癲癇（Epilepsy）是一種危及生命的突發(fā)神經(jīng)系統(tǒng)疾病,全世界大約有5000萬人受其影響,其中僅在中國(guó)就有900多萬患者。然而,大約10%～50%的癲癇患者無法通過藥物或者外科手術(shù)治愈。對(duì)于這些患者,如果可以準(zhǔn)確識(shí)別出癲癇發(fā)病前的狀態(tài),就能夠讓患者提前做好保護(hù)措施,減少癲癇發(fā)作時(shí)因喪失意識(shí)而產(chǎn)生的二次傷害。腦電圖（Electroencephalogram,EEG）記錄了大量有關(guān)大腦活動(dòng)的信息,在癲癇發(fā)作檢測(cè)領(lǐng)域發(fā)揮著極其重要的作用。迄今為止,已有的研究主要集中于癲癇發(fā)作/未發(fā)作檢測(cè),但是關(guān)于癲癇發(fā)作前期的分類研究卻非常少。發(fā)作前期的準(zhǔn)確分類可以為患者提供更多的保護(hù)措施,阻止或者減少癲癇發(fā)作造成的傷害。另外,傳統(tǒng)的癲癇檢測(cè)算法普遍將發(fā)作前期定義為癲癇發(fā)作前一個(gè)小時(shí)的狀態(tài)。對(duì)于實(shí)際臨床應(yīng)用,這種劃分方式不夠詳細(xì),無法消除癲癇突然發(fā)作給患者帶來的威脅和焦慮。因此,一種時(shí)效性好、準(zhǔn)確性高的癲癇發(fā)作檢測(cè)方法具有重大的現(xiàn)實(shí)意義。本文主要的研究?jī)?nèi)容和成果如下:1.提出了一種基于深度遷移特征的癲癇檢測(cè)方法。首先設(shè)計(jì)了一種詳細(xì)的癲癇發(fā)作前期狀態(tài)劃分方式,然后將五個(gè)經(jīng)過Image Net數(shù)據(jù)庫預(yù)訓(xùn)練的深... 

【文章來源】：杭州電子科技大學(xué)浙江省

【文章頁數(shù)】：88 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

癲癇信號(hào)幾種常見的特征波形

杭州電子科技大學(xué)碩士學(xué)位論文0,1,···,N1,它的離散傅里葉變換公式為：U(k)=N1∑n=0u(n)WknN(2.2)式中WN=ej2πN，k=0,1,···,N1。根據(jù)WN的表達(dá)式可以發(fā)現(xiàn)WN具有周期性，從而可以證明U(k)具有隱含的周期性，且二者周期大小均為N。DFT計(jì)算量級(jí)的大小為N2，由此可見,當(dāng)N的值很大時(shí)，該變換的計(jì)算復(fù)雜度將變得非常高，難以進(jìn)行實(shí)時(shí)處理�？焖俑道锶~變換（FFT）是一種基于指數(shù)因子WN的周期性和對(duì)稱性而設(shè)計(jì)的DFT的快速算法。依據(jù)WN的周期性和對(duì)稱性，可以將一個(gè)有N個(gè)點(diǎn)的序列的離散傅里葉變換轉(zhuǎn)化為兩個(gè)點(diǎn)數(shù)為N/2的子序列的離散傅里葉變換，其中每個(gè)N/2子序列的離散傅里葉變換的計(jì)算量級(jí)均為(N/2)2，所以兩個(gè)子序列總的計(jì)算量級(jí)為N2/2，相較于DFT節(jié)約了一半的計(jì)算量。同理，可以通過這種一分為二的思想繼續(xù)對(duì)DFT進(jìn)行分解直到分解成兩兩一組的序列，此時(shí)離散傅里葉總的計(jì)算量級(jí)從N2降低至(N/2)log2N�？焖俑道锶~變換將原始大點(diǎn)數(shù)N的離散傅里葉變換依次分解為一系列小點(diǎn)數(shù)的離散傅里葉變換的組合，顯著降低運(yùn)算過程中的工作量，大幅度提升了離散傅里葉變換的計(jì)算速度，并且需要被變換的抽樣點(diǎn)數(shù)N的數(shù)值越大，F(xiàn)FT算法的優(yōu)勢(shì)越明顯。如圖2.1所示，本文選取CHB-MIT數(shù)據(jù)庫中癲癇發(fā)作期的腦電信號(hào)展示FFT后信號(hào)的變化情況。圖2.1:腦電信號(hào)FFT示意圖功率譜密度（PowerSpectralDensity,PSD）是癲癇腦電信號(hào)分類中常用的頻域特-12-

杭州電子科技大學(xué)碩士學(xué)位論文置基函數(shù)，理論上適用于該方法的信號(hào)范圍更加廣泛，尤其是在處理腦電信號(hào)這類非平穩(wěn)信號(hào)時(shí)大多可以體現(xiàn)出更加卓越的性能，因而得到了極其廣泛的應(yīng)用。經(jīng)驗(yàn)?zāi)B(tài)分解方法的目標(biāo)就是將原始時(shí)間信號(hào)x(t)分解為n個(gè)IMF和一個(gè)殘差項(xiàng)（residual）的組合，即x(t)=n∑i=1ci(t)+r(t)(2.4)其中ci(t)表示第i個(gè)IMF分量，r(t)表示殘差項(xiàng)。此外，殘差項(xiàng)只描述信號(hào)改變的趨勢(shì)并不反映信號(hào)振蕩的信息。IMF分量需要滿足兩個(gè)必要的條件：（1）在全部數(shù)據(jù)集范圍內(nèi)，局部極值點(diǎn)和零點(diǎn)數(shù)目要一致，或者數(shù)量至多相差1個(gè)；（2）在每個(gè)特定時(shí)刻，局部極大值確定的包絡(luò)（上包絡(luò)線）和局部極小值確定的包絡(luò)（下包絡(luò)線）的平均值必須等于零。對(duì)于上述兩個(gè)必要的條件，第一個(gè)條件顯而易見，在傳統(tǒng)的分析過程中已經(jīng)被提出來，可以類比為高斯平穩(wěn)進(jìn)程中對(duì)窄帶的要求。第二個(gè)條件是一種由黃愕博士所提出的創(chuàng)新性方法，將傳統(tǒng)方法對(duì)全局函數(shù)的限制轉(zhuǎn)變?yōu)閷?duì)局部限制，可以消除瞬時(shí)頻率由于非對(duì)稱波形波動(dòng)所產(chǎn)生的噪聲干擾，從而保證了瞬時(shí)頻率的有效性。在理想狀態(tài)下，整個(gè)數(shù)據(jù)集的局部均值需要全部等于零。針對(duì)于非平穩(wěn)信號(hào)數(shù)據(jù)，一般采取局部時(shí)間尺度來計(jì)算數(shù)據(jù)的局部平均值，但是有效的局部時(shí)間尺度往往難以定義。EMD圖2.2:腦電信號(hào)EMD示意圖-14-

【參考文獻(xiàn)】：
期刊論文
[1]基于深度卷積神經(jīng)網(wǎng)絡(luò)的癲癇腦電自動(dòng)檢測(cè)[J]. 韋曉燕,周霖,陳秋源,陳子怡,周毅.  中國(guó)數(shù)字醫(yī)學(xué). 2019(01)
[2]基于腦電信號(hào)提取與識(shí)別的癲癇預(yù)測(cè)研究[J]. 韋曉燕,周霖,周毅.  生物醫(yī)學(xué)工程研究. 2018(04)
[3]利用整體經(jīng)驗(yàn)?zāi)B(tài)分解和隨機(jī)森林的腦電信號(hào)分類研究[J]. 秦喜文,呂思奇,李巧玲.  中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào). 2018(06)
[4]基于LSTM模型的單導(dǎo)聯(lián)腦電癲癇發(fā)作預(yù)測(cè)[J]. 單紹杰,李漢軍,王璐璐,唐曉英.  計(jì)算機(jī)應(yīng)用研究. 2018(11)
[5]改進(jìn)的極限學(xué)習(xí)機(jī)在癲癇腦電分類中的應(yīng)用[J]. 王杰,李牧瀟.  計(jì)算機(jī)仿真. 2014(06)
[6]基于支持向量機(jī)的多通道癲癇發(fā)作預(yù)測(cè)[J]. 李志萍.  計(jì)算機(jī)工程. 2014(02)
[7]基于多特征的顱內(nèi)腦電癲癇檢測(cè)方法[J]. 陳爽爽,周衛(wèi)東,袁琦,袁莎莎,栗學(xué)麗.  中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào). 2013(03)
[8]基于Hurst指數(shù)和SVM的癲癇腦電檢測(cè)方法[J]. 蔡冬梅,周衛(wèi)東,劉凱,李淑芳,耿淑娟.  中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào). 2010(06)
[9]樣本熵及在腦電癲癇檢測(cè)中的應(yīng)用[J]. 白冬梅,邱天爽,李小兵.  生物醫(yī)學(xué)工程學(xué)雜志. 2007(01)
[10]基于小波變換并結(jié)合神經(jīng)網(wǎng)絡(luò)的癲癇發(fā)作預(yù)報(bào)[J]. 林相波,邱天爽,李小兵,王靜.  中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào). 2005(05)

博士論文
[1]基于復(fù)合域分析的癲癇腦電信號(hào)檢測(cè)算法研究[D]. 李明陽.吉林大學(xué) 2018
[2]基于EEG和ERP信號(hào)分析的情感認(rèn)知研究[D]. 暢江.太原理工大學(xué) 2018
[3]癲癇發(fā)作自動(dòng)檢測(cè)算法研究[D]. 袁莎莎.山東大學(xué) 2016

碩士論文
[1]基于廣義S變換和隨機(jī)森林算法的癲癇腦電信號(hào)特征提取與分類研究[D]. 王宇橋.吉林大學(xué) 2018
[2]結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和隨機(jī)森林的癲癇自動(dòng)檢測(cè)[D]. 杜沛冬.山東大學(xué) 2018
[3]基于小波包能量與熵特征和Real AdaBoost算法的癲癇腦電識(shí)別[D]. 張健釗.山東大學(xué) 2018
[4]基于EEG信號(hào)的癲癇發(fā)病預(yù)測(cè)的算法研究[D]. 董旭洋.哈爾濱工業(yè)大學(xué) 2015
[5]基于腦電棘波頻次和AR模型的癲癇發(fā)作預(yù)測(cè)算法[D]. 劉銀霞.山東大學(xué) 2013
[6]癲癇腦電信號(hào)的提取與識(shí)別[D]. 宋煥榮.大連理工大學(xué) 2012



本文編號(hào)：3610591