隨著數(shù)據(jù)科學與生物醫(yī)學的快速發(fā)展,基于腦電信號等其他眾多電生理信號的研究已引起機器學習領域的高度關注。腦電信號是人體最為重要的電生理信號之一,這其中含豐富的生理和病理信息,腦電信號可以準確反映出人類大腦意識及大腦健康狀況,在人腦疾病診斷方面發(fā)揮非常重要的作用。如何挖掘腦電信號重要特征,構建有效的腦電信號分類方法,是一項重要且富有挑戰(zhàn)性的研究。本文以腦電信號為研究對象,提出了基于局部均值分解和迭代隨機森林算法相結合的腦電信號分類方法。局部均值分解方法（LMD）具有一定的自適應性,相較于一些傳統(tǒng)的信號處理方法模態(tài)混疊程度更輕一些,因此本文采用該方法對不同腦電信號進行信號處理,本文提出一種局部均值分解和迭代隨機森林相結合的腦電信號分析方法。選取了Bonn大學癲癇腦電信號數(shù)據(jù)集中正常人睜眼時頭皮表層與癲癇患者癲癇發(fā)作期、發(fā)作間期致癇區(qū)的300個單通道信號。首先利用MATLAB實現(xiàn)局部均值分解,將腦電信號進行處理。之后運用SAS對乘積函數(shù)和趨勢項進行特征提取,通過R分別實現(xiàn)迭代隨機森林、隨機森林、支持向量機三種機器學習方法,調整最優(yōu)參數(shù),對每種方法采用十折交叉驗證,并對比多種方法的分類結果,對分... 

【文章來源】：長春工業(yè)大學吉林省

【文章頁數(shù)】：58 頁

【學位級別】：碩士

【部分圖文】：

研究內容與方法流程圖

第2章基本理論11圖2.1EMD算法流程圖在對原始信號進行EMD分解過程中，會出現(xiàn)一些影響分解效果的負面影響，例如端點效應、模態(tài)混疊。EMD分解時需要計算局部的平均值；而局部的平均值正是由信號的上下包絡線產(chǎn)生，這兩條包絡線都是用三次樣條插值方法來擬合的，但是有時信號兩端可能并非極值點，因此在形成上下包絡線的時候，信號兩端就可能會出現(xiàn)發(fā)散現(xiàn)象，當信號分解進行時由于信號低頻部分時間尺度較大，極值點的距離較大，端點效應還有可能發(fā)生擴散，甚至使得經(jīng)驗模態(tài)的分解得到的固有模態(tài)函數(shù)失去意義。目前已有很多學者提出了不同的方法來應對端點效應，最常見的方法就是鏡像延拓，就是在信號兩端具有對稱性的極值點上做一個對稱軸，得到2倍信號長度的周期信號，這樣可以使得分解誤差發(fā)生在真實信號以外，進而削弱端點效應對于分解的影響。

第2章基本理論14圖2.2局部均值分解算法流程2.3腦電信號分類方法數(shù)據(jù)分類一直以來都是數(shù)據(jù)挖掘方向上的一個重要領域，其中運用分類算法對數(shù)據(jù)進行分類和預測也是最近幾年的熱點研究方向，近幾年利用機器學習算法針對各類型數(shù)據(jù)進行分類和預測的應用很多。本文主要運用三種機器學習方法對腦電信號進行分類。迭代隨機森林是本文主要的研究方法，該算法是在隨機森林的基礎上，進行多

【參考文獻】：
期刊論文
[1]基于腦電EEG信號的分析分類方法[J]. 陳澤龍,謝康寧.  中國醫(yī)學裝備. 2019(12)
[2]基于時頻域組合特征的腦電信號情感分類算法[J]. 賈小云,王麗艷,陳景霞,張鵬偉.  科學技術與工程. 2019(33)
[3]基于經(jīng)驗模態(tài)分解和極限學習機的癲癇腦電提取分類研究[J]. 宋玉龍,趙冕,鄭威.  生物醫(yī)學工程研究. 2019(03)
[4]基于腦電信號深度遷移學習的駕駛疲勞檢測[J]. 王斐,吳仕超,劉少林,張亞徽,魏穎.  電子與信息學報. 2019(09)
[5]基于多尺度排列熵的腦電信號分類[J]. 韋曉燕,陳子怡,周毅.  中國數(shù)字醫(yī)學. 2019(05)
[6]基于深度卷積神經(jīng)網(wǎng)絡的腦電信號情感識別[J]. 陳景霞,王麗艷,賈小云,張鵬偉.  計算機工程與應用. 2019(18)
[7]基于FSWT和GBDT的癲癇腦電信號分類研究[J]. 李昕迪,陳萬忠.  吉林大學學報(信息科學版). 2019(02)
[8]一種基于機器學習的人臉情緒識別方法研究[J]. 李廣鵬,劉波,李坤,黃思琦.  計算機技術與發(fā)展. 2019(05)
[9]基于腦電信號的情感識別研究[J]. 張家瑞,王剛.  計算機應用研究. 2019(11)
[10]基于遺傳算法的運動想象腦電信號分類準確率的提升方法[J]. 高諾,魯昊,魯守銀,吳林彥.  生物醫(yī)學工程研究. 2018(02)

博士論文
[1]基于模糊分布熵和復值模糊分布熵的癲癇腦電信號自動分類算法研究[D]. 張濤.吉林大學 2019

碩士論文
[1]基于深度學習的腦電信號分析與模式識別研究[D]. 王光遠.北京郵電大學 2019
[2]基于整體經(jīng)驗模態(tài)分解和隨機森林的癲癇腦電信號識別算法研究[D]. 呂思奇.長春工業(yè)大學 2018
[3]基于腦電多尺度非線性分析的睡眠分期研究[D]. 頓士君.燕山大學 2016



本文編號：3069329