基于熵测度与支持向量机的脑电信号分类方法研究

发布时间：2017-09-02 11:18

  本文关键词：基于熵测度与支持向量机的脑电信号分类方法研究

  更多相关文章： 近似熵 样本熵 支持向量机 脑电信号 特征提取 分类

【摘要】：脑电图(EEG)是检查诊断癫痫的基本工具,对生理学研究与医学应用是非常重要的,是大脑皮层或头皮表面大脑神经组织细胞总体电活动的反应,包含了大量的大脑活动与功能的信息。大脑的电活动通常表现出复杂的行为与非线性动力学特性。癫痫俗称羊角风,是一种慢性神经紊乱疾病,它发作时由于脑神经元突然不正常放电,使中枢神经系统活动异常兴奋或抑制,对患者的精神和身体健康造成极大的伤害。对于头皮脑电图,癫痫脑电检测的分析方法主要基于特征提取方法和分类算法。 越来越多的研究表明大脑是复杂的非线性动力学系统,非线性动力学方法被广泛地应用于分析EEG信号。本文在非线性动力学分析方法上,提出了两种非线性特征提取方法：基于近似熵和改进近似熵的癫痫脑电特征提取方法和基于样本熵和改进样本熵的癫痫脑电特征提取方法。首先,对癫痫脑电信号样本数据分别求近似熵、改进近似熵、样本熵、改进样本熵；然后应用所求的熵测度值作为癫痫脑电信号的特征进行分类。熵测度是一种基于复杂度的非线性时间分析方法,不需要很长的数据就可以估算出稳定的熵值,具有很好的抗干扰和抗噪声能力。熵测度的改进方法采用模糊隶属度函数解决了Heaviside函数在[0,1]之间没有值的问题,很大程度上提高了区分时间序列的效率。 根据癫痫发作时大脑系统复杂度程度与正常大脑复杂度的不同,本文研究了两种脑电信号分类方法。一种是直接利用四种不同的熵测度值作为特征,选取合适的分类阈值对癫痫发作间歇期和癫痫发作期脑电进行分类,另一种是采用熵测度方法和支持向量机(SVM)相结合的癫痫脑电信号分类方法,将近似熵值、样本熵值、改进的近似熵值和改进的样本熵值作为分类器的分类特征进行分类。 随着统计学习理论的不断发展与完善,SVM(支持向量机)作为一种新颖的回归分类工具得到广泛应用。SVM综合考虑了VC维和结构风险的影响,被广泛地应用于分析癫痫脑电信号,对分析高维数非线性系统具有良好的性能。对于线性不可分样本,将其非线性变换后映射到高维特征空间,在这个特征空间中存在一个最优分类面或超平面能将特征空间分为两个区域。为提高癫痫脑电自动检测分类的精度,我们将支持向量机作为分类器,应用到癫痫脑电自动检测分类算法中来,而支持向量机的分类特征即为前述所提取出的近似熵、样本熵、改进的近似熵和改进的样本熵。 实验结果表明两种非线性特征提取方法提取的特征均能有效的区分癫痫脑电发作间歇期和发作期信号。基于近似熵的单特征分类算法的总体分类正确率在0.15倍的标准差到2倍标准差区间内不断升高,最高分类准确率达87.25%。在分类正确率上,SVM非线性分类比单独使用非线性特征进行线性分类的算法精度得到提高。结合线性特征进行非线性分类又比只应用非线性特征进行非线性分类的分类准确率又有提高。而在四个熵组合的情况下,分类准确率达到了96.00%。
【关键词】：近似熵 样本熵 支持向量机 脑电信号 特征提取 分类
【学位授予单位】：山东大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：R741.044;TN911.7
【目录】：

• CONTENTS6-8
• 摘要8-10
• ABSTRACT10-12
• 第一章 绪论12-21
• 1.1 脑电波的研究12-13
• 1.2 癫痫脑电信号的特点13-15
• 1.3 癫痫脑电自动检测的背景及研究意义15
• 1.4 癫痫脑电自动检测的发展历史15-18
• 1.5 癫痫脑电自动检测的国内外研究现状18-20
• 1.5.1 癫痫脑电信号分析的国内外研究现状18-19
• 1.5.2 癫痫脑电自动检测存在的主要问题19-20
• 1.6 本论文研究工作及内容安排20-21
• 第二章 近似熵和样本熵及其改进算法21-27
• 2.1 概述21
• 2.2 近似熵方法21-22
• 2.3 改进的近似熵方法22-24
• 2.4 样本熵24-25
• 2.5 改进的样本熵方法25-27
• 第三章 支持向量机分类模型27-36
• 3.1 概述27-28
• 3.1.1 机器学习27
• 3.1.2 支持向量机的发展历史27-28
• 3.2 支持向量机的理论基础28-30
• 3.2.1 期望风险最小化28
• 3.2.2 经验风险最小化28-29
• 3.2.3 VC维29
• 3.2.4 经验风险与真实风险的关系29-30
• 3.3 支持向量机理论简介30-34
• 3.4 支持向量机的优点34
• 3.5 支持向量机的实现34-35
• 3.6 本章小结35-36
• 第四章 基于近似熵、样本熵及其改进算法的癫痫脑电分类36-49
• 4.1 概述36-37
• 4.2 实验数据集37
• 4.2.1 数据集37
• 4.2.2 实验数据集37
• 4.3 分类算法效果评价指标37-40
• 4.4 基于近似熵与改进的近似熵的癫痫脑电分类结果与分析40-44
• 4.5 基于样本熵与改进的样本熵的癫痫脑电分类结果与分析44-48
• 4.6 本章小结48-49
• 第五章 基于支持向量机的癫痫脑电分类49-54
• 5.1 概述49-51
• 5.1.1 测试样本与训练样本的选取50
• 5.1.2 实验效果评价指标50
• 5.1.3 SVM的参数选取50-51
• 5.2 基于四种熵和SVM的癫痫脑电分类结果与分析51-53
• 5.3 本章小结53-54
• 结束语54-56
• 参考文献56-61
• 致谢61-62
• 学位论文评阅及答辩情况表62

【参考文献】

中国期刊全文数据库 前10条

1 周奇;;对支持向量机几种常用核函数和参数选择的比较研究[J];福建电脑;2009年06期

2 李莹,欧阳楷;长期脑电中癫痫波自动检测方法[J];国外医学.生物医学工程分册;2004年06期

3 周建芳;罗晓曙;胡叶容;;脑电信号的样本熵分析[J];广西物理;2007年02期

4 庄建军;宁新宝;都思丹;王振洲3;霍铖宇;杨希;范爱华;;过速型室性心律失常事件的短时非线性心率变异性预测[J];科学通报;2008年05期

5 范维,刘晓燕;儿童癫沲发作前期脑电复杂性的分析[J];临床神经电生理学杂志;2003年02期

6 赵龙莲;伍文清;胡广书;;基于脑电反馈的难治性癫痫病人的近似熵分析[J];清华大学学报(自然科学版)网络.预览;2009年03期

7 刘治远;解玲丽;陈子怡;黄瑞梅;李小江;周毅;;基于近似熵的癫痫发作预测研究[J];生物医学工程研究;2011年01期

8 吴小培,冯焕清,周荷琴,王涛;基于混合小波变换的瞬态信号检测方法[J];生物医学工程学杂志;2001年01期

9 白冬梅;邱天爽;李小兵;;样本熵及在脑电癫痫检测中的应用[J];生物医学工程学杂志;2007年01期

10 王兴元;孟娟;邱天爽;;基于独立分量分析算法研究儿童癫痫脑电的混沌动力学特征[J];生物医学工程学杂志;2007年04期

，

本文编号：778241