【摘要】：腦電圖是一種記錄生物腦部電位活動的非入侵技術(shù),在人機交互、神經(jīng)科學、臨床醫(yī)療等各個領域有潛在的應用,研究者收集了來自不同對象的各類腦電圖數(shù)據(jù),用于分析人類行為的控制方式、人類思維的產(chǎn)生原理和相關精神類疾病生成的緣由。其中,應用腦電圖數(shù)據(jù)進行精神分裂癥患病階段的分析是一類新興的研究領域。精神分裂癥是精神類疾病的一種,它具有易復發(fā)、易致殘等特征,給家庭和社會帶來嚴重的疾病負擔。而目前醫(yī)療部門的精神分裂癥臨床診斷結(jié)果基本來自專家問診,進一步的病理研究和疾病治療也被限制在問診結(jié)果的基礎上,基于這一現(xiàn)狀,信息技術(shù)支持下的診療方法具有較大的研究和發(fā)展空間。為了精神分裂癥病理研究的發(fā)展和診療方案的優(yōu)化,需要一種基于客觀數(shù)據(jù)的精神分裂癥分析分類方法。本課題基于人工標定健康狀態(tài)樣本(HC)、精神分裂癥首發(fā)樣本(FES)和精神分裂癥臨床高危綜合征樣本(CHR)的腦電圖數(shù)據(jù),學習基于腦電圖數(shù)據(jù)的自動分類方法,為診療篩選提供有效技術(shù)支持。從高維統(tǒng)計層面考慮,每一例樣本的腦電圖數(shù)據(jù)包含了一段時間內(nèi)多導聯(lián)腦電信號的變化情況。因此通過預處理、特征提取、機器學習分類相結(jié)合的方法來分析受試者腦電圖數(shù)據(jù)�；诖朔椒軌�?qū)κ茉囌哌M行分類,進而能從臨床醫(yī)學角度進行臨床輔助診斷和病理分析。而從深度學習的角度考慮,通過采用預處理、數(shù)據(jù)形態(tài)轉(zhuǎn)換和深度神經(jīng)網(wǎng)絡相結(jié)合的方式,可以獲得更為準確的受試者腦電圖數(shù)據(jù)分類結(jié)果。本文從高維統(tǒng)計和深度學習兩個研究視角分別進行了腦電圖數(shù)據(jù)分析算法的探索。本文主要工作分為如下三部分:(1)本文從高維統(tǒng)計視角分析腦電圖頻域數(shù)據(jù),研究一種包含數(shù)據(jù)預處理、特征提取和機器學習分類三個階段的分類算法。在數(shù)據(jù)預處理階段獲取了關鍵頻段的頻域數(shù)據(jù);基于隨機矩陣理論,在特征提取階段采用頻域數(shù)據(jù)的線性特征值統(tǒng)計量作為分類特征;在機器學習分類階段,應用基于支持向量機的分類器。在此基礎上本研究提出一種基于二次規(guī)劃的頻段權(quán)重分配算法,對于原始腦電圖數(shù)據(jù)劃分頻段獲取特征并分類,使用分類結(jié)果構(gòu)建投票器,進而擬合求頻段特征權(quán)重,獲取各個頻段在區(qū)分三類樣本中的影響力權(quán)值,據(jù)此分析各頻段特征中對于精神分裂癥患病的影響因素。該結(jié)果有助于研究精神病病理,同時將權(quán)重分配結(jié)果應用在原分類器中可以達到分類效果的提升。(2)從深度學習視角分析腦電圖時域數(shù)據(jù),首先通過切分單樣本數(shù)據(jù)的方式將個體特征泛化為群體特征、增加樣本量以達到訓練深度神經(jīng)網(wǎng)絡模型需要的海量數(shù)據(jù)要求。針對獲得的大量EEG時域數(shù)據(jù),本文研究一種適用于腦電圖時域數(shù)據(jù)分類的卷積神經(jīng)網(wǎng)絡與支持向量機的組合算法,以獲得分類精度的提升,有助于精神分裂癥的信息技術(shù)支持下的輔助診斷研究。(3)為了更好地利用腦電圖時域數(shù)據(jù)本身具有的空間位置信息和時間分辨率,通過數(shù)據(jù)預處理將每一時刻的腦電信號從向量轉(zhuǎn)換為具有位置關系的微觀態(tài)信息矩陣,針對矩陣的時間序列,提出一種面向空間信息的卷積神經(jīng)網(wǎng)絡與面向時序特征的循環(huán)神經(jīng)網(wǎng)絡相結(jié)合的級聯(lián)網(wǎng)絡架構(gòu),進一步提升三階段分類的精確度。在三個實驗環(huán)節(jié)中,本研究針對來自上海市精神衛(wèi)生中心的健康狀態(tài)、精神分裂癥臨床高危綜合征和精神分裂癥首發(fā)三階段樣本的腦電圖數(shù)據(jù),采用上述分類算法對數(shù)據(jù)進行分析和分類,驗證了上述方法在精神分裂癥病理研究和輔助診斷的效果。
【學位授予單位】：上海交通大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TN911.6;TP18;R749
【圖文】：

圖數(shù)據(jù)研究如何區(qū)分三階段腦電圖，以得出有助于精神分裂癥病理研究的結(jié)果，同時通過研究高精確度的分類算法實現(xiàn)信息技術(shù)支持下的精神分裂癥的輔助診斷。圖1 1展示了基于腦電圖數(shù)據(jù)挖掘的精神分裂癥分析與分類工作的總體框架，該框架主要包含三項工作：圖 1 1 基于 EEG 數(shù)據(jù)挖掘的精神分裂癥研究工作的整體框架Fig 1 1 Architecture of research on schizophrenia based on EEG data mining— 5 —

對受試者所有腦電圖數(shù)據(jù)由專業(yè)實驗人員在相同的實驗室房間、受控的氣候條件中使用相同的設備，但具體使用的傳感器即電極帽是隨機的。受試者處于睜眼放松狀態(tài)，因此記錄得到其靜息態(tài)腦電圖。腦電圖記錄設備為國際腦電 系統(tǒng)，采用 64 導腦電圖帽，空間示意圖如圖2 1所示，對應的導聯(lián)名稱與位置平面圖如圖2 2所示。通過測試記錄得到的原始數(shù)據(jù)如圖2 3所示，為 64 個通道的時序信號數(shù)據(jù)，采集可用信號 300秒，采集頻率為 1000Hz，故可以得到 N T 的二維矩陣（N=64，T=300000）。后續(xù)的數(shù)據(jù)分析與實驗將在這組數(shù)據(jù)的基礎上進行。2.3 算法設計本章提出基于 EEG 頻域數(shù)據(jù)的精神分裂癥 HC—FES 二階段與 HC—CHR—FES 三階段分析與分類方法，該方法主要步驟包括：(1) 數(shù)據(jù)預處理：針對EEG原始信號中信噪比低、具有工頻干擾、眼電干擾等噪聲的情況

對受試者所有腦電圖數(shù)據(jù)由專業(yè)實驗人員在相同的實驗室房間、受控的氣候條件中使用相同的設備，但具體使用的傳感器即電極帽是隨機的。受試者處于睜眼放松狀態(tài)，因此記錄得到其靜息態(tài)腦電圖。腦電圖記錄設備為國際腦電 系統(tǒng)，采用 64 導腦電圖帽，空間示意圖如圖2 1所示，對應的導聯(lián)名稱與位置平面圖如圖2 2所示。通過測試記錄得到的原始數(shù)據(jù)如圖2 3所示，為 64 個通道的時序信號數(shù)據(jù)，采集可用信號 300秒，采集頻率為 1000Hz，故可以得到 N T 的二維矩陣（N=64，T=300000）。后續(xù)的數(shù)據(jù)分析與實驗將在這組數(shù)據(jù)的基礎上進行。2.3 算法設計本章提出基于 EEG 頻域數(shù)據(jù)的精神分裂癥 HC—FES 二階段與 HC—CHR—FES 三階段分析與分類方法，該方法主要步驟包括：(1) 數(shù)據(jù)預處理：針對EEG原始信號中信噪比低、具有工頻干擾、眼電干擾等噪聲的情況

【參考文獻】

相關期刊論文 前1條

1 張玲;;精神分裂癥治療依從性的研究進展[J];神經(jīng)疾病與精神衛(wèi)生;2007年05期

相關博士學位論文 前1條

1 金百鎖;大維隨機矩陣譜分布的極限理論研究及其應用[D];中國科學技術(shù)大學;2006年

相關碩士學位論文 前2條

1 林鷗;基于64導腦電信號的后悔情感識別[D];西南大學;2016年

2 王艷;特質(zhì)焦慮腦電信號的識別與分類研究[D];天津師范大學;2012年

本文編號：2755295