【摘要】：癲癇是一種發(fā)病規(guī)律難以預(yù)測(cè)的腦神經(jīng)系統(tǒng)疾病,嚴(yán)重困擾著人類(lèi)健康。腦電圖(Electroencephalogram,EEG)可以記錄大腦神經(jīng)元系統(tǒng)電位變化情況,是癲癇診斷過(guò)程中重要手段。癲癇發(fā)作時(shí)腦部周期性高頻率放電,產(chǎn)生棘波、尖波、慢波、棘慢復(fù)合波等特征波都可以通過(guò)EEG體現(xiàn)出來(lái)。目前臨床上對(duì)癲癇的檢測(cè)是通過(guò)觀察、對(duì)比不同階段的EEG從而對(duì)人體的狀況做出判斷,從直觀的角度確定患者的癲癇疾病所屬類(lèi)型、推斷出潛伏期、確定治療方案或手術(shù)部位,這通常需要對(duì)癲癇病人的腦電信號(hào)進(jìn)行長(zhǎng)期地監(jiān)測(cè)。這個(gè)過(guò)程產(chǎn)生的EEG數(shù)據(jù)量龐大,依靠醫(yī)療工作者的肉眼去診斷耗時(shí)耗力,且依據(jù)工作經(jīng)驗(yàn)、診斷習(xí)慣和判斷標(biāo)準(zhǔn)的不同,會(huì)產(chǎn)生偏差或者誤診�；诖�,研究出一種能夠應(yīng)用于實(shí)現(xiàn)癲癇腦電信號(hào)自動(dòng)檢測(cè)的方法,意義重大。針對(duì)腦電信號(hào)復(fù)雜細(xì)致的特點(diǎn),直接基于腦電信號(hào)的特征提取會(huì)使大量細(xì)節(jié)丟失,本文在腦電信號(hào)特征提取步驟上提出了一種基于靈活分析小波變換(Flexible Analytic Wavelet Transform,FAWT)的時(shí)頻分析自動(dòng)檢測(cè)方法,通過(guò)實(shí)驗(yàn)數(shù)據(jù)驗(yàn)證了該方法的有效性。EEG的處理流程如下:首先,應(yīng)用FAWT對(duì)信號(hào)進(jìn)行分解重構(gòu),多尺度變換使重構(gòu)信號(hào)比原始信號(hào)更細(xì)膩;其次,應(yīng)用窗口寬度為256點(diǎn),重疊數(shù)為200的短時(shí)傅里葉變換(Short-Time Fourier Transform)提取出EEG時(shí)頻特征。然后,非負(fù)矩陣分解(Non-negative Matrix Factorization,NMF)對(duì)樣本的時(shí)頻特征矩陣降維。最后,將降維后的時(shí)頻特征送入遺傳算法優(yōu)化的支持向量機(jī)(Support Vector Machine,SVM)中分類(lèi),以準(zhǔn)確率為主要評(píng)價(jià)指標(biāo),程序運(yùn)行10次,得出識(shí)別分類(lèi)結(jié)果的平均準(zhǔn)確率為99%。上述是本文提出自動(dòng)檢測(cè)方法的基本步驟,在上述工作上,本文還做了多組對(duì)比實(shí)驗(yàn),包括:1.尋找FAWT的最佳分解層數(shù)。由于不同分解層數(shù)下EEG被分解的細(xì)致程度差異較大,本文在實(shí)驗(yàn)中使FAWT的分解層數(shù)J從1變換到16,將各個(gè)J值下分類(lèi)準(zhǔn)確率對(duì)比,實(shí)驗(yàn)結(jié)果表明J為6時(shí)分類(lèi)準(zhǔn)確率最高。2.確定FAWT的重構(gòu)方式。針對(duì)不同重構(gòu)方式下EEG被細(xì)化的頻段不同,準(zhǔn)確率結(jié)果差別較大的問(wèn)題,本文在實(shí)驗(yàn)中對(duì)比了四種重構(gòu)方法,實(shí)驗(yàn)結(jié)果表明,第一種重構(gòu)方式下,高頻段信息和較低頻段信息被充分保留,分類(lèi)的準(zhǔn)確率最高。3.對(duì)比FAWT、可調(diào)Q因子小波變換(Tunable Q-factor Wavelet Transform,TQWT)和離散小波變換(Discrete Wavelet Transform,DWT)的多尺度時(shí)頻分析性能。實(shí)驗(yàn)結(jié)果表明,FAWT進(jìn)行6層分解以第一種方式重構(gòu)時(shí),準(zhǔn)確率高于TQWT和DWT。4.對(duì)比STFT和快速傅里葉變換(Fast Fourier Transform,FFT)的時(shí)頻特征。為了使實(shí)驗(yàn)結(jié)果更加客觀,實(shí)驗(yàn)中調(diào)節(jié)STFT時(shí)頻窗口大小,令STFT和FFT提取的時(shí)頻特征個(gè)數(shù)一致,實(shí)驗(yàn)準(zhǔn)確率表明,STFT的時(shí)頻分析性能優(yōu)于FFT。5.對(duì)比NMF、因子分析(Factor Analysis,FA)和奇異值分解(Singular Value Decomposition,SVD)降維性能,使降維維度k從1變化到30,從準(zhǔn)確率變化曲線(xiàn)和時(shí)間上分析。結(jié)果表明,NMF對(duì)高維數(shù)據(jù)的降維性能優(yōu)于FA和SVD。6.驗(yàn)證本文方法的有效性。將本文準(zhǔn)確率與近幾年該領(lǐng)域內(nèi)文獻(xiàn)準(zhǔn)確率對(duì)比,結(jié)果表明本文準(zhǔn)確率高于其他文獻(xiàn)。
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類(lèi)號(hào)】：R742.1;TN911.7
【圖文】：

醫(yī)療水平的革新，人們開(kāi)始嘗試在大腦內(nèi)植入電極，用相應(yīng)的腦電分析儀來(lái)理腦電信號(hào)，使數(shù)據(jù)更加精細(xì)化、準(zhǔn)確化�！斑\(yùn)動(dòng)想象”概念的提出，人們開(kāi)用“意念”（實(shí)則為想象某個(gè)運(yùn)動(dòng)時(shí)大腦中電位信號(hào)的變化）控制一些簡(jiǎn)單的作，旨在為殘疾人或者身體某個(gè)部位不太靈活人群帶來(lái)更多生活上的便利。中在 2015 年提出“一體兩翼”的腦計(jì)劃并列入十三五規(guī)劃中，一體即以“認(rèn)識(shí)”為主體，兩翼以“保護(hù)腦”、“模擬腦”為目標(biāo)，腦電信號(hào)學(xué)習(xí)與研究被提到戰(zhàn)略性的高度上來(lái)。腦電信號(hào)的研究是癲癇腦電信號(hào)自動(dòng)檢測(cè)的基礎(chǔ)，歷經(jīng)上述幾十年的發(fā)展，系逐步完善，方法不斷充實(shí)，認(rèn)識(shí)不斷創(chuàng)新，已經(jīng)成為人類(lèi)對(duì)腦認(rèn)識(shí)、腦學(xué)習(xí)、控制的重要組成部分�？茖W(xué)家們嘔心瀝血的理論與實(shí)踐表明，癲癇腦電的自動(dòng)測(cè)過(guò)程包括以下 3 個(gè)部分[8]：腦電信號(hào)的預(yù)處理——腦電信號(hào)的特征提取——電信號(hào)的模式識(shí)別，流程圖如圖 1.1。其中預(yù)處理是一個(gè)去噪的過(guò)程，將腦電號(hào)中的眼電偽跡、心電偽跡、肌電偽跡以及其他噪聲去除，得到較為純凈的腦信號(hào)。

電信號(hào)產(chǎn)生機(jī)理和組成成分是人體的控制中心，結(jié)構(gòu)復(fù)雜而又精巧，影響著人類(lèi)的心理和生理講，大腦是由成千上萬(wàn)的神經(jīng)元細(xì)胞組成的，這些細(xì)胞在人體處于表現(xiàn)出內(nèi)負(fù)外正的靜息電位，當(dāng)受到刺激后，鉀、鈉離子通過(guò)細(xì)胞活動(dòng)完成一個(gè)電位活動(dòng)，產(chǎn)生一個(gè)電位差[18]。電位活動(dòng)不斷傳遞，興奮的地方，而這個(gè)過(guò)程常常是及其短暫的。神經(jīng)元細(xì)胞由三部分樹(shù)突（細(xì)胞體上大量的短纖維）和軸突（一段很長(zhǎng)的神經(jīng)纖維）。分為突觸終末并與其它神經(jīng)元或效應(yīng)器的細(xì)胞接觸形成突觸。大部細(xì)胞體的樹(shù)突基部，部分突觸集中在頂樹(shù)突。神經(jīng)細(xì)胞相互之間通鍵）傳遞信息。一個(gè)神經(jīng)細(xì)胞通常覆蓋著幾千個(gè)突觸。當(dāng)神經(jīng)元活傳入信息，傳向細(xì)胞體，軸突把信號(hào)輸出到另一個(gè)細(xì)胞[19]。如圖 就是通過(guò)這些神經(jīng)元細(xì)胞的電位活動(dòng)傳達(dá)著控制肢體、思想行為、的信息。

【參考文獻(xiàn)】

相關(guān)期刊論文 前9條

1 席敏;朱國(guó)魂;;多尺度排列熵及其在癲癇發(fā)作識(shí)別中的應(yīng)用[J];生物醫(yī)學(xué)工程學(xué)雜志;2015年04期

2 莫家慶;王宏;許亮;俞瀟;呂小毅;;基于DWT和MFCC的振動(dòng)信號(hào)特征參數(shù)提取方法[J];新疆大學(xué)學(xué)報(bào)(自然科學(xué)版);2015年03期

3 盧艷軍;周小敏;任艷;房芮;;基于遺傳算法優(yōu)化支持向量機(jī)的輻射測(cè)溫方法[J];沈陽(yáng)航空航天大學(xué)學(xué)報(bào);2015年03期

4 計(jì)雨含;王曉東;姚宇;;基于張量奇異值分解的人臉識(shí)別方法[J];計(jì)算機(jī)應(yīng)用;2015年S1期

5 張濤;陳萬(wàn)忠;李明陽(yáng);;基于AdaBoost算法的癲癇腦電信號(hào)識(shí)別[J];物理學(xué)報(bào);2015年12期

6 王瑩;侯鳳貞;戴加飛;劉新峰;李錦;王俊;;改進(jìn)的相對(duì)轉(zhuǎn)移熵的癲癇腦電分析[J];物理學(xué)報(bào);2014年21期

7 孟慶芳;陳珊珊;陳月輝;馮志全;;基于遞歸量化分析與支持向量機(jī)的癲癇腦電自動(dòng)檢測(cè)方法[J];物理學(xué)報(bào);2014年05期

8 張鵬;李紅斌;;一種基于離散小波變換的諧波分析方法[J];電工技術(shù)學(xué)報(bào);2012年03期

9 胡麗瑩;肖蓬;;快速傅里葉變換在頻譜分析中的應(yīng)用[J];福建師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年04期

相關(guān)博士學(xué)位論文 前1條

1 張艷麗;癲癇腦電的分形分析及自動(dòng)檢測(cè)方法研究[D];山東大學(xué);2016年

本文編號(hào)：2732665