癲癇是一種以大腦神經(jīng)元非常規(guī)放電所導(dǎo)致的短暫性大腦功能障礙慢性疾病。依據(jù)全球的衛(wèi)生組織在2005年做出的報告,有著最多患者數(shù)的精神類疾病就是癲癇。目前,腦電圖(Electroencephalogram,EEG)是評估大腦活動的重要方法,其被稱為癲癇檢測診斷的“黃金標(biāo)準(zhǔn)”。然而,醫(yī)生都是通過視覺檢查患者的腦電圖以實(shí)現(xiàn)癲癇的臨床診斷,但該方法效率低下且容易導(dǎo)致誤診。因此,利用現(xiàn)在流行的模式識別技術(shù)與計算機(jī)科技對腦電信號來進(jìn)行相應(yīng)的處理已成為重要的癲癇輔助檢測手段。本文針對自動診斷算法復(fù)雜,分類精度不高的問題,對分類算法進(jìn)行改進(jìn),并提出一種基于梯度提升樹(Gradient Boosting Decision Tree,GBDT)算法的癲癇檢測方法,并與經(jīng)典的支持向量機(jī)算法做出來比較,主要工作如下:1.通過對長程腦電特征分析,發(fā)現(xiàn)癲癇腦電和間歇期腦電無論幅度、頻率,還是復(fù)雜度均有較大的差別,通過對腦電信號進(jìn)行預(yù)處理和特征提取,可以使用分類器快速有效的區(qū)分開兩者。在腦電信號預(yù)處理階段,直接基于腦電信號的特征提取會讓大量細(xì)節(jié)丟失,本文利用頻率切片小波變換(Frequency Slice Wavel...

【文章頁數(shù)】：65 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 課題研究背景及意義
    1.2 腦電信號概述
        1.2.1 腦電信號的介紹
        1.2.2 癲癇腦電信號
        1.2.3 癲癇檢測技術(shù)應(yīng)用現(xiàn)狀
    1.3 癲癇檢測主要方法及一般流程
        1.3.1 癲癇檢測主要研究方法
        1.3.2 癲癇檢測一般流程
    1.4 本文主要研究內(nèi)容與結(jié)構(gòu)安排
第2章 信號時頻分析與方法
    2.1 常用的腦電信號分析方法
        2.1.1 傅里葉變換
        2.1.2 短時傅里葉變換
        2.1.3 連續(xù)小波變換
        2.1.4 Wigner-Ville分布
        2.1.5 S變換
    2.2 頻率切片小波變換
        2.2.1 頻率切片小波變換
        2.2.2 頻率切片函數(shù)
        2.2.3 尺度因子
        2.2.4 信號的頻域分辨率
    2.3 頻率切片小波反變換
        2.3.1 頻率切片小波反變換的實(shí)現(xiàn)方式
        2.3.2 反變換與原始信號的相關(guān)性
    2.4 本章小結(jié)
第3章 Boosting算法分析
    3.1 Boosting的起源與發(fā)展
    3.2 Boosting算法簡介
    3.3 Gradient Boosting算法
    3.4 本章小結(jié)
第4章 SVM算法與GA算法結(jié)合應(yīng)用
    4.1 GA算法原理
        4.1.1 進(jìn)化算法
        4.1.2 GA算法
    4.2 SVM算法原理
        4.2.1 SVM簡介
        4.2.2 SVM算法推導(dǎo)
    4.3 GA-SVM算法分析
        4.3.1 GA-SVM算法原理
        4.3.2 GA-SVM算法結(jié)果仿真
    4.4 本章小結(jié)
第5章 癲癇腦電信號檢測試驗(yàn)與結(jié)果討論
    5.1 實(shí)驗(yàn)數(shù)據(jù)準(zhǔn)備與仿真環(huán)境搭建
        5.1.1 腦電信號來源
        5.1.2 仿真環(huán)境說明
    5.2 樣本特征提取
        5.2.1 腦電節(jié)律波分析
        5.2.2 近似熵特征
        5.2.3 波動指數(shù)特征
        5.2.4 特征提取過程與結(jié)果
    5.3 腦電數(shù)據(jù)分類
        5.3.1 GBDT分類應(yīng)用
        5.3.2 分類結(jié)果與仿真實(shí)現(xiàn)
    5.4 算法對比討論
    5.5 本章小結(jié)
第6章 總結(jié)與展望
    6.1 論文工作總結(jié)
    6.2 工作展望
參考文獻(xiàn)
作者簡介及科研成果
致謝



本文編號：3868444