本文關(guān)鍵詞：腦電信號的多尺度熵分析方法研究　出處：《太原理工大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 腦電信號 非線性動力學(xué) 多尺度熵 非均勻時間窗

【摘要】：隨著腦科學(xué)的不斷發(fā)展和進(jìn)步,腦電信號已經(jīng)成為臨床和研究人員分析診斷腦疾病最常用到的手段之一。由于腦電信號非平穩(wěn)性和非線性的特點,腦電信號的分析方法基本還處于研究階段,臨床上仍采用人工判別的方法進(jìn)行腦疾病診斷。目前,針對腦電信號的非線性分析方法大部分在單個尺度提取特征,而忽略了腦電信號的多尺度特性。因此,研究分析腦電信號的多尺度熵分析方法具有一定的理論價值。本文通過分析傳統(tǒng)多尺度熵方法的特點,引入方差和標(biāo)準(zhǔn)差兩個新指標(biāo)重構(gòu)序列,并提出基于非均勻時間窗的多尺度熵方法。文中重點對多尺度化過程中所選取指標(biāo)和時間窗進(jìn)行了研究,對比分析了三種指標(biāo)在多尺度熵方法中的應(yīng)用,并根據(jù)傳統(tǒng)多尺度熵方法中使用均勻時間窗的特點引入一種新的時間窗劃分方法,并在癲癇數(shù)據(jù)、酗酒數(shù)據(jù)和精分?jǐn)?shù)據(jù)上驗證了新方法的有效性和可能性。研究主要工作如下:(1)引入方差和標(biāo)準(zhǔn)差兩個指標(biāo)多尺度化時間序列。分析了傳統(tǒng)多尺度熵方法中使用平均值指標(biāo)導(dǎo)致信息丟失的問題,引入方差和標(biāo)準(zhǔn)差兩個指標(biāo)對腦電信號進(jìn)行分析。通過在三個數(shù)據(jù)集中的驗證,發(fā)現(xiàn)使用新指標(biāo)可以得到比平均值更好的結(jié)果。(2)研究樣本熵和模糊熵在多尺度熵方法中的性能。在特征提取過程中,選擇樣本熵和模糊熵兩種特征值進(jìn)行研究,結(jié)果表明,兩種特征都可以較好的用于腦電信號的分析,但是模糊熵的性能優(yōu)于樣本熵,樣本熵的時間復(fù)雜度較模糊熵低。(3)提出非均勻時間窗的多尺度熵方法。針對傳統(tǒng)多尺度熵方法中粗粒度方法準(zhǔn)確率低、細(xì)粒度方法時間復(fù)雜度高的問題,根據(jù)基于空間趨勢非均勻分段的思想,提出使用非均勻時間窗的多尺度熵方法,并結(jié)合平均值、方差和標(biāo)準(zhǔn)差三種指標(biāo)以及樣本熵和模糊熵兩個特征在三個數(shù)據(jù)集中對比驗證新方法的可行性和有效性,結(jié)果表明,非均勻時間窗方法可以得到較好的準(zhǔn)確率且具有較低的時間復(fù)雜度。本文將方差和標(biāo)準(zhǔn)差兩種指標(biāo)引入傳統(tǒng)的均勻時間窗多尺度熵方法中,并提出非均勻時間窗多尺度熵方法,最后在三個數(shù)據(jù)集上進(jìn)行了驗證。實驗結(jié)果表明,使用引入的方差和標(biāo)準(zhǔn)差兩種指標(biāo)多尺度化腦電信號可以提取到更有效的特征;非均勻時間窗方法在腦電信號分析上具有較好的準(zhǔn)確率。文中所引入方法可以為以后腦疾病診斷提供一定的參考價值。
[Abstract]:With the continuous development and progress of brain science, EEG has become one of the most commonly used methods for clinical and researchers to analyze and diagnose brain diseases, due to the non-stationary and nonlinear characteristics of EEG. The analysis method of EEG signal is still in the research stage, and the artificial discriminant method is still used in the diagnosis of brain disease. At present, most of the nonlinear analysis methods for EEG signal extract features at a single scale. Therefore, it has certain theoretical value to study the multi-scale entropy analysis method of EEG signal. This paper analyzes the characteristics of traditional multi-scale entropy method. Two new indices, variance and standard deviation, are introduced to reconstruct the sequence, and a multi-scale entropy method based on the inhomogeneous time window is proposed. In this paper, the selected indexes and time windows in the process of multi-scaling are studied. The application of three indexes in the multi-scale entropy method is compared and analyzed. According to the characteristics of the traditional multi-scale entropy method using the uniform time window, a new time window partition method is introduced and used in the epileptic data. The effectiveness and possibility of the new method are verified by alcohol abuse data and refined data. The main work of the study is as follows: 1). This paper introduces two indexes, variance and standard deviation, and analyzes the problem of information loss caused by the use of average index in the traditional multi-scale entropy method. Two indexes of variance and standard deviation are introduced to analyze the EEG signal. The results are verified in three data sets. It is found that the performance of sample entropy and fuzzy entropy in multi-scale entropy method can be obtained by using the new index, which is better than the average value. In the process of feature extraction, the performance of sample entropy and fuzzy entropy in multi-scale entropy method is studied. Two eigenvalues of sample entropy and fuzzy entropy are selected to study. The results show that both of them can be used in EEG signal analysis, but the performance of fuzzy entropy is better than sample entropy. The time complexity of sample entropy is lower than that of fuzzy entropy. (3) Multi-scale entropy method based on non-uniform time window is proposed. Aiming at the problem of low accuracy of coarse-grained method and high time complexity of fine-grained method in traditional multi-scale entropy method. According to the idea of non-uniform segmentation based on spatial trend, a multi-scale entropy method using non-uniform time window is proposed and combined with average value. Variance and standard deviation as well as sample entropy and fuzzy entropy are compared in the three data sets to verify the feasibility and effectiveness of the new method. The non-uniform time window method can get better accuracy and lower time complexity. In this paper, the variance and standard deviation are introduced into the traditional uniform time window multi-scale entropy method. A non-uniform time window multi-scale entropy method is proposed and validated on three data sets. The multi-scale EEG signal can be used to extract more effective features by using the introduced variances and standard deviations. The non-uniform time window method has a good accuracy in EEG signal analysis, and the method introduced in this paper can provide a certain reference value for the diagnosis of brain diseases in the future.
【學(xué)位授予單位】：太原理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：R741.044;TN911.6

【相似文獻(xiàn)】

相關(guān)期刊論文 前5條

1 徐永紅;李杏杏;趙勇;;基于小波包和多元多尺度熵的癲癇腦電信號分類方法[J];生物醫(yī)學(xué)工程學(xué)雜志;2013年05期

2 王俊;寧新寶;李錦;馬千里;徐寅林;卞春華;;心電圖的多尺度熵分析[J];生物醫(yī)學(xué)工程學(xué)雜志;2007年05期

3 王俊;寧新寶;馬千里;;基于多尺度熵的心電圖分析[J];中國生物醫(yī)學(xué)工程學(xué)報;2008年03期

4 宦飛,王志中,鄭崇勛;睡眠EEG的多尺度信息熵分析[J];北京生物醫(yī)學(xué)工程;2001年01期

5 王俊;馬千里;;基于多尺度熵的心電圖ST段研究[J];南京郵電大學(xué)學(xué)報(自然科學(xué)版);2008年03期

相關(guān)會議論文 前2條

1 李嬋;張陽;張義軍;;地閃“不規(guī)則”先導(dǎo)的多尺度熵特征研究[A];創(chuàng)新驅(qū)動發(fā)展 提高氣象災(zāi)害防御能力——S11第十一屆防雷減災(zāi)論壇[C];2013年

2 張濤;李雅堂;閻睿;楊卓;;基于多尺度的非線性動力學(xué)分析及其在神經(jīng)系統(tǒng)中的應(yīng)用[A];第八屆全國動力學(xué)與控制學(xué)術(shù)會議論文集[C];2008年

相關(guān)博士學(xué)位論文 前1條

1 梁榮;煤礦長距離斜井TBM（盾構(gòu)）施工風(fēng)險特性與評估研究[D];中國礦業(yè)大學(xué)(北京);2016年

相關(guān)碩士學(xué)位論文 前10條

1 龍玉濤;基于熵測度的移動條件下十二通道心電信號質(zhì)量評估[D];山東大學(xué);2015年

2 高中華;基于經(jīng)驗?zāi)B(tài)分解和多尺度熵的滾動軸承故障診斷研究[D];長春工業(yè)大學(xué);2016年

3 謝佳利;多尺度熵算法及其在情感腦電識別中的應(yīng)用[D];燕山大學(xué);2016年

4 章琴;基于視覺和本體感覺阻斷的人體靜態(tài)平衡能力的評估研究[D];杭州電子科技大學(xué);2016年

5 楊琛;基于彈性多尺度熵的網(wǎng)絡(luò)流量時空特性研究[D];杭州電子科技大學(xué);2016年

6 董克巖;改進(jìn)的多尺度熵及在旋轉(zhuǎn)機(jī)械故障特征提取與診斷中的應(yīng)用[D];燕山大學(xué);2016年

7 介丹;腦電信號的多尺度熵分析方法研究[D];太原理工大學(xué);2017年

8 劉曉婷;基于加速度的人體步態(tài)信息多尺度熵研究[D];天津大學(xué);2008年

9 劉東海;基于多元多尺度熵的人體平衡系統(tǒng)研究[D];武漢理工大學(xué);2013年

10 崔潔;基于改進(jìn)多元多尺度熵的癲癇腦電信號自動分類[D];燕山大學(xué);2014年

，

本文編號：1438549