腦電信號是大腦組織電活動和功能狀態(tài)的綜合反映,它通過在入腦上分布的電極記錄下大腦的生理電活動,是一種包含多種信息且高度復(fù)雜的隨機信號。長期以來,人們使用腦電信號診斷病人的腦部疾病(例如癲癇、精神分裂癥等),取得了很好的效果。隨著疾病診療的發(fā)展,傳統(tǒng)的人工閱讀方法已經(jīng)不能滿足現(xiàn)代腦電信號分析的需求,因此利用機器學習等智能方法實現(xiàn)腦電信號自動分類逐漸成為研究的焦點。腦電信號自動分類過程主要分為兩個階段：信號的特征提取和分類。在信號特征提取階段,針對傳統(tǒng)方法只能提取信號單一特性的問題,本文提出一種小波包與樣本熵混合的腦電信號特征提取方法,利用小波包變換提取信號的線性特征,同時結(jié)合樣本熵提取信號的非線性特征,能夠更好地表現(xiàn)腦電信號線性與非線性的雙重特點。在分類階段,為解決單一極限學習機分類結(jié)果隨機不穩(wěn)定的問題,本文采用集成學習思想,依據(jù)不同的集成策略提出兩種改進的集成極限學習機分類算法�；诰�性判別分析的集成極限學習機分類方法使用并行的集成策略,利用線性判別分析對重采樣產(chǎn)生的各個訓(xùn)練子集進行變換,得到相互間差異較大的子集,增加各個學習器間的差異性,減小集成泛化誤差�；诨バ畔⒌腁daboost極限學習機分類算法利用串行的集成策略,增加誤分樣本對單一極限學習機的影響,并嵌入互信息輸入變量選擇,以整體學習器最終的性能作為評價指標,實現(xiàn)對輸入變量以及網(wǎng)絡(luò)模型的優(yōu)化。仿真結(jié)果表明：本文所提特征提取方法能夠充分得到信號全面的信息特征,有利于分類器分類。所提的兩種集成極限學習機分類方法能夠有效提升分類精度,具有更好的泛化性能。
【學位單位】：大連理工大學
【學位級別】：碩士
【學位年份】：2015
【中圖分類】：R741.044;TN911.7
【部分圖文】：

圖２．１是一段正常人和醉酒者腦電信號利用ＡＲ模型擬合的結(jié)果，使用ＡＩＣ確定模逡逑數(shù)為２０�？梢钥闯觯粒夷Ｐ偷念A(yù)測值與實際值的趨勢幾乎相同，說明該模型能夠逡逑的表示出信號的實際特征。逡逑

邐逡逑分解系數(shù)去表示原始信號過程中它更為靈活，還可以任意多尺度分解信號，解決逡逑變換時域頻域無法改變的不足，因此小波包變換在提取信號特征方面性能更優(yōu)逡逑小波包分解原理圖如圖２．３所示。逡逑

＼Ｐ邋ｋ＝＼逡逑最后將每個子頻帶的各項統(tǒng)計特征綜合保存起來，作為分類數(shù)據(jù)。下圖為經(jīng)過小波逡逑包分解后，Ｓ１０邋（高頻）和Ｓ１１邋（低頻）節(jié)點腦電信號的示意圖。能夠看出，原信號經(jīng)逡逑過小波包分解后，形成了高頻信號和低頻信號，即詳細信號和逼近信號，兩種信號在幅逡逑值和頻率上都有著本質(zhì)的差別，它們共同表達可以充分體現(xiàn)出原始腦電信號的特征。逡逑

【參考文獻】

相關(guān)碩士學位論文 前1條

1 鄭泓;基于自回歸模型和主成分分析的結(jié)構(gòu)損傷識別方法研究[D];哈爾濱工業(yè)大學;2013年

本文編號：2814434