癲癇是一種常見(jiàn)的神經(jīng)科疾病,腦部神經(jīng)異常放電是癲癇發(fā)作的主要原因。癲癇的危害性極大,它的發(fā)作是隨機(jī)發(fā)生的,可以在一天內(nèi)多次發(fā)生,發(fā)作時(shí)常表現(xiàn)為意識(shí)喪失、渾身抽搐、精神異常等。在無(wú)人看管情況下的癲癇患者可能因各種因素而突然意外死亡,包括咬傷舌頭,分泌物或嘔吐物堵塞呼吸道,引起窒息,不受控制的全身強(qiáng)直、痙攣等。癲癇的發(fā)病率較高,且年齡段分布極廣,包括兒童、青少年和老人,但以兒童和青少年的發(fā)病率最高。這種疾病男女都有可能罹患,且男性患病概率高于女性。腦電圖是癲癇研究過(guò)程中一個(gè)非常重要的工具,它提供了其他生理學(xué)方法無(wú)法提供的信息。癲癇發(fā)作時(shí)產(chǎn)生的特異性波形如棘波、尖波、復(fù)合波等都可以通過(guò)腦電圖體現(xiàn)出來(lái)。由于腦電信號(hào)的采集往往是多個(gè)部位同時(shí)進(jìn)行的,因此產(chǎn)生的腦電圖為多通道EEG。本文旨在時(shí)頻域中提取合適的特征以解決多通道數(shù)據(jù)關(guān)聯(lián)問(wèn)題,并運(yùn)用集成學(xué)習(xí)方法,基于融合后的特征進(jìn)行癲癇發(fā)病的預(yù)測(cè)。本文在總結(jié)了國(guó)內(nèi)外癲癇腦電自動(dòng)識(shí)別方法的基礎(chǔ)上,首先闡述了具有集成學(xué)習(xí)思想的幾種方法:Bagging、Boosting和Stacking。之后分析了現(xiàn)有的腦電特征提取方法,在此基礎(chǔ)上結(jié)合患者的腦電圖時(shí)域和頻域分... 

【文章來(lái)源】：浙江工商大學(xué)浙江省

【文章頁(yè)數(shù)】：78 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    第一節(jié) 選題背景與研究意義
        一、選題背景
        二、研究意義
    第二節(jié) 研究?jī)?nèi)容與基本框架
        一、研究?jī)?nèi)容
        二、基本框架
    第三節(jié) 文獻(xiàn)綜述
        一、癲癇腦電的特征提取方法研究
        二、癲癇預(yù)測(cè)的機(jī)器學(xué)習(xí)方法研究
        三、已有研究評(píng)述
    第四節(jié) 研究難點(diǎn)和創(chuàng)新點(diǎn)
        一、研究難點(diǎn)
        二、創(chuàng)新點(diǎn)
第二章 腦電圖相關(guān)知識(shí)與集成學(xué)習(xí)方法闡述
    第一節(jié) 腦電圖相關(guān)知識(shí)闡述
        一、腦電圖的采集與腦電波
        二、癲癇特征波
    第二節(jié) 集成學(xué)習(xí)相關(guān)理論與方法闡述
        一、基于Bagging方法的隨機(jī)森林
        二、基于Boosting方法的梯度提升樹(shù)與XGBoost
        三、Stacking方法
第三章 癲癇腦電信號(hào)特征提取與融合
    第一節(jié) 數(shù)據(jù)來(lái)源與說(shuō)明
        一、數(shù)據(jù)來(lái)源
        二、通道說(shuō)明
    第二節(jié) 腦電圖數(shù)據(jù)預(yù)處理
        一、通道的一致化處理
        二、腦電圖數(shù)據(jù)切片
        三、劃分訓(xùn)練集與測(cè)試集
    第三節(jié) 腦電信號(hào)特征提取
        一、腦電信號(hào)處理方法
        二、基于時(shí)域分析的特征提取與融合
        三、基于頻域分析的特征提取與融合
        四、時(shí)域和頻域特征融合
第四章 癲癇自動(dòng)識(shí)別模型研究
    第一節(jié) 頻段選擇與不同特征效果測(cè)試
        一、ROC曲線和AUC值
        二、頻段選擇
        三、不同特征效果測(cè)試
    第二節(jié) 癲癇自動(dòng)識(shí)別模型的建立及效果分析
        一、隨機(jī)森林模型預(yù)測(cè)及其效果
        二、梯度提升樹(shù)模型預(yù)測(cè)及其效果
        三、XGBoost模型及其效果
        四、基于Stacking方法的預(yù)測(cè)模型及其效果
        五、對(duì)比分析
第五章 研究結(jié)論與展望
    第一節(jié) 研究結(jié)論
        一、基于多通道EEG的特征融合可以提升預(yù)測(cè)效果
        二、基于樹(shù)模型的方法具有較好的預(yù)測(cè)效果
        三、Stacking方法可以減小個(gè)體差異帶來(lái)的誤差
    第二節(jié) 研究展望
        一、使模型具備增量學(xué)習(xí)能力
        二、提高數(shù)據(jù)的處理速度和模型的運(yùn)行速度
參考文獻(xiàn)
附錄
致謝


【參考文獻(xiàn)】：
期刊論文
[1]癲癇腦電的特征提取方法綜述[J]. 張瑞,宋江玲,胡文鳳.  西北大學(xué)學(xué)報(bào)(自然科學(xué)版). 2016(06)
[2]基于梯度boosting的癲癇腦電檢測(cè)方法（英文）[J]. 陳爽爽,周衛(wèi)東,耿淑娟,袁琦,王紀(jì)文.  Journal of Measurement Science and Instrumentation. 2015(01)
[3]關(guān)聯(lián)規(guī)則在腦科電子病歷挖掘中的應(yīng)用[J]. 曾勇.  醫(yī)學(xué)信息學(xué)雜志. 2014(10)



本文編號(hào)：3176038