癲癇是一種常見的神經(jīng)系統(tǒng)疾病,通常以腦細(xì)胞突然過度放電引起的短暫腦功能失常為特征。腦電圖中包含大量的生理和病理信息,臨床上醫(yī)生通過視覺分析24小時腦電圖來診斷病情。腦電圖在癲癇診斷工作中的必要性以及視覺檢測存在的諸多不足,促使以信號處理為基礎(chǔ)的自動檢測技術(shù)成為目前的研究熱點。計算機自動檢測技術(shù)最核心的任務(wù)就是利用信號處理和模式識別方法實現(xiàn)腦電信號的解析與判讀。美國、法國和奧地利等國家已開發(fā)出在線癲癇診斷系統(tǒng),并成功應(yīng)用于臨床,而我國相關(guān)研究還主要停留在實驗室階段。主要是由于目前癲癇腦電分析算法采用單一算法域為主,對有效病理信息的挖掘與表征程度不高,分析效果難以滿足臨床應(yīng)用的要求,在算法穩(wěn)定性、適應(yīng)性和泛化性方面還存在問題。在此情況下,尋求一種高效、可靠的癲癇腦電信號分析方法就顯得尤為迫切和必要。本文從癲癇腦電信號的特點入手,研究各個不同發(fā)作期腦電信號的差異性,并在此基礎(chǔ)上提出了復(fù)合域分析算法。分別針對目前檢測算法在穩(wěn)定性、適應(yīng)性和泛化性方面存在的問題展開深入研究,建立相應(yīng)的基于復(fù)合域分析的癲癇腦電信號檢測模型,探索所提算法在癲癇自動診斷中的應(yīng)用。本文的主要工作及創(chuàng)新點如下:（1）針對癲... 

【文章來源】：吉林大學(xué)吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：120 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
        1.1.1 腦電研究背景
        1.1.2 癲癇腦電信號
        1.1.3 本文研究意義
    1.2 癲癇檢測系統(tǒng)研究現(xiàn)狀及算法發(fā)展趨勢
        1.2.1 癲癇檢測系統(tǒng)國內(nèi)外研究現(xiàn)狀
        1.2.2 研究算法概述
        1.2.3 癲癇腦電分析算法存在的問題
    1.3 本文研究內(nèi)容及技術(shù)路線
        1.3.1 本文研究內(nèi)容
        1.3.2 技術(shù)路線
        1.3.3 章節(jié)安排
第2章 癲癇腦電信號分析算法框架及實驗數(shù)據(jù)來源
    2.1 癲癇腦電信號處理流程
        2.1.1 預(yù)處理
        2.1.2 特征提取
        2.1.3 分類
    2.2 算法性能評價方法
        2.2.1 交叉驗證
        2.2.2 評價標(biāo)準(zhǔn)
        2.2.3 Wilcoxon秩和檢驗
    2.3 癲癇腦電數(shù)據(jù)來源
        2.3.1 波恩大學(xué)癲癇腦電數(shù)據(jù)
        2.3.2 CHB-MIT長程癲癇腦電數(shù)據(jù)
    2.4 本章小結(jié)
第3章 基于小波-包絡(luò)譜的癲癇腦電分析模型
    3.1 引言
    3.2 小波分析
        3.2.1 小波變換定義
        3.2.2 雙密度離散小波變換
    3.3 包絡(luò)譜分析
    3.4 集成BP神經(jīng)網(wǎng)絡(luò)設(shè)計
        3.4.1 BP神經(jīng)網(wǎng)絡(luò)
        3.4.2 Adaboost-BP分類模型搭建
    3.5 基于DDDWT-HT的癲癇腦電信號檢測算法
        3.5.1 腦電信號的小波包絡(luò)譜分析
        3.5.2 統(tǒng)計特征提取
        3.5.3 Adaboost-BP網(wǎng)絡(luò)設(shè)置
    3.6 實驗結(jié)果與分析
        3.6.1 實驗結(jié)果
        3.6.2 討論
    3.7 本章小結(jié)
第4章 基于多階次FrFT-WPT的癲癇腦電分析模型
    4.1 引言
    4.2 分?jǐn)?shù)階傅立葉變換
    4.3 小波包變換
        4.3.1 小波包變換基本原理
        4.3.2 常用小波函數(shù)系
    4.4 多階次FrFT-WPT算法設(shè)計
        4.4.1 FrFT和WPT聯(lián)合分析
        4.4.2 基于模糊熵的腦電信號特征提取
        4.4.3 基于PCA-KW的特征選擇
        4.4.4 基于RF的特征分類
    4.5 實驗結(jié)果與分析
        4.5.1 實驗結(jié)果
        4.5.2 討論
    4.6 本章小結(jié)
第5章 基于MODWT-KDE的癲癇腦電分析模型
    5.1 引言
    5.2 極大模值離散小波變換
    5.3 核密度估計
    5.4 基于MODWT-KDE的癲癇腦電檢測算法
        5.4.1 預(yù)處理
        5.4.2 導(dǎo)聯(lián)選擇
        5.4.3 數(shù)據(jù)分段
        5.4.4 基于MODWT-KDE復(fù)合域的特征提取
        5.4.5 分類方法
    5.5 實驗結(jié)果與分析
        5.5.1 實驗結(jié)果
        5.5.2 討論
    5.6 本章小結(jié)
第6章 總結(jié)與展望
    6.1 論文總結(jié)
    6.2 研究展望
參考文獻(xiàn)
在學(xué)期間研究成果
致謝



本文編號：3200794