發(fā)布時間：2020-07-29 20:23

【摘要】：癲癇和精神分裂癥都是常見的腦部疾病,隨著生活水平的提高,人們對該兩類疾病的發(fā)病機理和治療手段的關注日益增加。腦部疾病EEG(Electroencephalogram)信號處理和識別算法是實現(xiàn)生物電信號智慧醫(yī)療的重要手段,醫(yī)生雖然可以結(jié)合先驗知識及相關理論對腦電圖進行主觀判斷,制定針對患者的醫(yī)學治療方法。但是,這種主觀判斷方法極易出錯,并且效率不高。先進的信號處理技術、深度神經(jīng)網(wǎng)絡技術等為快速精準的智慧醫(yī)療提供了新方法和新手段,因此,采用先進的信號處理與機器學習技術,實現(xiàn)腦部疾病的自動檢測、識別與診斷治療具有重要意義。(1)提出了一種基于小波雙譜能量熵和顏色矩的信號特征提取算法,用于癲癇信號處理和分類識別。針對腦電信號的特性(非平穩(wěn)性、非線性、非高斯性等),將小波與雙譜分析方法結(jié)合,發(fā)揮小波變換與高階譜估計信號處理方法各自的優(yōu)勢,得到小波雙譜理論。本文采用小波雙譜能量熵和顏色矩的組合特征矢量[En,μ,ζ]作為癲癇腦電信號特征提取的方法,對癲癇信號進行了分類識別。結(jié)果顯示該算法可以有效的區(qū)分癲癇發(fā)作期和發(fā)作間期的腦電信號,為接下來的自動識別工作做了充足準備。(2)提出了一種使用遺傳算法對參數(shù)進行優(yōu)化的雙子支持向量機分類算法,通過遺傳算法對雙子支持向量機進行優(yōu)化,可以高效的確定懲罰參數(shù)和高斯核函數(shù)參數(shù),得出最優(yōu)模型。結(jié)果表明新算法將癲癇臨床腦電信號的敏感性提高至92.40%,總識別率提高至94.47%,且特異性為84.74%,AUC(Area Under Curve)為96.308%,其中,單個病人的最高識別率則達到99.05%。該方法避免了因主觀因素或判斷標準的不同而產(chǎn)生診斷結(jié)果的偏差,較用于統(tǒng)一數(shù)據(jù)來源的機器學習方法的AUC提升了約1%,為實用醫(yī)學中準確判斷和預防癲癇疾病創(chuàng)造了堅實的基礎。(3)針對精神分裂癥患者的腦電信號,提出了基于改進的VGGNet的精神分裂癥腦電自動識別算法,構(gòu)建不同網(wǎng)絡層數(shù)和不同卷積核大小的VGGNet網(wǎng)絡對精神分裂癥腦電信號進行自動識別,通過比較,最終選擇分類準確率最高的網(wǎng)絡模型:卷積核大小為5*5的13層VGG網(wǎng)絡。使用該深度學習算法與本文第三、四章提出的新機器學習算法分別對精神分裂癥腦電信號進行分類研究。實驗結(jié)果顯示,基于改進的VGG網(wǎng)絡深度學習算法所得識別率為84.34%,優(yōu)于新的機器學習算法,平均識別率為81.45%。綜上所述,本文提出的算法均可以及時的發(fā)現(xiàn)腦部疾病的隱情,對有癲癇疾病或精神分裂癥傾向的測試者進行積極干預,從而實現(xiàn)對腦部疾病EEG信號的自動識別,完成疾病的早期評估,進而實現(xiàn)針對腦部疾病的早預防、早發(fā)現(xiàn)、早治療。腦部疾病的自動檢測分析可以對測試者的神經(jīng)模式進行區(qū)分,對具有特定類型腦部疾病數(shù)據(jù)進行有效分類,更加有效地管理疾病,提升疾病的診療水平。
【學位授予單位】：北京郵電大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP181;R742.1
【圖文】：

逡逑幾種典型的腦電信號波形如下圖１－２所示。腦電信號在不同時刻會表現(xiàn)出不逡逑同的頻率分量，波形的變化會受測試者自身狀態(tài)影響，因此極度不穩(wěn)定并且隨機。逡逑。波一ｈ皂逡逑Ｉ邐｜邐｜邐｜邐Ｉ邐｜邐｜逡逑８波——簽筧逡逑ｔ邐Ｉ邐Ｉ邐１邐Ｉ邐Ｉ邐ｔ逡逑９波——§ｉｉＲ逡逑￥丨波——．奸運邋１邐１邐Ｌ邐１邐＇逡逑＾－逡逑ｉ邐ｊ邐ｉ邐ｉ邐ｉ邐ｉ邐？逡逑圖１－２幾種典型的腦電信號波形逡逑３逡逑

逡逑（２）選擇訓練集和測試集數(shù)據(jù)。由于每個患者本身存在個體差異，例身體狀況、性別等等，這就需要算法對每一個患者單獨建立模型，耗量大。每當處理一個新的患者腦電信號數(shù)據(jù)時，就需要重新建立新模如何選擇訓練樣本和測試樣本集變成核心問題。逡逑（３）特征提取方法單一的問題。腦部疾病自動檢測系統(tǒng)由兩部分組成特征提取器和分類器，如下圖１－３所示。其中，特征提取器的主要作用器學習或者深度學習等方法的分析來提取腦電信號中可以代表著一段特點的特征，用來反映腦部疾�。牛牛切盘柕陌l(fā)作規(guī)律。分類器的主要提取到的特征樣本進行分類，因此，便會產(chǎn)生特征提取器和分類器優(yōu)劣優(yōu)質(zhì)的腦部疾病ＥＥＧ信號特征可以很大程度的反映出正常腦電信號、發(fā)作期腦電信號與腦部疾病發(fā)作間期腦電信號的區(qū)別，具有很高的區(qū)，如何選擇腦部疾�。牛牛切盘柼卣鞅愠蔀檠绣持攸c，選擇兩種及以上�。牛牛切盘柲軌蚋娴姆从衬X部疾�。牛牛切盘栕兓�(guī)律，比傳統(tǒng)的值更具有代表性。逡逑

度異�；蛲降纳窠�(jīng)元活動導致的［３１］。癲癇的發(fā)作分為兩個階段：發(fā)作期和發(fā)作逡逑間期。大多數(shù)癲癇發(fā)作可通過腦電圖電極記錄并顯示在腦電圖數(shù)據(jù)中，其波形如逡逑下圖２－１所示。逡逑＼Ｊ＾逡逑（Ａ）

【相似文獻】

相關期刊論文 前10條

1 韋曉燕;陳子怡;周毅;;基于多尺度排列熵的腦電信號分類[J];中國數(shù)字醫(yī)學;2019年05期

2 王薇蓉;張雪英;孫穎;暢江;;關于腦電信號的情感優(yōu)化識別仿真[J];計算機仿真;2018年06期

3 郭婷儀;李素芳;鐘桂仙;曾佳璇;周酥;;基于腦電信號的耳鳴識別算法研究[J];科技傳播;2018年13期

4 左晶;萬小勤;羅楊;鄭斌;陳斌林;任祥花;;癲癇腦電信號的相關性分析[J];電子世界;2017年05期

5 張娜;唐賢倫;劉慶;;基于半監(jiān)督學習的腦電信號特征提取及識別[J];工程科學與技術;2017年S2期

6 石喬莉;王延輝;李信政;;基于腦電信號的駕駛疲勞的研究[J];世界最新醫(yī)學信息文摘;2017年55期

7 王恒;李念強;齊鵬沖;;運動想象腦電信號特征的提取與分類[J];工業(yè)控制計算機;2015年02期

8 李亞杰;宋明星;張玉棟;;腦電信號采集系統(tǒng)的設計[J];河北建筑工程學院學報;2014年01期

9 蔡超峰;張勇;郭舒婷;姜利英;;思維腦電信號的關聯(lián)維數(shù)分析[J];河南科技大學學報(自然科學版);2012年01期

10 魯強;劉玉軍;徐建蘭;張進祿;;一種適用于清醒動物腦電信號采集的固定裝置[J];首都醫(yī)科大學學報;2011年06期

相關會議論文 前10條

1 薛蘊全;王秋英;王宏;;腦電信號的動態(tài)時空響應拓撲圖[A];中國儀器儀表學會第三屆青年學術會議論文集（上）[C];2001年

2 王裕清;粱平;郭付清;張登攀;;腦電信號診斷專家系統(tǒng)的研究[A];中國生理學會第21屆全國代表大會暨學術會議論文摘要匯編[C];2002年

3 李凌;曾慶寧;堯德中;;利用兩級抗交叉串擾自適應濾波器提取誘發(fā)腦電信號[A];中國生物醫(yī)學工程學會第六次會員代表大會暨學術會議論文摘要匯編[C];2004年

4 朱林劍;包海濤;孫守林;梁豐;;新型腦電信號采集方法與應用研究[A];大連理工大學生物醫(yī)學工程學術論文集（第2卷）[C];2005年

5 張丹丹;丁海艷;侯新琳;葉大田;;新生豬缺氧缺血實驗中腦電信號的偽差分析[A];中國生物醫(yī)學工程進展——2007中國生物醫(yī)學工程聯(lián)合學術年會論文集（上冊）[C];2007年

6 葛家怡;周鵬;王明時;;睡眠腦電信號樣本熵的研究[A];中國生物醫(yī)學工程進展——2007中國生物醫(yī)學工程聯(lián)合學術年會論文集（下冊）[C];2007年

7 胡楠;徐進;鄭崇勛;;不同麻醉深度下腦電信號的復雜度研究[A];中國生物醫(yī)學工程進展——2007中國生物醫(yī)學工程聯(lián)合學術年會論文集（下冊）[C];2007年

8 歐陽軼;鄭崇勛;張崇;;基于腦電小波熵的生理性精神疲勞分析[A];中國生物醫(yī)學工程進展——2007中國生物醫(yī)學工程聯(lián)合學術年會論文集（下冊）[C];2007年

9 許濤;朱林劍;包海濤;;基于思維腦電信號的假手的研究[A];提高全民科學素質(zhì)、建設創(chuàng)新型國家——2006中國科協(xié)年會論文集（下冊）[C];2006年

10 童珊;黃華;陳槐卿;;混沌理論在腦電信號分析中的應用[A];中國生物醫(yī)學工程學會第六次會員代表大會暨學術會議論文摘要匯編[C];2004年

相關重要報紙文章 前5條

1 記者 張夢然;腦電信號神經(jīng)反饋訓練可增強抗壓性[N];科技日報;2018年

2 科學作者 譯者 猛瑪;如何做到真正的因材施教[N];電腦報;2016年

3 本報記者 張曉鳴;用腦電波開車，這不是開玩笑[N];文匯報;2015年

4 本報特約撰稿人 陸志城;我思，故我動[N];醫(yī)藥經(jīng)濟報;2003年

5 本報記者 馮海波 通訊員 劉慧嬋 祝和平;大學生創(chuàng)意閃耀的舞臺[N];廣東科技報;2011年

相關博士學位論文 前10條

1 李明陽;基于復合域分析的癲癇腦電信號檢測算法研究[D];吉林大學;2018年

2 韓凌;腦電信號同步分析及癲癇發(fā)作預測方法研究[D];東北大學;2016年

3 趙麗;基于腦電信號的腦-機接口技術研究[D];天津大學;2004年

4 繆曉波;基于腦電信號的認知動力學系統(tǒng)研究——線性/非線性方法及動態(tài)時—頻—空分析[D];重慶大學;2004年

5 徐鵬;信號的稀疏分解及其在腦電信號處理中的應用研究[D];電子科技大學;2006年

6 伍亞舟;基于想象左右手運動思維腦電BCI實驗及識別分類研究[D];第三軍醫(yī)大學;2007年

7 唐艷;基于時間、頻率和空間域的自發(fā)腦電信號提取[D];中南大學;2008年

8 陳東偉;非線性動力學、因果腦網(wǎng)絡與聚類穩(wěn)定性在腦電信號分析中的應用研究[D];太原理工大學;2015年

9 馬小飛;認知任務下的腦電動力學分析[D];南京大學;2017年

10 張美云;阿爾茨海默病腦電信號多尺度時空定量特征研究[D];天津醫(yī)科大學;2012年

相關碩士學位論文 前10條

1 王光遠;基于深度學習的腦電信號分析與模式識別研究[D];北京郵電大學;2019年

2 鄭天依;基于機器學習的癲癇及精神異常腦電信息識別研究[D];北京郵電大學;2019年

3 陳侃;腦電信號采集及分類算法研究[D];深圳大學;2018年

4 劉培軍;基于STM32的腦電信號采集系統(tǒng)的設計與實現(xiàn)[D];天津工業(yè)大學;2019年

5 何悅;基于腦電信號的視聽誘發(fā)情緒識別研究[D];武漢理工大學;2018年

6 尚彬彬;基于腦電信號的顱內(nèi)壓檢測研究[D];鄭州大學;2019年

7 李坤森;基于粒子群的RBF神經(jīng)網(wǎng)絡的癲癇腦電信號分類研究[D];廈門大學;2017年

8 辛雨航;基于半監(jiān)督與時序模型的腦電信號特征提取方法研究[D];山東大學;2018年

9 焦凱強;腦電信號中的頻譜不對稱指數(shù)特征與情緒識別研究[D];鄭州大學;2018年

10 袁俊;基于低功耗藍牙的腦電信號采集與處理系統(tǒng)設計[D];湖南大學;2018年

本文編號：2774455