癲癇是一種常見的精神疾病,其發(fā)作的演化過程在腦電信號中有較明顯的表現(xiàn),因此,癲癇腦電的分析對于癲癇的分類、預測及腦電源定位等臨床輔助診療具有重要的意義�，F(xiàn)有的癲癇診療中可以獲得大量無標注腦電數(shù)據(jù)。如何無監(jiān)督地從樣本中提取癲癇腦電特征,量化局部時間腦電信號,對大腦活動狀態(tài)的挖掘具有重要意義。同時,為了更好地解決癲癇的預測和定位問題,如何提取合適的特征,構建癲癇腦電的時空關系,并利用機器學習相關方法挖掘癲癇腦電的先兆及源位置信息,對癲癇腦電信號的客觀量化分析、協(xié)助醫(yī)生的診斷等方面具有很大幫助。本文運用神經(jīng)網(wǎng)絡相關方法,針對癲癇腦電的特征聚類、預測及源定位問題展開研究,主要研究內(nèi)容及貢獻如下:針對無監(jiān)督的聚類學習問題,提出基于Exemplar樣本判別信息的聚類算法。該方法結合了超限學習機(extreme learning machine,ELM)神經(jīng)網(wǎng)絡方法和K-均值方法。充分利用代表性樣本的判別信息,通過最小化所建立的目標函數(shù),交替更新Exemplar樣本和超平面實現(xiàn)目標優(yōu)化求解,獲得最終的聚類結果。在人工數(shù)據(jù)集及UCI等數(shù)據(jù)上該聚類算法具有很好的聚類性能,取得了較高的聚類純度。同時,本文將該方法應用于癲癇腦電數(shù)據(jù)的聚類研究,并進行了可視化分析,為癲癇腦電分析的深入研究打下基礎。受啟發(fā)于自然語言處理中Bag-of-Word(BoW)模型的思想,提出一種基于Bag-of-Wave模型的癲癇預測方法,通過整合不同尺度的局部特征建立時空關系模型,提取癲癇腦電的同步模式特征,并進行分類預測。首先,通過聚類模型量化局部信號的特征表達,構建腦電特征詞典。然后,利用滑動時間窗提取一段時間上的多導聯(lián)信號,并用腦電特征詞典對其進行表達,將一個時間窗內(nèi)的腦電詞頻統(tǒng)計直方圖作為該段信號的時空特征表達。再整合不同時間窗的特征,在更大的時間尺度下挖掘癲癇前期特征時序變化的規(guī)律。最后,結合超限學習機對特征進行分類,對癲癇的發(fā)作進行預警。實驗結果表明,所提出的Bag-of-Wave模型特征提取方法在癲癇預測中具有較好的性能。在腦電源定位方面,傳統(tǒng)的建模方法依賴于頭模型和傳導模型的先驗知識,通常情況下頭模型和傳導模型難以準確建模,影響逆問題的求解精度,而利用神經(jīng)網(wǎng)絡方法可以從數(shù)據(jù)驅動的角度建模并求解腦電信號逆問題。本文提出基于時空神經(jīng)網(wǎng)絡的腦電源定位方法。首先,根據(jù)貝葉斯模型推導得到腦電信號逆問題求解需要的頭皮信號的時序規(guī)律和源分布的空間規(guī)律。然后,利用序列到序列的長短時記憶網(wǎng)絡(long-short term memory network,LSTM)學習頭皮腦電和源信號位置之間的關系。最后,通過在模擬信號上的網(wǎng)絡訓練,對頭皮信號和源信號之間的時空關系進行優(yōu)化求解,使該關系隱含于神經(jīng)網(wǎng)絡的權重當中,得到用于腦電源定位的網(wǎng)絡模型。實驗結果表明,該方法可以較好地解決腦電信號源定位問題,并具有很高的魯棒性。此外,在癲癇灶定位的實際問題中,提出的方法根據(jù)發(fā)作前期腦電實現(xiàn)病灶的定位,實驗表明了算法的有效性。
【學位單位】：北京工業(yè)大學
【學位級別】：博士
【學位年份】：2019
【中圖分類】：R742.1;TN911.7;TP183
【部分圖文】：

北京工業(yè)大學工學博士學位論文到的頭皮腦電具有更小的振幅。文獻[67]引入腦電信號在時間上的一階、二數(shù)聯(lián)合優(yōu)化建模源定位問題。結合時序信號處理的多變量自回歸模型[73,87]引時間信息的約束。這些方法一定程度上結合了腦電信號的時空關系，但多變回歸模型在表達一些波形（如事件相關電位）時結果較差。一些新的研究獻[71,73~76,88~90]通過預設或者數(shù)據(jù)驅動的時域基函數(shù)(temporal bunctions,TBFs)進行腦電或腦磁信號的源重構，達到了較好的效果。Avarvand[91]2018 年提出基于源活動的雙相干估計方法，用于解決腦電/腦磁信號非線叉頻率耦合的定位問題。

在對于癲癇腦電信號的研究中，一類方法將腦電信號自身或其特征轉化為再利用卷積神經(jīng)網(wǎng)絡訓練，從而利用深度學習進行分類。首先，將腦電轉化為的操作會損失部分信息或引入多余的信息，這些會影響到網(wǎng)絡的學習。從網(wǎng)絡設計角度來講，轉化后的圖并不一定具有局部形狀、紋理等特征，卷積網(wǎng)絡對成的圖可能并不適用。另一類方法利用時序信號的深度學習模型，如 RNN、短時記憶網(wǎng)絡、基于注意力的 Transformer 模型[139]等。這類網(wǎng)絡可以更好地建腦電信號的時空關系，對癲癇腦電信號的處理具有更強的借鑒意義。2.4 本章小結本章從癲癇腦電特征聚類相關方法、癲癇腦電發(fā)作預測相關方法和癲癇腦源定位相關方法三個方面對于癲癇腦電信號分析相關技術進行了簡單介紹。其(b) 循環(huán)神經(jīng)網(wǎng)絡結構示意及沿時間軸展開形式[138]圖 2-2 卷積和循環(huán)神經(jīng)網(wǎng)絡結構示意圖Fig 2-2 Diagrams of architecture of CNN and RNN

對于 K-均值算法，該數(shù)據(jù)的正確分類很困難。由于 K-均值于歐式距離劃分不同類別的數(shù)據(jù)，直接利用 K-均值算法不能正確聚類線分的數(shù)據(jù)。與之相比，K-ELMC 算法在相同的數(shù)據(jù)集上根據(jù)相同的初始聚進行聚類。K-ELMC 聚類過程展示在圖 3-3 中。圖 3-3 展示了 K-ELMC 隨著迭代次數(shù)的增加，學習到的聚類劃分的變擇的聚類 Exemplar 樣本(綠色三角)的變化。在圖 3-3(a)中，起初的分類超然是接近線性的。在幾次迭代后，算法逐漸展現(xiàn)其非線性劃分的能力，并到正確的劃分超平面。這個例子直觀地說明了提出的 K-ELMC 算法的優(yōu)也可以看出，提出的算法選取的 Exemplar 樣本仍然比較集中，在一些情況能會對學習到的劃分超平面產(chǎn)生影響。因此，對于 Exemplar 樣本的選取(c) (d)3-2 K-均值在full moon and crescent上迭代過程劃分可視化；(a)原始數(shù)據(jù)(紅色圓圈)類中心(綠色三角)分布；(b)-(d)分別為第1、4、7次迭代后聚類結果(已收斂) 3-2 Visualization of K-means iterations in full moon and crescent dataset. (a) Original datacles) and initial clustering centers (green triangles). (b) K-means iteration 1. (c) K-mation 4. (d) K-means iteration 7 (converged)

【相似文獻】

相關期刊論文 前10條

1 馬鵬媛;;國家示范性高職院校生源定位的價值選擇[J];廣州番禺職業(yè)技術學院學報;2010年06期

2 林熙瑤;邵振國;張嫣;;暫降源定位方法在新能源背景下的展望[J];電氣開關;2020年01期

3 宋麗君;薛連莉;董燕琴;吳亞明;陳效真;;全源定位與導航的發(fā)展與建議[J];導航與控制;2017年06期

4 杜太行;趙黎媛;江春冬;于晗;;基于人工魚群粒子濾波的信號源定位[J];電訊技術;2016年12期

5 王曉;楊晨;李佳瑋;;低頻振蕩振蕩源定位問題研究[J];黑龍江電力;2015年01期

6 趙旭;張志杰;;基于進化策略的偶極子源定位[J];電腦知識與技術;2008年30期

7 路光達;張明路;;一種機器人仿生氣味源定位策略[J];河北工業(yè)大學學報;2010年05期

8 李建偉;汪友華;吳清;;基于多維輸出支持向量回歸機的腦電源定位[J];中國組織工程研究與臨床康復;2009年17期

9 劉yN,江國泰;基于混合遺傳算法的偶極子源定位的仿真計算[J];上海生物醫(yī)學工程;2003年02期

10 潘新平;鄭艷華;林榮列;王婉芝;陸奕海;黃清輝;陳銳賢;;基于氣體擴散模型的氣體源定位系統(tǒng)[J];國外電子測量技術;2017年09期

相關會議論文 前10條

1 嚴甲漢;郭承軍;;全源定位與導航技術的研究[A];第九屆中國衛(wèi)星導航學術年會論文集——S10 多源融合導航技術[C];2018年

2 邱龍皓;梁國龍;劉凡奇;趙文麗;;基于貝葉斯學習的混合源定位算法[A];中國聲學學會2017年全國聲學學術會議論文集[C];2017年

3 石華云;董詳見;甘慶忠;;基于擴展集員濾波的無風度風向測量的室內(nèi)氣體源定位[A];第37屆中國控制會議論文集（E）[C];2018年

4 陳穎;馬忠孝;賀峻峰;;全源定位與導航技術發(fā)展概況和應用展望[A];中國慣性技術學會第七屆學術年會論文集[C];2015年

5 周曉康;吳少川;;基于高斯過程回歸的室內(nèi)無線信號源定位[A];2018中國信息通信大會論文摘要集[C];2018年

6 熊超輝;陳林松;曹躍云;郭文勇;;基于聲成像的氣體泄漏源定位技術研究[A];全國聲學設計創(chuàng)新技術與文化建筑聲學工程學術會議論文集[C];2018年

7 陳東兵;;放射源定位追蹤管理系統(tǒng)設計思路[A];2012中國環(huán)境科學學會學術年會論文集（第二卷）[C];2012年

8 王浩;盧晶;;基于UNET直達聲判決的魯棒性語音源定位[A];2019年全國聲學大會論文集[C];2019年

9 盧文韜;徐一平;劉克林;;聲發(fā)射相位對小試件源定位的影響[A];1990巖土混凝土聲測技術新進展學術與信息交流會專題報告及論文摘要匯編[C];1990年

10 幸琳;姚陳果;周電波;肖前波;毛峰;秦延山;;基于頻域求時差的GIS局放源定位初探[A];重慶市電機工程學會2010年學術會議論文集[C];2010年

相關重要報紙文章 前5條

1 記者 趙一蕙;大股東與河南煤化集團整合 大有能源定位煤業(yè)上市平臺[N];上海證券報;2013年

2 李明三;內(nèi)蒙能源定位：“國家重要的能源基地”[N];21世紀經(jīng)濟報道;2007年

3 記者 華淑蕊;莽卡鄉(xiāng)因地制宜種好“四塊田”[N];長春日報;2006年

4 卜立平 姜明;小巧胃腸鏡無痛再造一張“嘴”[N];健康報;2007年

5 編譯 吳具植;法術化的技術[N];中國計算機報;2004年

相關博士學位論文 前10條

1 崔嵩;基于神經(jīng)網(wǎng)絡的癲癇腦電預測和源定位問題研究[D];北京工業(yè)大學;2019年

2 葛奇鑫;基于逆時成像的被動源定位與識別方法研究[D];吉林大學;2019年

3 霍小林;腦磁源定位技術研究[D];浙江大學;2001年

4 喬梁;信源定位的可觀測性及跟蹤技術研究[D];哈爾濱工程大學;2010年

5 楊凡;復雜網(wǎng)絡重要節(jié)點識別及傳播源定位方法的研究[D];蘭州大學;2017年

6 李飛;湍動氣流主控環(huán)境下多機器人氣味源定位[D];天津大學;2009年

7 蔣萍;融合機器人視/嗅覺信息的氣體泄漏源定位[D];天津大學;2010年

8 李建中;近場信號源定位技術研究及其應用[D];華南理工大學;2017年

9 張建化;基于微粒群優(yōu)化的復雜環(huán)境多機器人氣味源定位[D];中國礦業(yè)大學;2014年

10 張小俊;基于嗅覺信息的機器人味源定位策略及實驗研究[D];河北工業(yè)大學;2009年

相關碩士學位論文 前10條

1 徐偉;腦電皮層網(wǎng)絡分析及認知機制研究[D];重慶郵電大學;2018年

2 熊寧;基于非參數(shù)核回歸預測的無線信號源定位技術研究[D];桂林電子科技大學;2019年

3 王藝博;障礙物場景下基于信息熵的氣體源定位搜索[D];哈爾濱工業(yè)大學;2019年

4 崔益豪;基于無人機的氣體源定位系統(tǒng)研究[D];河北工程大學;2019年

5 李子豪;危險氣體泄露定位在線監(jiān)測系統(tǒng)的研究[D];天津理工大學;2019年

6 何夢楠;快速遠近場多目標定位技術研究[D];哈爾濱工程大學;2019年

7 牛軍紅;基于靜息態(tài)腦電的抑郁識別及源定位研究[D];蘭州大學;2019年

8 王搏;S波到時對微震源定位的影響及應對策略研究[D];長江大學;2019年

9 徐強;基于無線感知技術的有害氣體源定位研究[D];上海應用技術大學;2018年

10 趙黎媛;基于智能優(yōu)化粒子濾波的無線電信號源定位[D];河北工業(yè)大學;2016年

本文編號：2812836