基于复杂网络拓扑结构的癫痫脑电非线性特征提取与分类方法研究

发布时间：2017-09-03 21:39

  本文关键词：基于复杂网络拓扑结构的癫痫脑电非线性特征提取与分类方法研究

  更多相关文章： 复杂网络 特征提取 非线性时间序列分析 癫痫脑电 分类 支持向量机

【摘要】：癫痫是一种古老的神经系统疾病,其影响人群范围广,对患者身心健康影响巨大,而且存在较大的社会治疗缺口,这些都严重影响着患者及家属的生活与工作。脑电图(Electroencephalography,EEG)是反映大脑皮层放电活动的工具,该时间序列中包含了大量关于大脑工作的生理学信息。目前,对于癫痫发作的诊断主要还是依靠专业医师用肉眼识别患者的EEG。但是这种方法具有速度慢、效率低下、主观程度高等缺点,因此对具有高性能的癫痫脑电自动分类算法的研究具有重大的临床应用意义。由于大脑的复杂结构及大脑皮层神经元放电的不规律性,导致EEG信号表现出非线性动力学特征。因此,通过非线性时间序列分析方法提取EEG的非线性信息,成为近年来相关学者们的首选。然而,目前常用的非线性特征如近似熵、样本熵等对癫痫EEG的分类性能相对较差,严重影响着所构造的分类算法的性能,阻碍着癫痫分类算法被应用于临床的进程。近年来,应用复杂网络的拓扑结构统计特性来研究非线性时间序列的深层动力学结构特征逐渐得到学者的重视,同时也给出了一个非线性时间序列分析的新视角。得益于时间序列复杂网络构造算法的出现,加之丰富且研究成熟的复杂网络拓扑结构统计特性,时间序列的复杂网络分析方法开始应用于对金融股票走势、交通流量、气候变化、河流流量等现实生活中的非线性真实数据的分析。本文在研究了时间序列复杂网络分析方法的基础上,主要对基于复杂网络拓扑结构统计特性的癫痫脑电特征提取方法进行了研究,并结合支持向量机(SVM),构造出了高性能的癫痫脑电自动分类算法,用来区分癫痫患者间歇期和发作期的脑电信号。首先,根据时间序列平均分段的网络节点集构造算法,构造出时间序列复杂网络的节点集合;应用标准欧式距离衡量节点集合中任意两节点之间的相似性,并根据转化参数(θ),确定网络的边集合。通过以上过程构造出时间序列的复杂网络。其次,应用复杂网络的拓扑结构统计特性对时间序列复杂网络进行分析。根据分析结果构造相应的提取特征,作为对不同类型时间序列的分类特征。本文提出了度分布熵(NDDE)、聚类系数分布部分和(Pclu)、顶点强度分布加权均值(wmean)与权值差异分布小值和(WDrα)四个非线性特征。提取的分类特征被应用于区分标准癫痫脑电数据库中癫痫患者间歇期和发作期的脑电信号。通过与其它相关的实验结果进行比较,验证了本文的提取特征对两类癫痫脑电的辨别精度和特征提取时间较近似熵(ApEn)和样本熵(SampEn)都有较大提升。最后,将本文提取的特征应用于癫痫脑电的自动分类算法中。将4个非线性提取特征分别添加波动指数(FI)构成二维分类特征向量,结合支持向量机分类器构造了4个癫痫脑电自动分类算法。通过对癫痫患者间歇期和发作期脑电数据的分类实验,验证了本文所构造的4个分类算法的性能相比于现有的相似分类算法在总体分类精度上都有较大提升。脑电图作为描述大脑活动的直观反映载体,大脑工作的许多重要生理信息深藏在EEG信号的动力学结构中。通过应用时间序列复杂网络构造算法,将EEG信号转化为复杂网络,应用复杂网络拓扑结构的相关统计特性,对大脑EEG信号复杂网络的结构进行分析,可以更加深入的了解EEG信号中所包含的深层次信息。如此提取出性能优良的分类特征,从而可以构造高性能癫痫脑电分类算法。无论是本文的研究思路还是分类算法本身都为促进临床医学研究及应用,辅助医生进行诊断等工作提供了帮助,有利于不断提高医疗水平。
【关键词】：复杂网络 特征提取 非线性时间序列分析 癫痫脑电 分类 支持向量机
【学位授予单位】：济南大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：R742.1;TN911.7
【目录】：

• 摘要6-8
• Abstract8-11
• 第一章 绪论11-15
• 1.1 研究背景及意义11-13
• 1.2 主要研究内容13-14
• 1.3 论文结构安排14-15
• 第二章 复杂网络及其拓扑结构统计特性15-21
• 2.1 复杂网络15-17
• 2.2 复杂网络的拓扑结构统计特性17-19
• 2.2.1 度及度分布17-18
• 2.2.2 聚类系数18-19
• 2.2.3 顶点强度19
• 2.2.4 权值差异19
• 2.3 小结19-21
• 第三章 时间序列复杂网络的构造方法21-29
• 3.1 时间序列复杂网络构造方法的国内外研究及应用现状21-25
• 3.1.1 相关性网络构造算法21-23
• 3.1.2 可视图构造算法23-24
• 3.1.3 转移网络构造算法24
• 3.1.4 其它时间序列复杂网络构造算法24-25
• 3.2 时间序列相关性复杂网络构造算法25-27
• 3.3 小结27-29
• 第四章 基于复杂网络拓扑结构统计特性的癫痫脑电特征提取方法29-59
• 4.1 本文采用的时间序列复杂网络构造算法29-31
• 4.2 基于复杂网络拓扑结构统计特性的非线性时间序列提取特征31-37
• 4.2.1 度分布熵31-33
• 4.2.2 聚类系数分布部分和33-34
• 4.2.3 顶点强度分布加权均值34-36
• 4.2.4 权值差异分布小值和36-37
• 4.3 实验数据库的描述及实验数据集的构造37-38
• 4.4 性能评价参数38-39
• 4.5 提取特征分类性能的验证及评价39-57
• 4.5.1 度分布熵对两类癫痫脑电的分类性能分析39-45
• 4.5.2 聚类系数分布部分和对两类癫痫脑电的分类性能分析45-48
• 4.5.3 顶点强度分布加权均值对两类癫痫脑电的分类性能分析48-53
• 4.5.4 权值差异分布小值和对两类癫痫脑电的分类性能分析53-57
• 4.6 小结57-59
• 第五章 基于复杂网络拓扑结构提取特征的癫痫脑电分类方法59-67
• 5.1 癫痫脑电分类算法流程图59
• 5.2 波动指数59
• 5.3 特征向量归一化59-60
• 5.4 支持向量机60-61
• 5.5 十交叉验证61
• 5.6 基于本文提取特征的癫痫脑电自动分类算法实验结果及分析61-66
• 5.6.1 基于本文提取特征的癫痫脑电自动分类算法的性能评估实验结果62-64
• 5.6.2 实验结果分析64-66
• 5.7 小结66-67
• 第六章 总结与展望67-69
• 6.1 全文总结67
• 6.2 前景展望67-69
• 参考文献69-75
• 致谢75-77
• 附录77-78

【相似文献】

中国期刊全文数据库 前10条

1 葛丁飞;李小梅;;心电信号多周期融合特征提取和分类研究[J];中国生物医学工程学报;2006年06期

2 张绍武;潘泉;赵春晖;程咏梅;;基于加权自相关函数特征提取法的多类蛋白质同源寡聚体分类研究[J];生物医学工程学杂志;2007年04期

3 薛建中,郑崇勋,闫相国;快速多变量自回归模型的意识任务的特征提取与分类[J];西安交通大学学报;2003年08期

4 杨晓敏,罗立民;白细胞自动分类中的特征提取和分析[J];北京生物医学工程;1992年04期

5 杜军平,涂序彦;计算机图像处理技术在舌像特征提取中的应用[J];中国医学影像技术;2003年S1期

6 王双维;樊晓平;廖志芳;;一种激光诱导荧光光谱特征提取新方法[J];计算机工程与应用;2008年12期

7 游佳;陈卉;;数字图像中血管的分割与特征提取[J];生物医学工程与临床;2011年01期

8 谢轶峰;;乳腺超声图像肿瘤特征提取与肿瘤分类[J];中外医疗;2013年16期

9 吴泽晖,吴星;医学图象的边缘特征提取[J];海南师范学院学报(自然科学版);2003年03期

10 杨晓敏，罗立民，，韦钰;血液白细胞计算机分类中的特征提取研究[J];应用科学学报;1994年02期

中国重要会议论文全文数据库 前10条

1 尚修刚;蒋慰孙;;模糊特征提取新算法[A];1997中国控制与决策学术年会论文集[C];1997年

2 潘荣江;孟祥旭;杨承磊;王锐;;旋转体的几何特征提取方法[A];第一届建立和谐人机环境联合学术会议（HHME2005）论文集[C];2005年

3 薛燕;李建良;朱学芳;;人脸识别中特征提取的一种改进方法[A];第十三届全国图象图形学学术会议论文集[C];2006年

4 杜栓平;曹正良;;时间—频率域特征提取及其应用[A];2005年全国水声学学术会议论文集[C];2005年

5 黄先锋;韩传久;陈旭;周剑军;;运动目标的分割与特征提取[A];全国第二届信号处理与应用学术会议专刊[C];2008年

6 魏明果;;方言比较的特征提取与矩阵分析[A];2009系统仿真技术及其应用学术会议论文集[C];2009年

7 林土胜;赖声礼;;视网膜血管特征提取的拆支跟踪法[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

8 秦建玲;李军;;基于核的主成分分析的特征提取方法与样本筛选[A];2005年中国机械工程学会年会论文集[C];2005年

9 刘红;陈光

本文编号：787489