本文關鍵詞：基于EMD和混合特征的癲癇腦電信號識別研究

  更多相關文章： 癲癇 腦電信號 經(jīng)驗模態(tài)分解 特征提取 識別分類

【摘要】：癲癇是神經(jīng)科第二大疾病,僅在中國患病人數(shù)就高達九百多萬；在傳統(tǒng)的醫(yī)療診斷中,普遍采用人工閱讀腦電信號的方法,該方法不僅效率低,且由于醫(yī)療資源分配不均以及醫(yī)生經(jīng)驗不足等原因使得誤診的情況時常發(fā)生,自動識別癲癇腦電信號,能有效避免誤診的情況,使患者盡早確診疾病,得到及時的醫(yī)治。癲癇腦電信號的自動識別包括兩個部分：特征提取和特征分類,其中最重要的部分是特征提取。在腦電信號的特征提取過程中,特征向量包含腦電信號的信息是否全面并能否描述癲癇腦電信號的特點是至關重要的,直接影響著癲癇腦電信號識別分類的精度。本文提出一種基于經(jīng)驗模態(tài)分解(EMD)和混合特征的特征提取算法。首先利用經(jīng)驗模態(tài)分解對不同的腦電信號進行自適應地分解,得到一系列的模態(tài)本征函數(shù),這些模態(tài)本征函數(shù)的階數(shù)按頻率高低來排列,即每個模態(tài)本征函數(shù)代表著不同頻段的腦電信號特征,選取對應癲癇發(fā)作的頻率段的模態(tài)本征函數(shù)進行腦電信號的序列重構,得到一組新的腦電信號時間序列,再對重構后的新序列進行基于線性方法和非線性方法的特征提取,分別對應于腦電信號的線性特征信息和非線性特征信息,然后將線性特征向量和非線性特征向量進行特征融合,得到該算法的混合特征向量,使混合特征向量能夠更全面地描述癲癇腦電信號的信息,最后將融合后得到的特征向量作為分類器的輸入數(shù)據(jù)進行腦電信號的自動識別分類。本文對此進行了一系列的仿真實驗,其結果表明：使用本文所提特征提取的算法能夠更好的描述癲癇腦電信號的特征,從而更便于分類器識別分類,分類器選定極限學習機,訓練時間短,識別分類精度高,高于其他同類研究算法。
【關鍵詞】：癲癇 腦電信號 經(jīng)驗模態(tài)分解 特征提取 識別分類
【學位授予單位】：大連理工大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：R742.1;TN911.7
【目錄】：

• 摘要4-5
• Abstract5-8
• 1 緒論8-18
• 1.1 課題研究背景與意義8-9
• 1.2 腦電信號概述9-13
• 1.2.1 腦電信號基本知識9-11
• 1.2.2 腦電信號基本性質(zhì)11-12
• 1.2.3 癲癇腦電信號12-13
• 1.3 腦電信號分析研究現(xiàn)狀13-17
• 1.3.1 腦電信號特征提取的國內(nèi)外現(xiàn)狀14-15
• 1.3.2 腦電信號分類研究現(xiàn)狀15-17
• 1.4 本文的主要內(nèi)容及結構17-18
• 2 經(jīng)驗模態(tài)分解18-33
• 2.1 概述18-19
• 2.2 EMD基本概念和原理19-27
• 2.2.1 EMD基本概念19-24
• 2.2.2 EMD基本原理24-27
• 2.3 EMD關鍵技術27-29
• 2.3.1 EMD分解停止準則27
• 2.3.2 IMF篩選準則27-28
• 2.3.3 包絡線擬合28
• 2.3.4 端點效應28-29
• 2.3.5 模態(tài)混疊29
• 2.4 腦電信號EMD分解仿真實驗29-33
• 2.4.1 實驗數(shù)據(jù)介紹29-31
• 2.4.2 EMD仿真實驗31-33
• 3 腦電信號特征提取33-43
• 3.1 線性特征提取方法33-34
• 3.2 非線性特征提取方法34-38
• 3.2.1 近似熵34-36
• 3.2.2 樣本熵36-37
• 3.2.3 模糊熵37-38
• 3.3 基于EMD和混合特征的特征提取算法38-42
• 3.3.1 混合特征提取實現(xiàn)原理38-40
• 3.3.2 線性降維方法PCA40-41
• 3.3.3 混合特征降維41-42
• 3.4 小結42-43
• 4 癲癇腦電信號分類43-51
• 4.1 支持向量機43-45
• 4.1.1 基本原理43-45
• 4.1.2 SVM核函數(shù)45
• 4.2 極限學習機45-48
• 4.2.1 基本原理46-47
• 4.2.2 實現(xiàn)步驟47
• 4.2.3 ELM仿真實驗47-48
• 4.3 癲癇腦電信號分類實驗48-50
• 4.3.1 經(jīng)驗模態(tài)分解仿真實驗48-49
• 4.3.2 癲癇腦電信號分類實驗49-50
• 4.4 小結50-51
• 結論51-52
• 參考文獻52-55
• 致謝55-56

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 姚文坡;劉鐵兵;戴加飛;王俊;;腦電信號的多尺度排列熵分析[J];物理學報;2014年07期

2 尚雅層;徐玉潔;;基于EMD分解的AR模型振動信號預測[J];電子測試;2014年06期

3 張恒t，

本文編號：713980