癲癇（Epilepsy）是一種危及生命的突發(fā)神經系統(tǒng)疾病,全世界大約有5000萬人受其影響,其中僅在中國就有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治愈。對于這些患者,如果可以準確識別出癲癇發(fā)病前的狀態(tài),就能夠讓患者提前做好保護措施,減少癲癇發(fā)作時因喪失意識而產生的二次傷害。腦電圖（Electroencephalogram,EEG）記錄了大量有關大腦活動的信息,在癲癇發(fā)作檢測領域發(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,但是關于癲癇發(fā)作前期的分類研究卻非常少。發(fā)作前期的準確分類可以為患者提供更多的保護措施,阻止或者減少癲癇發(fā)作造成的傷害。另外,傳統(tǒng)的癲癇檢測算法普遍將發(fā)作前期定義為癲癇發(fā)作前一個小時的狀態(tài)。對于實際臨床應用,這種劃分方式不夠詳細,無法消除癲癇突然發(fā)作給患者帶來的威脅和焦慮。因此,一種時效性好、準確性高的癲癇發(fā)作檢測方法具有重大的現(xiàn)實意義。本文主要的研究內容和成果如下:1.提出了一種基于深度遷移特征的癲癇檢測方法。首先設計了一種詳細的癲癇發(fā)作前期狀態(tài)劃分方式,然后將五個經過Image Net數(shù)據庫預訓練的深... 

【文章來源】：杭州電子科技大學浙江省

【文章頁數(shù)】：88 頁

【學位級別】：碩士

【部分圖文】：

癲癇信號幾種常見的特征波形

杭州電子科技大學碩士學位論文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WN的表達式可以發(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計算量級的大小為N2，由此可見,當N的值很大時，該變換的計算復雜度將變得非常高，難以進行實時處理�？焖俑道锶~變換（FFT）是一種基于指數(shù)因子WN的周期性和對稱性而設計的DFT的快速算法。依據WN的周期性和對稱性，可以將一個有N個點的序列的離散傅里葉變換轉化為兩個點數(shù)為N/2的子序列的離散傅里葉變換，其中每個N/2子序列的離散傅里葉變換的計算量級均為(N/2)2，所以兩個子序列總的計算量級為N2/2，相較于DFT節(jié)約了一半的計算量。同理，可以通過這種一分為二的思想繼續(xù)對DFT進行分解直到分解成兩兩一組的序列，此時離散傅里葉總的計算量級從N2降低至(N/2)log2N�？焖俑道锶~變換將原始大點數(shù)N的離散傅里葉變換依次分解為一系列小點數(shù)的離散傅里葉變換的組合，顯著降低運算過程中的工作量，大幅度提升了離散傅里葉變換的計算速度，并且需要被變換的抽樣點數(shù)N的數(shù)值越大，F(xiàn)FT算法的優(yōu)勢越明顯。如圖2.1所示，本文選取CHB-MIT數(shù)據庫中癲癇發(fā)作期的腦電信號展示FFT后信號的變化情況。圖2.1:腦電信號FFT示意圖功率譜密度（PowerSpectralDensity,PSD）是癲癇腦電信號分類中常用的頻域特-12-

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

【參考文獻】：
期刊論文
[1]基于深度卷積神經網絡的癲癇腦電自動檢測[J]. 韋曉燕,周霖,陳秋源,陳子怡,周毅.  中國數(shù)字醫(yī)學. 2019(01)
[2]基于腦電信號提取與識別的癲癇預測研究[J]. 韋曉燕,周霖,周毅.  生物醫(yī)學工程研究. 2018(04)
[3]利用整體經驗模態(tài)分解和隨機森林的腦電信號分類研究[J]. 秦喜文,呂思奇,李巧玲.  中國生物醫(yī)學工程學報. 2018(06)
[4]基于LSTM模型的單導聯(lián)腦電癲癇發(fā)作預測[J]. 單紹杰,李漢軍,王璐璐,唐曉英.  計算機應用研究. 2018(11)
[5]改進的極限學習機在癲癇腦電分類中的應用[J]. 王杰,李牧瀟.  計算機仿真. 2014(06)
[6]基于支持向量機的多通道癲癇發(fā)作預測[J]. 李志萍.  計算機工程. 2014(02)
[7]基于多特征的顱內腦電癲癇檢測方法[J]. 陳爽爽,周衛(wèi)東,袁琦,袁莎莎,栗學麗.  中國生物醫(yī)學工程學報. 2013(03)
[8]基于Hurst指數(shù)和SVM的癲癇腦電檢測方法[J]. 蔡冬梅,周衛(wèi)東,劉凱,李淑芳,耿淑娟.  中國生物醫(yī)學工程學報. 2010(06)
[9]樣本熵及在腦電癲癇檢測中的應用[J]. 白冬梅,邱天爽,李小兵.  生物醫(yī)學工程學雜志. 2007(01)
[10]基于小波變換并結合神經網絡的癲癇發(fā)作預報[J]. 林相波,邱天爽,李小兵,王靜.  中國生物醫(yī)學工程學報. 2005(05)

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

碩士論文
[1]基于廣義S變換和隨機森林算法的癲癇腦電信號特征提取與分類研究[D]. 王宇橋.吉林大學 2018
[2]結合卷積神經網絡和隨機森林的癲癇自動檢測[D]. 杜沛冬.山東大學 2018
[3]基于小波包能量與熵特征和Real AdaBoost算法的癲癇腦電識別[D]. 張健釗.山東大學 2018
[4]基于EEG信號的癲癇發(fā)病預測的算法研究[D]. 董旭洋.哈爾濱工業(yè)大學 2015
[5]基于腦電棘波頻次和AR模型的癲癇發(fā)作預測算法[D]. 劉銀霞.山東大學 2013
[6]癲癇腦電信號的提取與識別[D]. 宋煥榮.大連理工大學 2012



本文編號：3610591