發(fā)布時(shí)間：2017-04-19 21:29

  本文關(guān)鍵詞：基于混沌的癲癇腦電波分析與識別，由筆耕文化傳播整理發(fā)布。

【摘要】：癲癇是一種常見的慢性神經(jīng)疾病，由大腦突發(fā)性異常放電引起，現(xiàn)已成為醫(yī)學(xué)界一大難題，嚴(yán)重地危害人類的健康。目前，腦電圖檢查是癲癇診斷的最重要的的手段之一。但大腦屬于一個(gè)混沌系統(tǒng)，醫(yī)生在實(shí)現(xiàn)對癲癇的診斷時(shí)，需對腦電信號進(jìn)行長期觀測從而做出判讀，需要耗費(fèi)其大量的時(shí)間及精力且易摻入醫(yī)師個(gè)人主觀傾向而導(dǎo)致結(jié)果的不準(zhǔn)確。因此有必要提出一種借助計(jì)算機(jī)輔助的，利用腦電信號混沌特性，從而實(shí)現(xiàn)對癲癇腦電信號分類的方法。 當(dāng)前腦電的分析方法分為兩類:線性分析方法和非線性分析方法。其中線性分析方法是基于腦電信號的線性特征，如相對振幅，相對能量等，采用時(shí)域分析，頻域分析以及時(shí)頻結(jié)合的方法。非線性方法基于腦電信號的非線性特征，如近似熵、李亞普諾夫指數(shù)、長程相關(guān)性和關(guān)聯(lián)維數(shù)等特征。大腦作為非線性動力學(xué)系統(tǒng)，因此用非線性的方法來研究腦電的特性效果更好。本文采用了近似熵和李亞普諾夫指數(shù)定標(biāo)指數(shù)來標(biāo)識癲癇EEG的非線性特征。 本文選擇支持向量機(jī)（SVM）作為分類器，，其突出的優(yōu)點(diǎn)表現(xiàn)在泛化能力特別好，實(shí)現(xiàn)誤差非常小，而且該分類方法的魯棒性特別好，應(yīng)用范圍極其廣泛。 本文提出了兩種腦電分類方法，一種是基于李雅普諾夫指數(shù)和表征腦電信號波動強(qiáng)度的波幅波動值的分類方法，一種是基于近似熵和表征腦電信號幅值大小的波幅歸一值的分類方法。使用德國波恩癲癇研究室的癲癇數(shù)據(jù)，通過SVM分類器對癲癇腦電進(jìn)行分類。李雅普諾夫表征了EEG時(shí)間序列對系統(tǒng)初值的敏感程度，近似熵則表征了EEG時(shí)間序列的復(fù)雜度，它們代表了腦電信號的非線性特征；而腦電信號的波幅波動值和波幅歸一值則刻畫了其線性特征，兩方面的結(jié)合充分利用了腦電信號的特性，提高了癲癇腦電分類算法的準(zhǔn)確度，仿真表明算法具有計(jì)算復(fù)雜度低，效率高的優(yōu)點(diǎn)。
【關(guān)鍵詞】：腦電 混沌 支持向量機(jī) 近似熵 李雅普諾夫指數(shù)
【學(xué)位授予單位】：山東師范大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：R742.1;TP18
【目錄】：

• 摘要6-7
• ABSTRACT7-9
• 第1章 緒論9-17
• 1.1 腦電波介紹9-12
• 1.1.1 腦電波的發(fā)現(xiàn)9
• 1.1.2 腦電波采集9-10
• 1.1.3 腦電波組成和分類10-12
• 1.2 癲癇腦電波12-15
• 1.2.1 癲癇病癥的臨床特點(diǎn)12
• 1.2.2 幾種常見的癲癇腦電波12-15
• 1.2.3 癲癇腦電分析的研究目的和意義15
• 1.3 本文研究思路與主要內(nèi)容15-17
• 第2章 癲癇腦電分析的基本方法17-23
• 2.1 前言17
• 2.2 線性分析方法17-19
• 2.3 非線性方法19-23
• 第3章 混沌理論知識23-25
• 3.1 引言23
• 3.2 混沌的定義23
• 3.3 混沌的特性23-24
• 3.4 混沌常用的度量方法24-25
• 第4章 支持向量機(jī)25-31
• 4.1 SVM 的產(chǎn)生與發(fā)展25
• 4.2 SVM 原理25-29
• 4.2.1 最優(yōu)分類面25-27
• 4.2.2 非線性可分 SVM27-29
• 4.2.3 核函數(shù)29
• 4.3 支持向量機(jī)的應(yīng)用29-31
• 第5章 基于李雅普諾夫指數(shù)和波幅波動值的癲癇腦電檢測31-37
• 5.1 引言31
• 5.2 李雅普諾夫指數(shù)31-32
• 5.2.1 定義31
• 5.2.2 李雅普諾夫指數(shù)的計(jì)算31-32
• 5.3 實(shí)驗(yàn)數(shù)據(jù)的獲取32-33
• 5.4 實(shí)現(xiàn)過程33-36
• 5.4.1 計(jì)算李雅普諾夫指數(shù)34-35
• 5.4.2 波幅波動值35-36
• 5.4.3 用 SVM 對兩類 EEG 進(jìn)行分類36
• 5.5 小結(jié)36-37
• 第6章 基于近似熵和波幅歸一值的癲癇腦電檢測37-43
• 6.1 引言37
• 6.2 近似熵37-38
• 6.2.1 近似熵的定義37
• 6.2.2 近似熵特點(diǎn)37-38
• 6.2.3 近似熵的算法38
• 6.3 實(shí)驗(yàn)數(shù)據(jù)的獲取38-39
• 6.4 實(shí)現(xiàn)過程39-41
• 6.4.1 計(jì)算近似熵39-40
• 6.4.2 波幅的歸一值40-41
• 6.4.3 用 SVM 對兩類 EEG 進(jìn)行分類41
• 6.5 小結(jié)41-43
• 第7章 全文總結(jié)與展望43-45
• 參考文獻(xiàn)45-49
• 致謝49

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 王英,鄭德玲,鞠磊;基于Lorenz混沌系統(tǒng)的數(shù)字圖像加密算法[J];北京科技大學(xué)學(xué)報(bào);2004年06期

2 李昌強(qiáng),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

3 周亞訓(xùn),葉慶衛(wèi),徐鐵峰;基于小波和余弦變換組合的圖像水印方案[J];電子學(xué)報(bào);2001年12期

4 周奇;;對支持向量機(jī)幾種常用核函數(shù)和參數(shù)選擇的比較研究[J];福建電腦;2009年06期

5 李樹濤,王耀南;基于樹狀小波分解的多傳感器圖像融合[J];紅外與毫米波學(xué)報(bào);2001年03期

6 張巍,胡漢平,李德華;一種新的混沌序列生成方式[J];華中科技大學(xué)學(xué)報(bào);2001年11期

7 張海軍;王浩川;;多導(dǎo)聯(lián)EEG信號分類識別研究[J];計(jì)算機(jī)工程與應(yīng)用;2008年24期

8 郭虎升;王文劍;;基于神經(jīng)網(wǎng)絡(luò)的支持向量機(jī)學(xué)習(xí)方法研究[J];計(jì)算機(jī)工程與應(yīng)用;2009年02期

9 呂世聘;王秀坤;孫巖;唐一源;;改進(jìn)的支持向量機(jī)特征選擇算法[J];計(jì)算機(jī)工程;2009年01期

10 李鋼;王蔚;張勝;;支持向量機(jī)在腦電信號分類中的應(yīng)用[J];計(jì)算機(jī)應(yīng)用;2006年06期

  本文關(guān)鍵詞：基于混沌的癲癇腦電波分析與識別，由筆耕文化傳播整理發(fā)布。

本文編號：317175