本文關(guān)鍵詞：基于功能近紅外光譜成像的抑郁癥患者自動識別，由筆耕文化傳播整理發(fā)布。

【摘要】：進(jìn)入新世紀(jì)以來,隨著經(jīng)濟(jì)社會快速發(fā)展,生活壓力不斷增大,抑郁癥等精神疾病越來越多地困擾著人們,而且抑郁癥的診斷準(zhǔn)確率比較低,市級以上綜合醫(yī)院對抑郁癥的識別準(zhǔn)確率低于20%。功能近紅外光譜成像技術(shù)誕生后,抑郁癥等精神疾病的診斷迎來了新的契機(jī)。醫(yī)生可以根據(jù)功能近紅外光譜成像數(shù)據(jù)利用臨床經(jīng)驗來進(jìn)行抑郁癥的診斷,確診率得到了提高。然而,如果能對抑郁癥患者和正常被試者的近紅外光譜信號進(jìn)行分析和處理,實現(xiàn)抑郁癥患者的自動識別,對進(jìn)一步提高抑郁癥的確診率和擺脫對臨床經(jīng)驗的依賴具有重要意義。本論文首次從時域和頻域兩個空間分別提取了腦功能近紅外光譜成像信號的特征,并使用支持向量機(jī)進(jìn)行了分類器的訓(xùn)練和測試。本論文主要工作如下:(1)為了消除基線漂移和高頻噪聲對原始數(shù)據(jù)的影響,首先使用傅里葉變換對信號進(jìn)行頻譜分析,得到信號所在頻段,然后根據(jù)該頻段設(shè)計帶通濾波器對處于該頻段之外的信號成分進(jìn)行過濾,達(dá)到數(shù)據(jù)預(yù)處理的目的,提高了數(shù)據(jù)的信噪比。(2)抑郁癥患者和正常被試者腦功能近紅外光譜成像信號特征提取。本論文分別從頻域和時域兩個空間提取了兩類信號的特征。在頻域空間,使用基于小波包分解的小波包能量特征提取方法,提取信號在不同頻率上的小波包能量特征,這種頻域特征能從本質(zhì)上揭示信號的特性;在時域空間,使用一般線性模型對功能近紅外光譜成像數(shù)據(jù)進(jìn)行擬合,提取能反映信號時域特征的β系數(shù)作為特征。(3)基于支持向量機(jī)的分類器訓(xùn)練。本論文使用支持向量機(jī)算法包進(jìn)行分類器的訓(xùn)練,首先對提取的特征向量格式化為支持向量機(jī)所支持的格式,然后經(jīng)過歸一化、核函數(shù)選擇、交叉驗證選取最優(yōu)參數(shù)等步驟得到訓(xùn)練器。最后,對訓(xùn)練的分類器使用測試集進(jìn)行測試,測試集首先要格式化為支持向量機(jī)支持的格式,然后輸入到分類器中,輸出即為該分類器的準(zhǔn)確率。本論文中,經(jīng)過測試,該分類器對抑郁癥的診斷準(zhǔn)確率率在85%以上,得到了預(yù)期的研究目標(biāo)。這也為抑郁癥的診斷提供了客觀數(shù)據(jù)的支持,大大提高了醫(yī)生對抑郁癥的診斷正確率,實現(xiàn)了抑郁癥患者的自動判別。
【關(guān)鍵詞】：功能近紅外光譜成像 一般線性模型 小波包分解 SVM 抑郁癥
【學(xué)位授予單位】：北京理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：R749.4;TP391.41
【目錄】：

• 摘要5-6
• Abstract6-9
• 第1章 緒論9-15
• 1.1 本論文研究的目的和意義9-10
• 1.2 國內(nèi)外研究現(xiàn)狀及發(fā)展趨勢10-12
• 1.3 本論文的研究內(nèi)容12-14
• 1.4 本論文的組織結(jié)構(gòu)14-15
• 第2章 FNIRS數(shù)據(jù)采集及預(yù)處理15-27
• 2.1 FNIRS概述15-16
• 2.2 FNIRS基本原理16-19
• 2.2.1 吸收作用16-17
• 2.2.2 散射作用17-18
• 2.2.3 血氧濃度的計算18-19
• 2.3 FNIRS數(shù)據(jù)采集19-21
• 2.3.1 研究對象19
• 2.3.2 實驗儀器19-20
• 2.3.3 實驗設(shè)計及數(shù)據(jù)采集20-21
• 2.4 FNIRS數(shù)據(jù)預(yù)處理21-26
• 2.4.1 頻譜分析21-24
• 2.4.2 帶通濾波24-26
• 2.5 本章小結(jié)26-27
• 第3章 FNIRS數(shù)據(jù)特征提取27-46
• 3.1 基于一般線性模型的FNIRS數(shù)據(jù)特征提取27-32
• 3.1.1 一般線性模型27-28
• 3.1.2 應(yīng)用一般線性模型提取FNIRS數(shù)據(jù)特征的可行性分析28-30
• 3.1.3 應(yīng)用一般線性模型提取FNIRS數(shù)據(jù) β 系數(shù)30-32
• 3.2 基于小波包分解的FNIRS數(shù)據(jù)特征提取32-45
• 3.2.1 小波分解33-36
• 3.2.2 小波包分解36-37
• 3.2.3 小波包分解算法37-38
• 3.2.4 小波包分解提取FNIRS數(shù)據(jù)特征可行性分析38-39
• 3.2.5 FNIRS信號小波包分解及能量特征提取39-45
• 3.3 本章小結(jié)45-46
• 第4章 抑郁癥患者自動判別46-55
• 4.1 支持向量機(jī)46-51
• 4.1.1 VC維理論46-47
• 4.1.2 推廣性的界47-48
• 4.1.3 結(jié)構(gòu)風(fēng)險最小化原則48-49
• 4.1.4 最優(yōu)分類面49-50
• 4.1.5 線性情況50-51
• 4.2 基于SVM的FNIRS數(shù)據(jù)分類器訓(xùn)練51-52
• 4.3 基于SVM的FNIRS數(shù)據(jù)分類器測試及實驗結(jié)果討論52-54
• 4.4 本章小結(jié)54-55
• 第5章 總結(jié)與展望55-57
• 5.1 本論文工作總結(jié)55
• 5.2 展望55-57
• 參考文獻(xiàn)57-60
• 攻讀學(xué)位期間發(fā)表論文與研究成果清單60-61
• 致謝61

【參考文獻(xiàn)】

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 樓恩平;抑郁癥腦電信號特征提取及分類研究[D];浙江師范大學(xué);2009年

  本文關(guān)鍵詞：基于功能近紅外光譜成像的抑郁癥患者自動識別，由筆耕文化傳播整理發(fā)布。

，

本文編號：295604