【摘要】：癲癇是神經(jīng)系統(tǒng)疾病中較多發(fā)的一類,會對人體造成極大的身心傷害,自動、準(zhǔn)確地識別出癲癇發(fā)作的起止點有助于及時對患者進(jìn)行治療。本文結(jié)合機器學(xué)習(xí)方法對癲癇發(fā)作的自動識別算法進(jìn)行研究,并基于CHB-MIT數(shù)據(jù)庫中24位病人129次癲癇發(fā)作病例的數(shù)據(jù),以每2秒為單位處理對算法進(jìn)行驗證。首先,運用支持向量機的方法對癲癇腦電信號進(jìn)行識別。在小波分解獲得腦電信號的四個特征頻段信號的基礎(chǔ)上,分別提取其時域信號方差、頻域能量和小波能量特征構(gòu)成12維特征向量。采用支持向量機進(jìn)行分類,并提出患者特異的最佳閾值的多通道聯(lián)合方法改進(jìn)分類結(jié)果。測試結(jié)果顯示,所有患者的平均準(zhǔn)確率為80.53%,平均真陽性率為76.06%,平均假陽性率為11.00%,平均癲癇發(fā)作起止點的識別偏差為11.5秒。其次,運用卷積神經(jīng)網(wǎng)絡(luò)方法對癲癇腦電信號進(jìn)行識別。對腦電信號進(jìn)行時頻聯(lián)合分析,通過短時傅里葉變換將2s腦電信號轉(zhuǎn)化為頻率范圍在32Hz以內(nèi)的二維時頻圖像。采用LeNet-5結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分類,并提出多通道聯(lián)合方法提高分類器性能。測試結(jié)果顯示,所有患者基于32×32時頻圖像的平均識別準(zhǔn)確率為90.13%,平均真陽性率為96.50%,平均假陽性率為7%,平均癲癇發(fā)作起止點的識別偏差為5.3秒。并從兼顧識別算法的精度與運算速度的角度比較了32×32、64×64、128×128和256×256大小的時頻圖像對算法準(zhǔn)確率的敏感性,得出32×32大小的時頻圖最佳的結(jié)論。之后,分析了迭代次數(shù)、學(xué)習(xí)速率初值、沖量、權(quán)重衰減率等訓(xùn)練參數(shù)對卷積神經(jīng)網(wǎng)絡(luò)模型造成的影響,并提出采用已有的網(wǎng)絡(luò)參數(shù)作為后續(xù)網(wǎng)絡(luò)訓(xùn)練參數(shù)初值的微調(diào)方法,從而減少訓(xùn)練時間。最后,從特征提取、訓(xùn)練參數(shù)、分類器和實驗結(jié)果四個方面對本文提出的基于支持向量機和基于卷積神經(jīng)網(wǎng)絡(luò)的分類方法進(jìn)行對比。結(jié)果表明,本文中基于卷積神經(jīng)網(wǎng)絡(luò)的分類方法從各類指標(biāo)上均優(yōu)于基于支持向量機的分類方法。本文的研究結(jié)果為癲癇狀態(tài)腦電信號的自動識別提供了理論基礎(chǔ),有助于癲癇臨床治療方案的研究。
【圖文】：

圖 1-1 腦電圖中的常見病態(tài)波形[12]種波形分類為癲癇樣異常放電（Interictal Epileptic Discharge，可以記錄到。診斷癲癇發(fā)作最有效的方法就是對腦電圖進(jìn)行檢由有經(jīng)驗的醫(yī)學(xué)工作者對腦電圖進(jìn)行視覺檢查并制定治療方案現(xiàn)了人分析主觀性突出、大量耗時、監(jiān)測準(zhǔn)確率不高等問題。電圖自動檢測技術(shù)可以實現(xiàn)對癲癇狀態(tài)自動、有效識別和癲癇

第 2 章 基于支持向量機的癲癇腦電信號分類第 2 章 基于支持向量機的癲癇腦電信號分類2.1 數(shù)據(jù)集CHB-MIT 數(shù)據(jù)庫中共有 24 個患者數(shù)據(jù)，患者年齡從 3 歲到 22 歲不等，每個患者均在停藥的情況下（排除藥物因素的干擾）同時監(jiān)測 23 個通道 46 個小時，，每位患者每一次發(fā)作狀態(tài)的起始和結(jié)束時間均已知[44]。以 256Hz 的頻率對腦電數(shù)據(jù)進(jìn)行采樣，數(shù)據(jù)分辨率為 16bit，使用 10-20 雙極導(dǎo)聯(lián)記錄，Physionet 網(wǎng)站上給出導(dǎo)聯(lián)貼放位置如圖 2-1 所示。
【學(xué)位授予單位】：天津大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：R742.1;TN911.6

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 尹寶才;王文通;王立春;;深度學(xué)習(xí)研究綜述[J];北京工業(yè)大學(xué)學(xué)報;2015年01期

2 烏建中;陶益;;基于短時傅里葉變換的風(fēng)機葉片裂紋損傷檢測[J];中國工程機械學(xué)報;2014年02期

3 李宏斌;徐楚林;溫周斌;;基于短時傅里葉變換的異常音檢測方法[J];聲學(xué)技術(shù);2014年02期

4 劉仙;馬百旺;冀俊娥;李小俚;;神經(jīng)群模型中癲癇狀棘波的UKF控制研究[J];生物醫(yī)學(xué)工程學(xué)雜志;2013年06期

5 周進(jìn)登;王曉丹;周紅建;;基于混淆矩陣的自適應(yīng)糾錯輸出編碼多類分類方法[J];系統(tǒng)工程與電子技術(shù);2012年07期

6 吳敏;韋志輝;湯黎明;孫玉寶;劉鐵兵;;一種基于小波變換的腦電信號癲癇特征波的識別算法[J];中國醫(yī)療設(shè)備;2008年04期

7 劉澤華;谷立臣;;基于頻域能量特征的故障分類方法研究[J];液壓與氣動;2007年03期

8 劉鐵兵;湯黎明;吳敏;;基于獨立分量分析技術(shù)的癲癇腦電信號處理系統(tǒng)的研究[J];中國醫(yī)療器械雜志;2007年01期

9 李昌強,黃力宇,鞠烽熾,黃遠(yuǎn)桂,程敬之;癲癇腦電的雙譜特性研究[J];北京生物醫(yī)學(xué)工程;2004年01期

10 游榮義,徐慎初;腦電信號的高階奇異譜分析[J];生物物理學(xué)報;2003年02期

本文編號：2615800