癲癇是一種腦內(nèi)神經(jīng)元異常放電,導致部分或整個腦功能障礙的慢性疾病,腦電圖蘊含豐富的大腦機能信息,對癲癇疾病診斷具備很高的參考價值。在傳統(tǒng)診斷過程中,醫(yī)生需要收集患者一天或者多天的腦電數(shù)據(jù),大量的腦電數(shù)據(jù)使得醫(yī)務人員勞動強度增加,檢測效率降低,而且醫(yī)務人員可能受主觀因素干擾,存在檢查標準不一的弊端。因此,對癲癇疾病的智能診斷變得尤為重要。目前國內(nèi)外學者對癲癇疾病診斷做出一些研究分析,但仍存在分類類別少,分類準確率低的問題。本文提出了基于小波分析,線性與非線性特征提取,特征向量系數(shù)分配,支持向量機,粒子群算法等技術的腦電分類方法。實驗表明,本文所用的方法能夠有效地把腦電數(shù)據(jù)分類成健康期,癲癇發(fā)作間歇期,癲癇發(fā)作期不同階段,而且分類準確率有較大提升。本文具體內(nèi)容:首先,論述了癲癇疾病智能診斷的國內(nèi)外現(xiàn)狀,對比各種研究方法的優(yōu)缺點;腦電信號的種類以及癲癇腦電特征波形及頻率分布。其次,介紹了癲癇腦電數(shù)據(jù)來源及小波變換預處理。將原始腦電信號經(jīng)小波5層分解后,獲得癲癇特征頻段內(nèi)的腦電信號。再次,提取癲癇特征頻段內(nèi)的線性與非線性特征,主要包括波動系數(shù)、近似熵、樣本熵。作為本文的一個重要創(chuàng)新,根據(jù)不同狀態(tài)、不同尺度腦電信號能量分布,調(diào)整特征向量系數(shù),使得能量占比高的癲癇特征頻段系數(shù)變高,能量占比低的癲癇特征頻段系數(shù)變低,系數(shù)分配后構成最終的特征向量。最后,本文給出七種實驗方案,利用支持向量機對腦電信號進行分類診斷,并且使用三種核函數(shù),設置系數(shù)前后的特征向量,粒子群算法優(yōu)化支持向量機。本文方法取得了良好實驗效果,分類準確率達到99.83%。本文實驗結(jié)果與其它文獻進行對比,不僅將腦電信號分成三種類別而且提高了分類準確率,為后續(xù)研究提供一種新思路。在文章最后設計了該智能診斷系統(tǒng)的操作界面,該界面主要目的是簡化操作步驟,利于觀察實驗仿真結(jié)果,使其在實際操作中能夠得到廣泛應用。
【學位單位】：哈爾濱理工大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：TN911.7;R742.1
【部分圖文】：

-19-圖 3-1 混合特征構建過程Fig. 3-1 Hybrid feature construction process構建步驟如下：數(shù)據(jù)，選擇實驗樣本，如 2.1 節(jié)所述，本最終選取了數(shù)據(jù)集 A、數(shù)據(jù)集 D、數(shù)據(jù)集集中的數(shù)據(jù)進行 5 層小波分解與重構，去數(shù)據(jù)；理數(shù)據(jù)后，根據(jù)公式(3-1)計算出 EEG 序]5 ,FI；(3-8)和公式(3-11)計算出 EEG 序列的近似]2 5En , ,ApEn， [ 1 2SampEn = SampEn , SampEn

形和圓形代表不同樣本，H 為最優(yōu)分類過支持向量的直線，H1與 H2的距離為分類最優(yōu)分類線的常數(shù)項。所謂最優(yōu)分類線，的數(shù)據(jù)，又能把分類間隔2 w 擴展到最大處使用最優(yōu)分類線進行講解，最優(yōu)分類面本 {( , )}, 1,2,i iT = x y i = len，nix ∈ R表示練標簽，len 為訓練樣本的個數(shù)。存在一個w x + b= 0分類面 H，可以區(qū)分兩種類型的樣本數(shù)據(jù)f ( x )= w x + b，那么 x 是位于分類面上的點；如果 f ( x )f ( x ) > 0，那么ix 對應的標簽iy 為 1，至此樣本都可以正確分類，測試樣本應符合下

核函數(shù)映射
【參考文獻】

相關期刊論文 前10條

1 張濤;陳萬忠;李明陽;;基于AdaBoost算法的癲癇腦電信號識別[J];物理學報;2015年12期

2 王道明;魯昌華;蔣薇薇;肖明霞;李必然;;基于粒子群算法的決策樹SVM多分類方法研究[J];電子測量與儀器學報;2015年04期

3 王蕓;吳琦;周衛(wèi)東;袁莎莎;袁琦;;基于推土機距離和支持向量機的腦電癲癇檢測算法(英文)[J];Journal of Measurement Science and Instrumentation;2014年03期

4 王杰;李牧瀟;;改進的極限學習機在癲癇腦電分類中的應用[J];計算機仿真;2014年06期

5 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的癲癇腦電自動檢測方法[J];物理學報;2014年05期

6 龐春穎;王小甜;孫曉琳;;一種基于改進經(jīng)驗模態(tài)分解的癲癇腦電識別新方法[J];中國生物醫(yī)學工程學報;2013年06期

7 袁琦;周衛(wèi)東;李淑芳;蔡冬梅;;基于ELM和近似熵的腦電信號檢測方法[J];儀器儀表學報;2012年03期

8 梁雪春;龔艷冰;肖迪;;一種多核加權支持向量機的水質(zhì)預測方法[J];東南大學學報(自然科學版);2011年S1期

9 周川;劉暢;伍星;遲毅林;;基于EMD和自適應形態(tài)濾波的解調(diào)方法及其應用研究[J];機械科學與技術;2011年08期

10 白冬梅;邱天爽;李小兵;;樣本熵及在腦電癲癇檢測中的應用[J];生物醫(yī)學工程學雜志;2007年01期

相關博士學位論文 前1條

1 汪春梅;癲癇腦電信號特征提取與自動檢測方法研究[D];華東理工大學;2011年

相關碩士學位論文 前6條

1 劉國權;基于發(fā)作間期EEG的癲癇自動診斷系統(tǒng)的研究與設計[D];南京郵電大學;2016年

2 王銀輝;基于EMD和混合特征的癲癇腦電信號識別研究[D];大連理工大學;2016年

3 馮愛玲;基于短時傅里葉變換的胎心率檢測算法與實現(xiàn)[D];廣東工業(yè)大學;2014年

4 張強;基于熵測度與支持向量機的腦電信號分類方法研究[D];山東大學;2014年

5 趙建林;癲癇腦電信號識別算法及其應用[D];山東大學;2010年

6 孫剛;基于支持向量機的多分類方法研究[D];大連海事大學;2008年

本文編號：2843047