基于突变点检测的病理信号分析方法研究与应用
发布时间：2021-10-25 00:46
随着计算机科学技术的发展,我们步入了“数据爆炸”时代,各行业每天产生的海量数据不断累积,也形成了企业、社会的无形资产。海量的数据包含潜在的各种各样有价值的信息,越来越受到社会各界的重视,数据挖掘技术应用而生。由于时序数据流体量大,连续性强且模态各异,如何对其进行快速分析,挖掘有价值的信息成为一个研究热点。数据流突变点检测技术作为数据挖掘的一个分支,可以从数据整体分布出发,过滤掉大多数常态数据,快速定位突变点位置,分析突变原因及前后数据波动情况。其中,滑动窗口模型可以对数据流进行分割,形成若干子窗口分别分析,有效的提高了数据处理能力和突变点检测速率。突变点检测算法的性能,滑动窗口大小及其更新方式都是影响数据挖掘的重要因素。神经系统疾病,如癫痫、心脏疾病等具有高发病率、高残疾率和高死亡率特点,是一种威胁人类生命安全的主要疾病,此类疾病病理信号作为一种代表性的大数据量时序数据,对其分析检测时耗时和精确度都有较高的要求。本文针对上述现状,以突变点检测算法和滑动窗口模型为基础,提出建立时序数据波动向量的理论,给出了基于波动向量的两种模板匹配算法,可以实现对海量时序数据的快速分析。并选择癫痫脑电信...
【文章来源】：东华大学上海市 211工程院校 教育部直属院校
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
Haar小波K级分解示意图
基于突变点检测的病理信号分析方法研究与应用11根据分解的k,jcA和k,jcD，我们可以构建两个矩阵，分别为均值矩阵McA和差值矩阵McD[66]，表示为：1,11,/2,,1......000nkjmcAcAMcAcAcA(2-16)1,11,/2,,1......000nkjmcDcDMcDcDcD(2-17)其中20kmlogn,12kjn。如果时序数据的数据长度n是为2的整幂次方，则第k级分解的第个j均值分量和差值分量所对应的原数据可以由数学关系计算得出:k,j1cA()(2)^biiazk(2-18)k,j11cD()(2)^cbLRLaRczzk(2-19),,1,(z,z)z,...,z,z,...,kjkjLRaccbcAcDz(2-20)其中211kaj，2*kbj，12*12kkcj。得到均值参数矩阵McA和差值参数矩阵McD后，可以建立均值二叉树TcA和差值二叉树TcD。具体做法是分别将McA和McD映射到均值二叉树TcA和差值二叉树TcD的各层非叶子节点上，同时，叶子节点直接来自Z中的元素形成如下的结构：图2-2均值二叉树TcA
基于突变点检测的病理信号分析方法研究与应用13图2-3国际通用10-20脑电图标准电极放置法一般健康人的EEG幅值较低且波动稳定，癫痫发作时波动剧烈，幅值瞬间可达到1000μV。脑电信号按照频率可以分为δ、θ、α、β、γ五种波形[69]，都有大量的医学研究和临床数据作为划分的依据。每种脑电波都有其各自的意义和价值，具体为：表2-1常见脑电波形及其特征2.4.2癫痫脑电信号特征目前，脑电图是癫痫诊断治疗中最常用，最具有参考价值的手段[70]，癫痫发作期间脑电信号特征对诊断具有重要意义。因此，熟悉和了解癫痫脑电信号特点[71]，如幅值、频率、波形等对癫痫分析检测和模式匹配研究具有重要的意义。癫痫脑电信号是指那些明显和正常脑电信号不同的脑电信号，在临床上通常通过是否出现几种特征波形来进行判断。常见的癫痫脑电波形特征及其特点如表2-2所示。
【参考文献】：
期刊论文
[1]大数据技术在经济运行监测分析中的应用[J]. 戎天. 中国经贸导刊(中). 2020(04)
[2]一种快速的突变点在线检测算法设计与实现[J]. 邹俊晨,齐金鹏,李娜,刘佳伦,朱厚杰. 电子科技. 2020(08)
[3]我国医疗行业大数据应用现状及政策建议[J]. 徐志祥,王莹. 中国卫生信息管理杂志. 2017(06)
[4]基于多级Haar小波变换与KS统计的突变点快速探测方法[J]. 宋巧红,齐金鹏,张煜. 计算机工程. 2018(05)
[5]大数据的国内外研究现状及发展动态分析[J]. 王军,刘金辉. 电子技术与软件工程. 2015(23)
[6]时间序列异常点及突变点的检测算法[J]. 苏卫星,朱云龙,刘芳,胡琨元. 计算机研究与发展. 2014(04)
[7]大数据应用的现状与展望[J]. 张引,陈敏,廖小飞. 计算机研究与发展. 2013(S2)
[8]基于滑动窗口的Top-K概率频繁项查询算法研究[J]. 王爽,王国仁. 计算机研究与发展. 2012(10)
[9]传感器网络数据流异常数据检测与修正[J]. 杨杰,白洋. 齐齐哈尔大学学报(自然科学版). 2009(06)
[10]关于我国上证指数突变点的研究[J]. 王维国,王霞. 统计与决策. 2008(21)
博士论文
[1]大数据的社会价值与战略选择[D]. 张兰廷.中共中央党校 2014
硕士论文
[1]基于数据挖掘的移动用户行为分析系统的构建[D]. 陈红.南京邮电大学 2018
[2]基于多路搜索的时序突变异常快速分析[D]. 艾辣椒.东华大学 2018
[3]一种数据流突变点快速探测算法的研究与实现[D]. 宋巧红.东华大学 2018
[4]我国股票市场结构突变的贝叶斯研究[D]. 殷思宇.湖南大学 2015
[5]滑动窗口模型下的数据流自适应异常检测方法研究[D]. 庞景月.哈尔滨工业大学 2013
[6]癫痫脑电信号的提取与识别[D]. 宋焕荣.大连理工大学 2012
[7]中国股票市场股指波动的突变性分析[D]. 侯有英.大连海事大学 2010
本文编号：3456320
【文章来源】：东华大学上海市 211工程院校 教育部直属院校
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
Haar小波K级分解示意图
基于突变点检测的病理信号分析方法研究与应用11根据分解的k,jcA和k,jcD，我们可以构建两个矩阵，分别为均值矩阵McA和差值矩阵McD[66]，表示为：1,11,/2,,1......000nkjmcAcAMcAcAcA(2-16)1,11,/2,,1......000nkjmcDcDMcDcDcD(2-17)其中20kmlogn,12kjn。如果时序数据的数据长度n是为2的整幂次方，则第k级分解的第个j均值分量和差值分量所对应的原数据可以由数学关系计算得出:k,j1cA()(2)^biiazk(2-18)k,j11cD()(2)^cbLRLaRczzk(2-19),,1,(z,z)z,...,z,z,...,kjkjLRaccbcAcDz(2-20)其中211kaj，2*kbj，12*12kkcj。得到均值参数矩阵McA和差值参数矩阵McD后，可以建立均值二叉树TcA和差值二叉树TcD。具体做法是分别将McA和McD映射到均值二叉树TcA和差值二叉树TcD的各层非叶子节点上，同时，叶子节点直接来自Z中的元素形成如下的结构：图2-2均值二叉树TcA
基于突变点检测的病理信号分析方法研究与应用13图2-3国际通用10-20脑电图标准电极放置法一般健康人的EEG幅值较低且波动稳定，癫痫发作时波动剧烈，幅值瞬间可达到1000μV。脑电信号按照频率可以分为δ、θ、α、β、γ五种波形[69]，都有大量的医学研究和临床数据作为划分的依据。每种脑电波都有其各自的意义和价值，具体为：表2-1常见脑电波形及其特征2.4.2癫痫脑电信号特征目前，脑电图是癫痫诊断治疗中最常用，最具有参考价值的手段[70]，癫痫发作期间脑电信号特征对诊断具有重要意义。因此，熟悉和了解癫痫脑电信号特点[71]，如幅值、频率、波形等对癫痫分析检测和模式匹配研究具有重要的意义。癫痫脑电信号是指那些明显和正常脑电信号不同的脑电信号，在临床上通常通过是否出现几种特征波形来进行判断。常见的癫痫脑电波形特征及其特点如表2-2所示。
【参考文献】：
期刊论文
[1]大数据技术在经济运行监测分析中的应用[J]. 戎天. 中国经贸导刊(中). 2020(04)
[2]一种快速的突变点在线检测算法设计与实现[J]. 邹俊晨,齐金鹏,李娜,刘佳伦,朱厚杰. 电子科技. 2020(08)
[3]我国医疗行业大数据应用现状及政策建议[J]. 徐志祥,王莹. 中国卫生信息管理杂志. 2017(06)
[4]基于多级Haar小波变换与KS统计的突变点快速探测方法[J]. 宋巧红,齐金鹏,张煜. 计算机工程. 2018(05)
[5]大数据的国内外研究现状及发展动态分析[J]. 王军,刘金辉. 电子技术与软件工程. 2015(23)
[6]时间序列异常点及突变点的检测算法[J]. 苏卫星,朱云龙,刘芳,胡琨元. 计算机研究与发展. 2014(04)
[7]大数据应用的现状与展望[J]. 张引,陈敏,廖小飞. 计算机研究与发展. 2013(S2)
[8]基于滑动窗口的Top-K概率频繁项查询算法研究[J]. 王爽,王国仁. 计算机研究与发展. 2012(10)
[9]传感器网络数据流异常数据检测与修正[J]. 杨杰,白洋. 齐齐哈尔大学学报(自然科学版). 2009(06)
[10]关于我国上证指数突变点的研究[J]. 王维国,王霞. 统计与决策. 2008(21)
博士论文
[1]大数据的社会价值与战略选择[D]. 张兰廷.中共中央党校 2014
硕士论文
[1]基于数据挖掘的移动用户行为分析系统的构建[D]. 陈红.南京邮电大学 2018
[2]基于多路搜索的时序突变异常快速分析[D]. 艾辣椒.东华大学 2018
[3]一种数据流突变点快速探测算法的研究与实现[D]. 宋巧红.东华大学 2018
[4]我国股票市场结构突变的贝叶斯研究[D]. 殷思宇.湖南大学 2015
[5]滑动窗口模型下的数据流自适应异常检测方法研究[D]. 庞景月.哈尔滨工业大学 2013
[6]癫痫脑电信号的提取与识别[D]. 宋焕荣.大连理工大学 2012
[7]中国股票市场股指波动的突变性分析[D]. 侯有英.大连海事大学 2010
本文编号：3456320
本文链接：https://www.wllwen.com/yixuelunwen/swyx/3456320.html
