發(fā)布時間：2020-05-04 06:51

【摘要】：癲癇是困擾醫(yī)學(xué)界很久的一個難題,癲癇腦電信號的復(fù)雜性、突發(fā)性給癲癇的檢測帶來了很大的挑戰(zhàn)。一般情況下,癲癇檢測包含著信號預(yù)處理、特征提取、分類識別這三個過程。對于癲癇自動檢測系統(tǒng)來說,識別癲癇的精度和預(yù)測癲癇的準(zhǔn)確度對醫(yī)生的治療和患者的康復(fù)有著重要的意義。本文基于癲癇腦電信號的特征提取及分類識別兩大問題,主要進(jìn)行了如下研究:(1)提出了一種基于離散小波的癲癇腦電信號特征提取方法。首先,針對傅里葉變換的缺點引出了小波變換。接著比較了連續(xù)小波變換與離散小波變換處理腦電信號的優(yōu)缺點,由于連續(xù)小波變換在分解癲癇腦電信號上有著較高的冗余度,本文采用了離散小波進(jìn)行實驗。最后,使用五層離散小波分解癲癇腦電信號來提取其時頻特征。(2)提出了基于離散小波-快速樣本熵的腦電信號特征提取方法,通過組合算法提取出最能反映癲癇腦電信號特性及腦電序列復(fù)雜度的特征值。提出了一種優(yōu)化過的樣本熵,即快速樣本熵算法。接著對腦電原始信號計算樣本熵來驗證了兩種樣本熵算法的效率,結(jié)果表明,從時間成本的角度出發(fā),快速樣本熵算法的實驗效果要明顯比原始樣本熵算法優(yōu)秀。最后,使用快速樣本熵算法對各組腦電數(shù)據(jù)的細(xì)節(jié)信號進(jìn)行了運算。實驗結(jié)果表明,健康志愿者的腦電波的細(xì)節(jié)部分的樣本熵分布與癲癇患者的腦電波的細(xì)節(jié)部分的樣本熵分布有著較大的差異,發(fā)現(xiàn)通過樣本熵算法,健康志愿者和癲癇患者的腦電波已經(jīng)達(dá)到了初步的分離效果。(3)提出了基于支持向量機和樸素貝葉斯算法的癲癇腦電信號的分類。首先引出了機器學(xué)習(xí)算法進(jìn)行分類實驗時的各項評價指標(biāo)。最后通過將不同的特征:時頻特征、非線性動力學(xué)特征、混合特征分別輸入兩種機器學(xué)習(xí)分類器中得到分類結(jié)果,比較了不同的特征對于分類結(jié)果的影響和兩種不同的分類器對于不同的特征的分類效果。實驗結(jié)果表明,通過時頻特征和非線性動力學(xué)特征組成混合特征可以較好的反映癲癇腦電信號的特性,并且分類效果要優(yōu)于單一的時頻特征分類或者非線性動力學(xué)特征分類。
【圖文】：

通過生物信號放大器來放大這些微小電位的幅值以便于觀測。兩個電極間的電位逡逑差可以被生物信號放大器所捕捉到。逡逑ＥＥＧP島挪杉奶逑當(dāng)曜際牽保埃玻骯侍逑擔(dān)郟常梗藎繽跡玻菜盡Ｔ謖媸檔氖靛義涎榛肪持�，往往不能只采集一隔櫯号位置的木壘_ǎ胍玫劍攏茫裳芯康淖羆鹽誨義現(xiàn)�，眳Q胍ü喔齙緙恢美椿袢。牛牛切藕牛庋諼奔５氖侗穡剩乓不岜冉襄義嫌欣�。以掋而言；，临磻M芯恐脅捎彌遼伲保陡鑫恢美醇鍬跡牛牛切藕擰ｅ義希鈴味サ沐偽歉懟＃義希鈴危玻埃ィ掊危洛危校澹潁穡，

本文編號：2648267