基于EMD和混合特征的癫痫脑电信号识别研究

发布时间：2017-08-21 16:32

  本文关键词：基于EMD和混合特征的癫痫脑电信号识别研究

  更多相关文章： 癫痫 脑电信号 经验模态分解 特征提取 识别分类

【摘要】：癫痫是神经科第二大疾病,仅在中国患病人数就高达九百多万；在传统的医疗诊断中,普遍采用人工阅读脑电信号的方法,该方法不仅效率低,且由于医疗资源分配不均以及医生经验不足等原因使得误诊的情况时常发生,自动识别癫痫脑电信号,能有效避免误诊的情况,使患者尽早确诊疾病,得到及时的医治。癫痫脑电信号的自动识别包括两个部分：特征提取和特征分类,其中最重要的部分是特征提取。在脑电信号的特征提取过程中,特征向量包含脑电信号的信息是否全面并能否描述癫痫脑电信号的特点是至关重要的,直接影响着癫痫脑电信号识别分类的精度。本文提出一种基于经验模态分解(EMD)和混合特征的特征提取算法。首先利用经验模态分解对不同的脑电信号进行自适应地分解,得到一系列的模态本征函数,这些模态本征函数的阶数按频率高低来排列,即每个模态本征函数代表着不同频段的脑电信号特征,选取对应癫痫发作的频率段的模态本征函数进行脑电信号的序列重构,得到一组新的脑电信号时间序列,再对重构后的新序列进行基于线性方法和非线性方法的特征提取,分别对应于脑电信号的线性特征信息和非线性特征信息,然后将线性特征向量和非线性特征向量进行特征融合,得到该算法的混合特征向量,使混合特征向量能够更全面地描述癫痫脑电信号的信息,最后将融合后得到的特征向量作为分类器的输入数据进行脑电信号的自动识别分类。本文对此进行了一系列的仿真实验,其结果表明：使用本文所提特征提取的算法能够更好的描述癫痫脑电信号的特征,从而更便于分类器识别分类,分类器选定极限学习机,训练时间短,识别分类精度高,高于其他同类研究算法。
【关键词】：癫痫 脑电信号 经验模态分解 特征提取 识别分类
【学位授予单位】：大连理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：R742.1;TN911.7
【目录】：

• 摘要4-5
• Abstract5-8
• 1 绪论8-18
• 1.1 课题研究背景与意义8-9
• 1.2 脑电信号概述9-13
• 1.2.1 脑电信号基本知识9-11
• 1.2.2 脑电信号基本性质11-12
• 1.2.3 癫痫脑电信号12-13
• 1.3 脑电信号分析研究现状13-17
• 1.3.1 脑电信号特征提取的国内外现状14-15
• 1.3.2 脑电信号分类研究现状15-17
• 1.4 本文的主要内容及结构17-18
• 2 经验模态分解18-33
• 2.1 概述18-19
• 2.2 EMD基本概念和原理19-27
• 2.2.1 EMD基本概念19-24
• 2.2.2 EMD基本原理24-27
• 2.3 EMD关键技术27-29
• 2.3.1 EMD分解停止准则27
• 2.3.2 IMF筛选准则27-28
• 2.3.3 包络线拟合28
• 2.3.4 端点效应28-29
• 2.3.5 模态混叠29
• 2.4 脑电信号EMD分解仿真实验29-33
• 2.4.1 实验数据介绍29-31
• 2.4.2 EMD仿真实验31-33
• 3 脑电信号特征提取33-43
• 3.1 线性特征提取方法33-34
• 3.2 非线性特征提取方法34-38
• 3.2.1 近似熵34-36
• 3.2.2 样本熵36-37
• 3.2.3 模糊熵37-38
• 3.3 基于EMD和混合特征的特征提取算法38-42
• 3.3.1 混合特征提取实现原理38-40
• 3.3.2 线性降维方法PCA40-41
• 3.3.3 混合特征降维41-42
• 3.4 小结42-43
• 4 癫痫脑电信号分类43-51
• 4.1 支持向量机43-45
• 4.1.1 基本原理43-45
• 4.1.2 SVM核函数45
• 4.2 极限学习机45-48
• 4.2.1 基本原理46-47
• 4.2.2 实现步骤47
• 4.2.3 ELM仿真实验47-48
• 4.3 癫痫脑电信号分类实验48-50
• 4.3.1 经验模态分解仿真实验48-49
• 4.3.2 癫痫脑电信号分类实验49-50
• 4.4 小结50-51
• 结论51-52
• 参考文献52-55
• 致谢55-56

【参考文献】

中国期刊全文数据库 前10条

1 姚文坡;刘铁兵;戴加飞;王俊;;脑电信号的多尺度排列熵分析[J];物理学报;2014年07期

2 尚雅层;徐玉洁;;基于EMD分解的AR模型振动信号预测[J];电子测试;2014年06期

3 张恒t，

本文编号：713980