大腦會隨著年齡的增長而出現(xiàn)功能衰退。本文探索了不同年齡層次的大腦特征差異,為此,十八個受試者被挑選用于決策(DM)實驗,其中年輕人(20-30歲)和老年人(大于45歲)各八個。在DM實驗過程中,受試者做出的決策反應(yīng)所產(chǎn)生的腦電波(EEG)信號將被完全記錄下來。為了更好地區(qū)分年輕人和老年人的腦電波信號特征的差異,首先,我們提出了兩種不同的腦電波信號特征提取方法,分別是beta波特征提取和改進(jìn)的功率譜熵特征提取方法。我們發(fā)現(xiàn)改進(jìn)的特征提取方法更能表征年輕人和老年人的腦電波的大腦年齡特征。不僅如此,基于beta波特征提取方法,我們發(fā)現(xiàn)相比于delta波、theta波和alpha波,beta波在年輕人和老年人參與決策的過程中占主導(dǎo)作用;而改進(jìn)的功率譜熵特征提取方法,我們進(jìn)一步發(fā)現(xiàn)年輕人的功率譜熵分布要明顯大于老年人,其結(jié)果表明了年輕人的大腦在決策過程中所產(chǎn)生的信息量要高于老年人。其次,幾種機器學(xué)習(xí)分類算法被應(yīng)用于進(jìn)一步區(qū)分年輕人和老年人的腦電波信號,其中包括支持向量機(SVM)、隨機森林(RF)和核極限學(xué)習(xí)機(KELM)用于beta特征數(shù)據(jù)集的分類,而Logistic回歸(LR)、SVM、RF...

【文章頁數(shù)】：73 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1 研究現(xiàn)狀
    2 研究內(nèi)容
    3 論文結(jié)構(gòu)
第二章 背景知識
    1 時頻轉(zhuǎn)換方法
        1.1 傅里葉變換
        1.2 小波變換
    2 信號特征提取方法
        2.1 功率譜
        2.2 信息熵
    3 機器學(xué)習(xí)算法
        3.1 支持向量機(SVM)
        3.2 隨機森林(RF)
第三章 實驗設(shè)計
    1 原始EEG信號獲取過程
    2 數(shù)據(jù)描述
    3 性能評估標(biāo)準(zhǔn)
第四章 基于beta波特征提取的腦電波大腦年齡預(yù)測
    1 引言
    2 方法理論
        2.1 Beta數(shù)據(jù)集獲取方法
        2.2 核極限學(xué)習(xí)機(KELM)
        2.3 Gini指數(shù)特征重要性
    3 模型和實驗設(shè)計
        3.1 Beta數(shù)據(jù)集的模型設(shè)計
        3.2 數(shù)據(jù)描述
        3.3 實驗設(shè)置
    4 實驗結(jié)果與分析
        4.1 beta數(shù)據(jù)集
        4.2 beta數(shù)據(jù)集的分類結(jié)果
        4.3 特征重要性
    5 本章小結(jié)
第五章 改進(jìn)的功率譜熵特征提取用于腦電波大腦年齡診斷
    1 引言
    2 方法理論
        2.1 功率譜信息熵
        2.2 XGBoost算法
        2.3 特征重要性
    3 實驗設(shè)計
    4 實驗結(jié)果與分析
        4.1 特征分析
        4.2 分類結(jié)果分析
    5 本章小結(jié)
總結(jié)與展望
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間發(fā)表的論文



本文編號：3911640