癲癇（Epilepsy）是一種短暫性腦功能障礙的慢性疾病,其發(fā)作的主要原因是大腦神經(jīng)元的過度放電。由于癲癇的發(fā)作會導致精神異常、短暫性意識喪失以及抽搐運動等異常行為,對患者的安全與健康存在著嚴重的威脅。因此,如果能夠識別出癲癇發(fā)作前的狀態(tài),則可以提前對患者采取保護措施,避免患者遭受突發(fā)性癲癇發(fā)作帶來的傷害。腦電圖（Electroencephalogram,簡稱EEG）記錄了腦部神經(jīng)元活動的電位變化,是用于分析癲癇發(fā)作特征的主要工具之一。癲癇腦電信號不同時期的特征具有明顯的差異,大部分癲癇預測的算法根據(jù)這種差異對癲癇發(fā)作前期的腦電信號進行識別,從而達到癲癇發(fā)作預測的目的。一方面,已有的算法對發(fā)作前期的定義通常為癲癇發(fā)作前一小時的時間間隔,這對于臨床癲癇發(fā)作的預測而言誤差較大。另一方面,現(xiàn)有的算法通常過度依賴于人工設計的特征參數(shù),并且由于不同個體腦電信號的特異性,很容易使得所學習到的算法不具有泛化性。因此研究一種對癲癇發(fā)作前期識別較為精確的能自動提取特征的算法顯得尤為重要。本文的主要研究工作分為以下幾個部分:1.研究基于卷積神經(jīng)網(wǎng)絡與支持向量機結(jié)合的腦電信號分類的算法。首先,提出了一種將癲... 

【文章來源】：杭州電子科技大學浙江省

【文章頁數(shù)】：74 頁

【學位級別】：碩士

【文章目錄】：
中文摘要
ABSTRACT
第1章 緒論
    1.1 研究的背景與意義
    1.2 腦電信號基礎
    1.3 腦電信號特征
        1.3.1 正常腦電信號特征
        1.3.2 癲癇發(fā)作的腦電信號特征
    1.4 國內(nèi)外研究現(xiàn)狀
        1.4.1 癲癇腦電信號特征提取研究現(xiàn)狀
        1.4.2 基于傳統(tǒng)機器學習癲癇信號分類研究現(xiàn)狀
        1.4.3 基于深度學習的癲癇信號分類的研究現(xiàn)狀
    1.5 本文的主要研究內(nèi)容與創(chuàng)新點
    1.6 本文的組織結(jié)構
第2章 基于傳統(tǒng)機器學習的癲癇發(fā)作檢測
    2.1 腦電信號的的特征提取
        2.1.1 基于腦電信號的非線性特征提取
            2.1.1.1 近似熵
            2.1.1.2 樣本熵
        2.1.2 基于快速傅里葉變換的頻域特征提取
        2.1.3 基于小波變換的時頻特征提取
    2.2 幾種典型的機器學習算法
        2.2.1 K近鄰算法(KNN)
        2.2.2 隨機森林(Random Forest,RF)
        2.2.3 支持向量機(Support Vector Machines,SVM)
    2.3 基于傳統(tǒng)機器學習的癲癇發(fā)作檢測
    2.4 本章小結(jié)
第3章 基于卷積神經(jīng)網(wǎng)絡的癲癇發(fā)作預測
    3.1 引言
    3.2 腦電信號的預處理
        3.2.1 腦電信號的時期劃分
        3.2.2 MAS特征的提取
    3.3 卷積神經(jīng)網(wǎng)絡模型
        3.3.1 人工神經(jīng)網(wǎng)絡模型
        3.3.2 深度學習背景
        3.3.3 卷積神經(jīng)網(wǎng)絡
    3.4 CNN與傳統(tǒng)機器學習算法的融合
    3.5 CHB-MIT數(shù)據(jù)集實驗
        3.5.1 卷積神經(jīng)網(wǎng)絡參數(shù)選取實驗
        3.5.2 前期多類別劃分實驗
        3.5.3 與傳統(tǒng)算法對比實驗
    3.6 本章小結(jié)
第4章 基于改進CNN模型融合的癲癇發(fā)作預測算法與臨床EEG數(shù)據(jù)驗證
    4.1 引言
    4.2 CNN的改進
        4.2.1 激活函數(shù)的改進
        4.2.2 Batch Normalization層的增加
    4.3 基于改進CNN的Stacking模型融合及自適應加權特征融合
        4.3.1 Stacking集成方法
        4.3.2 自適應加權特征融合
        4.3.3 基于自適應加權特征融合的Stacking模型
    4.4 CHB-MIT數(shù)據(jù)集實驗
    4.5 臨床數(shù)據(jù)實驗
        4.5.1 不均衡分類評價指標
        4.5.2 實驗
    4.6 本章小結(jié)
第5章 總結(jié)與展望
    5.1 總結(jié)
        5.1.1 展望
第6章 致謝
參考文獻
第7章 附錄


【參考文獻】：
期刊論文
[1]基于深度學習的圖像識別算法研究[J]. 衣世東.  網(wǎng)絡安全技術與應用. 2018(01)
[2]教育人工智能（EAI）的內(nèi)涵、關鍵技術與應用趨勢——美國《為人工智能的未來做好準備》和《國家人工智能研發(fā)戰(zhàn)略規(guī)劃》報告解析[J]. 閆志明,唐夏夏,秦旋,張飛,段元美.  遠程教育雜志. 2017(01)
[3]基于EEG去趨勢波動分析和極限學習機的癲癇發(fā)作自動檢測與分類識別[J]. 劉小峰,張翔,王雪.  納米技術與精密工程. 2015(06)
[4]基于非平衡數(shù)據(jù)的癲癇發(fā)作預警模型研究[J]. 吳慶忠,車峰遠,薛付忠.  山東大學學報(醫(yī)學版). 2012(02)
[5]基于經(jīng)驗模式分解的腦電棘波檢測方法[J]. 陳志彬,陳娟,邱天爽.  生物醫(yī)學工程學雜志. 2007(05)
[6]癲癇發(fā)作預測研究的新進展[J]. 賈文艷,高上凱,高小榕.  生物醫(yī)學工程學雜志. 2004(02)

博士論文
[1]癲癇腦電的分類識別及自動檢測方法研究[D]. 袁琦.山東大學 2014
[2]基于皮質(zhì)腦電的腦運動區(qū)功能定位原理與算法研究[D]. 姜濤.華南理工大學 2010

碩士論文
[1]基于整體經(jīng)驗模態(tài)分解和隨機森林的癲癇腦電信號識別算法研究[D]. 呂思奇.長春工業(yè)大學 2018
[2]基于廣義S變換和隨機森林算法的癲癇腦電信號特征提取與分類研究[D]. 王宇橋.吉林大學 2018
[3]基于EEG信號的癲癇發(fā)病預測的算法研究[D]. 董旭洋.哈爾濱工業(yè)大學 2015
[4]深度學習神經(jīng)網(wǎng)絡在語音識別中的應用研究[D]. 陳碩.華南理工大學 2013
[5]基于腦電棘波頻次和AR模型的癲癇發(fā)作預測算法[D]. 劉銀霞.山東大學 2013



本文編號：3183401