本文關(guān)鍵詞：基于稀疏表示和特征提取的癲癇腦電分類(lèi)識(shí)別方法研究

  更多相關(guān)文章： 癲癇腦電 遞歸量化分析 稀疏表示 字典學(xué)習(xí)

【摘要】：癲癇是一種神經(jīng)系統(tǒng)綜合疾病,發(fā)作時(shí)大腦神經(jīng)元異常放電,從而擾亂神經(jīng)系統(tǒng)生物電信號(hào)的傳遞活動(dòng),外在表現(xiàn)為身體抽搐、語(yǔ)言障礙、意識(shí)恍惚以及精神失常等,嚴(yán)重影響了患者正常的生活與工作。腦電圖包含大量的生理與病理的信息,獲取方便且對(duì)患者無(wú)任何創(chuàng)傷性損傷,是目前癲癇診斷中最有價(jià)值的一項(xiàng)輔助檢查。臨床中癲癇的診斷主要依靠腦電圖的視覺(jué)檢測(cè),由于癲癇發(fā)作的不確定性,常常需要對(duì)患者的腦電波進(jìn)行長(zhǎng)期的實(shí)時(shí)監(jiān)測(cè),檢測(cè)時(shí)間長(zhǎng)、效率低,并且根據(jù)醫(yī)生的臨床經(jīng)驗(yàn)及主觀判斷容易出現(xiàn)不一致的檢測(cè)情況。因此,高精度識(shí)別癲癇發(fā)作期腦電信號(hào)實(shí)現(xiàn)癲癇發(fā)作的自動(dòng)檢測(cè)是值得努力的。結(jié)合大腦神經(jīng)系統(tǒng)的復(fù)雜性以及腦電信號(hào)非線(xiàn)性和非平穩(wěn)的特點(diǎn),本文從兩方面研究癲癇腦電信號(hào)的分類(lèi)識(shí)別問(wèn)題:非線(xiàn)性特征提取方法和稀疏表示分類(lèi)方法。非線(xiàn)性方法主要研究大腦系統(tǒng)功能狀態(tài)的變化特征,有利于揭示癲癇發(fā)作時(shí)大腦皮層異常放電機(jī)制,為研究系統(tǒng)復(fù)雜行為變化和癲癇腦電信號(hào)的分類(lèi)識(shí)別提供了新的思想和方法。遞歸量化分析方法作為一種非線(xiàn)性動(dòng)力學(xué)分析方法,定量描述了系統(tǒng)的周期性嵌入過(guò)程和確定性變化規(guī)律。當(dāng)訓(xùn)練樣本空間足夠大時(shí),對(duì)于一個(gè)類(lèi)別的物體,可以由訓(xùn)練樣本中同類(lèi)的樣本子空間近似來(lái)表示。稀疏表示來(lái)源于壓縮感知,突破了Nyquist采樣定理的限制,利用了l1范數(shù)最小化稀疏約束比較不同類(lèi)別的訓(xùn)練樣本對(duì)測(cè)試樣本的重構(gòu)誤差,實(shí)現(xiàn)對(duì)癲癇發(fā)作信號(hào)的高精度檢測(cè)與分類(lèi)。具體研究?jī)?nèi)容和創(chuàng)新點(diǎn)如下:(1)提出了基于遞歸量化分析(RQA)的癲癇腦電特征提取方法。首先對(duì)樣本數(shù)據(jù)進(jìn)行相空間重構(gòu),然后計(jì)算癲癇腦電信號(hào)的遞歸圖,提取遞歸量化分析RQA參數(shù)值作為非線(xiàn)性特征,選取適當(dāng)?shù)姆诸?lèi)閾值將癲癇發(fā)作期信號(hào)與正常腦電信號(hào)分離開(kāi)來(lái)。為了進(jìn)一步提高癲癇腦電自動(dòng)檢測(cè)的精度,采用非線(xiàn)性和線(xiàn)性特征相結(jié)合的方法,將RQA量化值與變化系數(shù)、波動(dòng)指數(shù)一起組成特征向量作為SVM的輸入,實(shí)現(xiàn)癲癇腦電的自動(dòng)檢測(cè)。實(shí)驗(yàn)結(jié)果表明提取的RQA特征值能較好地反映間歇期腦電與發(fā)作期腦電這兩種不同腦電狀態(tài)的非線(xiàn)性動(dòng)力學(xué)特性。(2)提出了基于稀疏表示和小波變換的癲癇腦電分類(lèi)識(shí)別方法。稀疏表示通過(guò)構(gòu)建過(guò)完備字典以及解決l1最小化問(wèn)題,追求用最小數(shù)量的字典元素最優(yōu)地表示待測(cè)樣本。首先對(duì)癲癇腦電信號(hào)進(jìn)行預(yù)處理,然后根據(jù)小波變換的時(shí)頻分析特性對(duì)癲癇腦電信號(hào)樣本進(jìn)行多尺度分解得到各個(gè)頻率子帶�；谛〔l率子帶數(shù)據(jù)構(gòu)建字典,利用SRC模型將待測(cè)樣本的小波子帶表示為字典內(nèi)同頻率原子的線(xiàn)性組合,有助于EEG不同頻率范圍特征波形的識(shí)別。最后分別由發(fā)作期和間歇期的字典原子和稀疏表示系數(shù)對(duì)待測(cè)樣本進(jìn)行重構(gòu),并計(jì)算冗余誤差,通過(guò)誤差大小判定測(cè)試樣本所屬的類(lèi)別。(3)提出了基于K-SVD字典學(xué)習(xí)和稀疏表示的EEG信號(hào)分類(lèi)方法。由于EEG信號(hào)是非平穩(wěn)的,首先利用經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)將EEG信號(hào)分解為有限個(gè)本征模態(tài)函數(shù)IMFs,所分解出來(lái)的各IMF分量從不同時(shí)間尺度上表示了原信號(hào)的局部特性。提取IMF分量信號(hào)的變化系數(shù)、波動(dòng)指數(shù)等特征組成稀疏表示字典。然后利用正交匹配追蹤算法求解待測(cè)樣本在當(dāng)前特征字典上的稀疏表示,利用K-SVD算法根據(jù)當(dāng)前稀疏表示更新特征字典和稀疏表示系數(shù)。最后分別由發(fā)作期和間歇期的腦電樣本特征字典和對(duì)應(yīng)的稀疏系數(shù)向量重構(gòu)測(cè)試樣本,將重構(gòu)的測(cè)試樣本與給定測(cè)試樣本相比較,通過(guò)冗余誤差判定待測(cè)EEG信號(hào)所屬的類(lèi)別,實(shí)現(xiàn)癲癇發(fā)作信號(hào)的分類(lèi)識(shí)別�；贗MF分量的頻率特征構(gòu)建字典極大地降低了數(shù)據(jù)維度和計(jì)算復(fù)雜度,最后利用K-SVD優(yōu)化字典,提高癲癇腦電信號(hào)檢測(cè)的性能。
【關(guān)鍵詞】：癲癇腦電 遞歸量化分析 稀疏表示 字典學(xué)習(xí)
【學(xué)位授予單位】：濟(jì)南大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類(lèi)號(hào)】：R742.1;TN911.7
【目錄】：

• 摘要7-9
• abstract9-12
• 第一章 緒論12-20
• 1.1 研究背景及意義12-13
• 1.2 癲癇腦電信號(hào)描述13-15
• 1.2.1 腦電信號(hào)的特點(diǎn)與分類(lèi)13-14
• 1.2.2 癲癇腦電信號(hào)的特征波14-15
• 1.3 國(guó)內(nèi)外研究現(xiàn)狀15-18
• 1.4 本文研究?jī)?nèi)容和創(chuàng)新點(diǎn)18-19
• 1.5 論文組織結(jié)構(gòu)安排19-20
• 第二章 癲癇腦電信號(hào)分類(lèi)識(shí)別方法20-32
• 2.1 癲癇腦電信號(hào)分析方法20-22
• 2.2 癲癇腦電信號(hào)的非線(xiàn)性特征提取方法22-24
• 2.3 支持向量機(jī)分類(lèi)模型24-26
• 2.4 稀疏表示理論26-30
• 2.4.1 稀疏表示概述26
• 2.4.2 稀疏表示分類(lèi)（SRC）模型26-28
• 2.4.3 字典學(xué)習(xí)28-30
• 2.5 本章小結(jié)30-32
• 第三章 基于RQA的癲癇腦電特征提取方法32-47
• 3.1 遞歸圖（Recurrence plot）32-35
• 3.1.1 相空間重構(gòu)32-33
• 3.1.2 遞歸圖方法33-35
• 3.2 遞歸量化分析（RQA）指標(biāo)35-37
• 3.3 實(shí)驗(yàn)過(guò)程及結(jié)果37-45
• 3.3.1 直接基于遞歸量化特征的分類(lèi)結(jié)果37-44
• 3.3.2 結(jié)合SVM的癲癇腦電分類(lèi)結(jié)果44-45
• 3.3.3 線(xiàn)性特征與非線(xiàn)性特征相結(jié)合的癲癇腦電分類(lèi)結(jié)果45
• 3.4 本章小結(jié)45-47
• 第四章 基于稀疏表示和小波變換的癲癇腦電分類(lèi)識(shí)別方法47-55
• 4.1 小波分析方法47-50
• 4.2 基于小波變換的癲癇腦電稀疏表示分類(lèi)方法50-51
• 4.2.1 信號(hào)預(yù)處理50
• 4.2.2 SRC實(shí)現(xiàn)流程50-51
• 4.3 實(shí)驗(yàn)結(jié)果分析51-54
• 4.3.1 實(shí)驗(yàn)數(shù)據(jù)51-52
• 4.3.2 稀疏重構(gòu)誤差容限對(duì)分類(lèi)準(zhǔn)確率的影響52
• 4.3.3 組合小波子帶實(shí)驗(yàn)結(jié)果與分析52-54
• 4.4 本章小結(jié)54-55
• 第五章 基于模態(tài)分解和稀疏表示的癲癇腦電自動(dòng)檢測(cè)方法55-63
• 5.1 EMD分解55-57
• 5.2 基于特征提取構(gòu)建字典57-58
• 5.3 基于K-SVD字典學(xué)習(xí)的稀疏表示分類(lèi)方法58-59
• 5.4 實(shí)驗(yàn)結(jié)果與分析59-62
• 5.4.1 頻譜分析59-61
• 5.4.2 參數(shù)選取與分析61
• 5.4.3 實(shí)驗(yàn)結(jié)果61-62
• 5.5 本章小結(jié)62-63
• 第六章 結(jié)論與展望63-65
• 6.1 論文總結(jié)63-64
• 6.2 研究展望64-65
• 參考文獻(xiàn)65-70
• 致謝70-71
• 附錄71

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 左開(kāi)偉;劉建平;程馨瑩;;腦機(jī)接口研究概述[J];中國(guó)新通信;2016年01期

2 金永壽;;心率改變或可預(yù)知癲癇發(fā)生[J];家庭醫(yī)藥;2014年12期

3 欒悉道;王衛(wèi)威;謝毓湘;張芯;李琛;;非線(xiàn)性稀疏表示理論及其應(yīng)用[J];計(jì)算機(jī)科學(xué);2014年08期

4 賈敏;王金甲;李靜;洪文學(xué);;基于輔助訓(xùn)練的半監(jiān)督稀疏表示分類(lèi)器用于腦電圖分類(lèi)[J];生物醫(yī)學(xué)工程學(xué)雜志;2014年01期

5 楊真真;楊震;孫林慧;;信號(hào)壓縮重構(gòu)的正交匹配追蹤類(lèi)算法綜述[J];信號(hào)處理;2013年04期

6 張睿;劉紹明;;基于EEG信號(hào)分析處理的癲癇預(yù)測(cè)研究[J];現(xiàn)代生物醫(yī)學(xué)進(jìn)展;2013年04期

7 袁琦;周衛(wèi)東;李淑芳;蔡冬梅;;基于ELM和近似熵的腦電信號(hào)檢測(cè)方法[J];儀器儀表學(xué)報(bào);2012年03期

8 崔振;;基于稀疏編碼和多類(lèi)SVM的入侵檢測(cè)[J];計(jì)算機(jī)工程與設(shè)計(jì);2011年11期

9 李淑芳;周衛(wèi)東;蔡冬梅;劉凱;趙建林;;EMD和SVM結(jié)合的腦電信號(hào)分類(lèi)方法[J];生物醫(yī)學(xué)工程學(xué)雜志;2011年05期

10 劉正忠;辛雙鳳;;癲癇病的中西醫(yī)治療淺析[J];中國(guó)醫(yī)藥指南;2011年28期

，

本文編號(hào)：713368