本文關(guān)鍵詞：基于EEG信號(hào)的癲癇發(fā)病預(yù)測(cè)的算法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：癲癇是一種常見的腦部疾病狀態(tài),目前世界上有大量的患者飽受癲癇帶來的痛苦,而其中部分癲癇患者無法根治。癲癇發(fā)作的預(yù)測(cè)將會(huì)為這些無法根治的患者帶來改善。目前癲癇發(fā)作的研究多集中于癲癇發(fā)作期間EEG的信號(hào)特征分析及使用單一的方法進(jìn)行預(yù)測(cè)。本文基于上述現(xiàn)狀對(duì)癲癇發(fā)病預(yù)測(cè)算法進(jìn)行研究,提出了一種結(jié)合信號(hào)預(yù)處理和模式識(shí)別的算法,并通過仿真計(jì)算驗(yàn)證了算法在準(zhǔn)確率、靈敏度、虛警率及預(yù)測(cè)區(qū)間上的性能,最后通過實(shí)時(shí)仿真測(cè)試的方式,驗(yàn)證了本文所提出的算法在不同病人EEG數(shù)據(jù)上的癲癇發(fā)病預(yù)測(cè)性能,達(dá)到了對(duì)特定癲癇病人發(fā)作預(yù)測(cè)的目的。在前人研究的理論基礎(chǔ)上,結(jié)合本課題使用頭皮EEG數(shù)據(jù)的分析,本文構(gòu)建的算法包含二部分:信號(hào)預(yù)處理算法和模式識(shí)別算法。其中信號(hào)預(yù)處理算法以EEG信號(hào)的特定頻段的能量為特征,先后分別使用了小波分解和譜功率的方法對(duì)EEG的能量特征進(jìn)行提取。而模式識(shí)別算法主要以支持向量機(jī)為基礎(chǔ),對(duì)提取的特征數(shù)據(jù)進(jìn)行分類訓(xùn)練和測(cè)試。二部分算法結(jié)合的目的是期望能夠通過信號(hào)預(yù)處理算法提高模式識(shí)別算法在癲癇發(fā)病預(yù)測(cè)過程中的準(zhǔn)確率,并盡可能降低虛警概率。而不同的算法組合是希望能夠設(shè)計(jì)出針對(duì)基于頭皮EEG信號(hào)的癲癇發(fā)病預(yù)測(cè)更為適用的預(yù)測(cè)算法。研究結(jié)果表明,使用小波能量對(duì)癲癇發(fā)作前和發(fā)作間期的EEG信號(hào)進(jìn)行分析,其0.5~8 Hz頻段的能量會(huì)在癲癇發(fā)作前2000秒左右有明顯的提高。本文使用相對(duì)小波能量和支持向量機(jī)對(duì)該特征進(jìn)行分析和預(yù)測(cè),測(cè)試了9個(gè)病人的EEG數(shù)據(jù),結(jié)果表明應(yīng)用相對(duì)小波能量和支持向量機(jī),算法可以準(zhǔn)確預(yù)測(cè)出部分癲癇患者的癲癇發(fā)作,但仍有個(gè)別病人的誤差較大。在信號(hào)預(yù)處理部分去掉小波變換后,使用譜功率對(duì)癲癇發(fā)作前的特征進(jìn)行提取,并使用支持向量機(jī)進(jìn)行分類訓(xùn)練和測(cè)試,結(jié)果表明在使用譜功率之后,算法的預(yù)測(cè)準(zhǔn)確率對(duì)比相對(duì)小波能量有6個(gè)病人的測(cè)試數(shù)據(jù)有明顯的提升。論文的最后對(duì)模擬實(shí)時(shí)預(yù)測(cè)癲癇發(fā)作和腦電通道的相關(guān)性進(jìn)行了探討。利用已經(jīng)計(jì)算得出的支持向量機(jī)模型對(duì)一個(gè)病人的全部EEG進(jìn)行測(cè)試,得出該算法可以在癲癇發(fā)作前2000~5000秒對(duì)癲癇的發(fā)作給出連續(xù)的警報(bào),并且可以忽略預(yù)測(cè)過程中產(chǎn)生不連續(xù)的個(gè)別虛警信息。利用相關(guān)性對(duì)EEG的通道進(jìn)行分析,在EEG的23個(gè)通道中,篩選出了14個(gè)通道。使用這14個(gè)通道的EEG數(shù)據(jù),加快了運(yùn)算速度,對(duì)在線檢測(cè)效果有明顯的提升,同時(shí)沒有損失算法的性能。測(cè)試結(jié)果的6個(gè)病人中,有2個(gè)病人的準(zhǔn)確率有所增加,3個(gè)病人的準(zhǔn)確率維持在原有水平。
【關(guān)鍵詞】：癲癇預(yù)測(cè) EEG 小波能量 譜功率 支持向量機(jī)
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：R742.1;TN911.7
【目錄】：

• 摘要4-6
• ABSTRACT6-9
• 第1章 緒論9-18
• 1.1 課題背景及研究意義9
• 1.2 癲癇機(jī)理簡介9-10
• 1.3 腦電圖概述10-11
• 1.4 腦電分析的常用方法11-13
• 1.5 癲癇預(yù)測(cè)方法綜述13-16
• 1.6 本文研究內(nèi)容16-18
• 第2章 基于小波能量的癲癇發(fā)病EEG信號(hào)分析18-32
• 2.1 小波變換原理18-22
• 2.2 小波能量22-23
• 2.3 實(shí)驗(yàn)數(shù)據(jù)23-25
• 2.4 癲癇EEG信號(hào)的小波分解25-28
• 2.5 癲癇EEG信號(hào)的小波能量特征提取28-31
• 2.6 本章小結(jié)31-32
• 第3章 基于信號(hào)預(yù)處理和SVM的癲癇發(fā)病預(yù)測(cè)32-51
• 3.1 支持向量機(jī)理論32-37
• 3.1.1 統(tǒng)計(jì)學(xué)習(xí)理論32
• 3.1.2 支持向量分類器32-34
• 3.1.3 最優(yōu)分類超平面34-37
• 3.2 LIBSVM簡述37-39
• 3.2.1 LIBSVM采用的模型37-38
• 3.2.2 LIBSVM中使用的常見核函數(shù)38-39
• 3.3 基于小波能量及SVM的癲癇發(fā)作預(yù)測(cè)39-42
• 3.4 小波能量算法的優(yōu)化42-47
• 3.4.1 相對(duì)小波能量42-44
• 3.4.2 基于相對(duì)小波能量和支持向量機(jī)的癲癇發(fā)病預(yù)測(cè)44-47
• 3.5 基于譜功率及SVM的癲癇的發(fā)病預(yù)測(cè)算法47-50
• 3.5.1 譜功率原理47-48
• 3.5.2 癲癇發(fā)病預(yù)測(cè)算法及仿真48-50
• 3.6 本章小結(jié)50-51
• 第4章 癲癇發(fā)病的實(shí)時(shí)仿真測(cè)試及算法優(yōu)化51-59
• 4.1 癲癇發(fā)病預(yù)測(cè)的實(shí)時(shí)仿真與分析51-54
• 4.2 基于癲癇預(yù)測(cè)的EEG通道相關(guān)性分析及算法優(yōu)化54-57
• 4.3 本章小結(jié)57-59
• 結(jié)論59-60
• 參考文獻(xiàn)60-65
• 攻讀碩士學(xué)位期間發(fā)表的論文及其它成果65-67
• 致謝67

【共引文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前3條

1 韓敏;孫卓然;;基于小波變換和AdaBoost極限學(xué)習(xí)機(jī)的癲癇腦電信號(hào)分類[J];計(jì)算機(jī)應(yīng)用;2015年09期

2 徐永紅;李杏杏;趙勇;;基于小波包和多元多尺度熵的癲癇腦電信號(hào)分類方法[J];生物醫(yī)學(xué)工程學(xué)雜志;2013年05期

3 席敏;朱國魂;;多尺度排列熵及其在癲癇發(fā)作識(shí)別中的應(yīng)用[J];生物醫(yī)學(xué)工程學(xué)雜志;2015年04期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 李紅利;癲癇腦電信號(hào)的非線性分析[D];天津大學(xué);2012年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 文競成;基于時(shí)頻特征參數(shù)的P2P流分類研究[D];電子科技大學(xué);2013年

2 李杏杏;基于小波包和多元多尺度熵的癲癇腦電信號(hào)分類方法[D];燕山大學(xué);2013年

  本文關(guān)鍵詞：基于EEG信號(hào)的癲癇發(fā)病預(yù)測(cè)的算法研究，由筆耕文化傳播整理發(fā)布。

，

本文編號(hào)：393589