[J];计算机工程与设计;2011年11期

9 李淑芳;周卫东;蔡冬梅;刘凯;赵建林;;EMD和SVM结合的脑电信号分类方法[J];生物医学工程学杂志;2011年05期

10 刘正忠;辛双凤;;癫痫病的中西医治疗浅析[J];中国医药指南;2011年28期

，

本文编号：713368