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

【摘要】：癲癇是一種常見(jiàn)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(lèi)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(duì)癲癇的診斷時(shí)，需對(duì)腦電信號(hào)進(jìn)行長(zhǎng)期觀測(cè)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(hào)混沌特性，從而實(shí)現(xiàn)對(duì)癲癇腦電信號(hào)分類(lèi)的方法。 當(dāng)前腦電的分析方法分為兩類(lèi):線(xiàn)性分析方法和非線(xiàn)性分析方法。其中線(xiàn)性分析方法是基于腦電信號(hào)的線(xiàn)性特征，如相對(duì)振幅，相對(duì)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(xiàn)性方法基于腦電信號(hào)的非線(xiàn)性特征，如近似熵、李亞普諾夫指數(shù)、長(zhǎng)程相關(guān)性和關(guān)聯(lián)維數(shù)等特征。大腦作為非線(xiàn)性動(dòng)力學(xué)系統(tǒng)，因此用非線(xiàn)性的方法來(lái)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(lái)標(biāo)識(shí)癲癇EEG的非線(xiàn)性特征。 本文選擇支持向量機(jī)（SVM）作為分類(lèi)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(lèi)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(lèi)方法，一種是基于李雅普諾夫指數(shù)和表征腦電信號(hào)波動(dòng)強(qiáng)度的波幅波動(dòng)值的分類(lèi)方法，一種是基于近似熵和表征腦電信號(hào)幅值大小的波幅歸一值的分類(lèi)方法。使用德國(guó)波恩癲癇研究室的癲癇數(shù)據(jù)，通過(guò)SVM分類(lèi)器對(duì)癲癇腦電進(jìn)行分類(lèi)。李雅普諾夫表征了EEG時(shí)間序列對(duì)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(hào)的非線(xiàn)性特征；而腦電信號(hào)的波幅波動(dòng)值和波幅歸一值則刻畫(huà)了其線(xiàn)性特征，兩方面的結(jié)合充分利用了腦電信號(hào)的特性，提高了癲癇腦電分類(lèi)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(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類(lèi)號(hào)】：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(lèi)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(jiàn)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(xiàn)性分析方法17-19
• 2.3 非線(xiàn)性方法19-23
• 第3章 混沌理論知識(shí)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(lèi)面25-27
• 4.2.2 非線(xiàn)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(dòng)值的癲癇腦電檢測(cè)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(guò)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(dòng)值35-36
• 5.4.3 用 SVM 對(duì)兩類(lèi) EEG 進(jìn)行分類(lèi)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(cè)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(guò)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(duì)兩類(lèi) EEG 進(jìn)行分類(lèi)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(guó)期刊全文數(shù)據(jù)庫(kù) 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(duì)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(shù)濤,王耀南;基于樹(shù)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(hào)分類(lèi)識(shí)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(hào)分類(lèi)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(shí)別，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：317175