基于Stockwell变换与Boosting算法的自动癫痫检测

发布时间：2017-09-09 01:41

  本文关键词：基于Stockwell变换与Boosting算法的自动癫痫检测

  更多相关文章： 脑电图 Stockwell变换 癫痫检测 功率谱密度 Boosting算法

【摘要】：癫痫(epilepsy),是大脑神经元细胞群过度放电导致大脑各项功能失调的慢性疾病。癫痫是医学上公认的的神经系统中常见的疾病之一,其反复间歇性发作给患者及其家属造成极大的痛苦,也严重地影响了他们的生活质量。脑电图(electroencephalogram)是在头皮表面使用电极记录的大脑神经元细胞群的自发性、节律性的活动。癫痫发作是因为大脑皮层的某些神经元细胞群过度异常放电而引起的,因此EEG是癫痫诊断和治疗中最重要的一项工具,其中包含的生理和病理信息是其他检测方法所不能取代的。目前,临床上的癫痫检测多是医生通过对患者的脑电图的人工观察,并依据自身经验来分析诊断病情。人工检查脑电图不仅任务重时间久,而且依赖性很强。因此,自动癫痫检测技术对减轻医生负担的及提高癫痫的诊断效率就显得尤为重要。由于癫痫发作时,脑部神经细胞节律性的暴发各种波形,包括棘波、棘慢波、慢波或快波等,且发作期的波形变化幅度比间歇期明显剧烈。癫痫检测就是在脑电图的基础上提取癫痫发作期和间歇期的能代表该段信号的显著特征进行分类识别,从而达到自动癫痫发作检测的目的。本文在前人研究方法的基础上提出了一种新颖的自动癫痫检测方法。该方法基于Stockwell变换分析方法和Gradient Boosting算法等技术,并与其他方法进行了分析比较。首先,对脑电信号进行预处理,然后对其进行Stockwell变换将其时频特性映射到时频平面上；其次,按照一定的规则对时频平面进行分割并提取每一部分的功率谱密度来定量的描述脑电活动；然后,将提取的脑电特征向量送入Gradient Boosting分类器进行训练与分类；最后,对分类的原始结果进行后处理,最终实现自动癫痫发作检测。本文提出的自动癫痫检测方法的实现基于来自德国弗莱堡医学院的癫痫研究中心的数据库。该数据库包含21位病人的87次癫痫发作的脑电记录。通过与其他方法的对比分析发现,本文提出的方法能够更有效地识别癫痫发作,且该方法具有运算速度快,实时监测性较强等优点,更有利于临床应用。
【关键词】：脑电图 Stockwell变换 癫痫检测 功率谱密度 Boosting算法
【学位授予单位】：山东大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：R742.1;TP181
【目录】：

• 摘要8-9
• ABSTRACT9-11
• 符号说明11-12
• 第一章 绪论12-22
• 1.1 概述12-13
• 1.2 癫痫脑电信号的概述13-16
• 1.3 癫痫检测研究意义及现状16-19
• 1.4 癫痫脑电检测流程19-21
• 1.5 本文层次结构安排21-22
• 第二章 Stockwell Transform分析22-31
• 2.1 脑电信号的时频分析方法22-26
• 2.1.1 短时傅里叶变换23
• 2.1.2 小波分析方法23-25
• 2.1.3 Wigner-Ville分布25-26
• 2.2 Stockwell变换分析方法26-29
• 2.3 Stockwell变换在脑电信号分析上的优势与应用29-31
• 第三章 癫痫脑电信号的特征分析31-33
• 3.1 脑电特征的概述31
• 3.2 功率谱密度31-33
• 第四章 癫痫脑电检测和分类方法33-40
• 4.1 线性分类算法33-35
• 4.1.1 Fisher线性判别分析方法33-34
• 4.1.2 Bayes线性判别分析方法34-35
• 4.2 Boosting算法35-40
• 4.2.1 Boosting算法概述35-37
• 4.2.2 Gradient Boosting算法37-40
• 第五章 基于Stockwell变换与Boosting算法的癫痫检测实验过程40-48
• 5.1 实验数据40-42
• 5.1.1 数据来源40-41
• 5.1.2 对数据进行特征提取41-42
• 5.2 对数据进行特征提取42-43
• 5.3 后处理43-44
• 5.4 实验结果44-46
• 5.5 分析讨论46-48
• 第六章 总结与展望48-49
• 6.1 结论48
• 6.2 展望48-49
• 参考文献49-57
• 致谢57-58
• 攻读硕士研究生期间研究成果58-59
• 学位论文评阅及答辩情况表59

【参考文献】

中国期刊全文数据库 前1条

1 刘晓欲,蒋大宗,黄远桂;癫痫脑电图自动检测技术的发展[J];国外医学.生物医学工程分册;1997年01期

，

本文编号：817547