本文關(guān)鍵詞：基于復(fù)雜網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的癲癇腦電非線性特征提取與分類方法研究

  更多相關(guān)文章： 復(fù)雜網(wǎng)絡(luò) 特征提取 非線性時(shí)間序列分析 癲癇腦電 分類 支持向量機(jī)

【摘要】：癲癇是一種古老的神經(jīng)系統(tǒng)疾病,其影響人群范圍廣,對(duì)患者身心健康影響巨大,而且存在較大的社會(huì)治療缺口,這些都嚴(yán)重影響著患者及家屬的生活與工作。腦電圖(Electroencephalography,EEG)是反映大腦皮層放電活動(dòng)的工具,該時(shí)間序列中包含了大量關(guān)于大腦工作的生理學(xué)信息。目前,對(duì)于癲癇發(fā)作的診斷主要還是依靠專業(yè)醫(yī)師用肉眼識(shí)別患者的EEG。但是這種方法具有速度慢、效率低下、主觀程度高等缺點(diǎn),因此對(duì)具有高性能的癲癇腦電自動(dòng)分類算法的研究具有重大的臨床應(yīng)用意義。由于大腦的復(fù)雜結(jié)構(gòu)及大腦皮層神經(jīng)元放電的不規(guī)律性,導(dǎo)致EEG信號(hào)表現(xiàn)出非線性動(dòng)力學(xué)特征。因此,通過非線性時(shí)間序列分析方法提取EEG的非線性信息,成為近年來相關(guān)學(xué)者們的首選。然而,目前常用的非線性特征如近似熵、樣本熵等對(duì)癲癇EEG的分類性能相對(duì)較差,嚴(yán)重影響著所構(gòu)造的分類算法的性能,阻礙著癲癇分類算法被應(yīng)用于臨床的進(jìn)程。近年來,應(yīng)用復(fù)雜網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)統(tǒng)計(jì)特性來研究非線性時(shí)間序列的深層動(dòng)力學(xué)結(jié)構(gòu)特征逐漸得到學(xué)者的重視,同時(shí)也給出了一個(gè)非線性時(shí)間序列分析的新視角。得益于時(shí)間序列復(fù)雜網(wǎng)絡(luò)構(gòu)造算法的出現(xiàn),加之豐富且研究成熟的復(fù)雜網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)統(tǒng)計(jì)特性,時(shí)間序列的復(fù)雜網(wǎng)絡(luò)分析方法開始應(yīng)用于對(duì)金融股票走勢(shì)、交通流量、氣候變化、河流流量等現(xiàn)實(shí)生活中的非線性真實(shí)數(shù)據(jù)的分析。本文在研究了時(shí)間序列復(fù)雜網(wǎng)絡(luò)分析方法的基礎(chǔ)上,主要對(duì)基于復(fù)雜網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)統(tǒng)計(jì)特性的癲癇腦電特征提取方法進(jìn)行了研究,并結(jié)合支持向量機(jī)(SVM),構(gòu)造出了高性能的癲癇腦電自動(dòng)分類算法,用來區(qū)分癲癇患者間歇期和發(fā)作期的腦電信號(hào)。首先,根據(jù)時(shí)間序列平均分段的網(wǎng)絡(luò)節(jié)點(diǎn)集構(gòu)造算法,構(gòu)造出時(shí)間序列復(fù)雜網(wǎng)絡(luò)的節(jié)點(diǎn)集合;應(yīng)用標(biāo)準(zhǔn)歐式距離衡量節(jié)點(diǎn)集合中任意兩節(jié)點(diǎn)之間的相似性,并根據(jù)轉(zhuǎn)化參數(shù)(θ),確定網(wǎng)絡(luò)的邊集合。通過以上過程構(gòu)造出時(shí)間序列的復(fù)雜網(wǎng)絡(luò)。其次,應(yīng)用復(fù)雜網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)統(tǒng)計(jì)特性對(duì)時(shí)間序列復(fù)雜網(wǎng)絡(luò)進(jìn)行分析。根據(jù)分析結(jié)果構(gòu)造相應(yīng)的提取特征,作為對(duì)不同類型時(shí)間序列的分類特征。本文提出了度分布熵(NDDE)、聚類系數(shù)分布部分和(Pclu)、頂點(diǎn)強(qiáng)度分布加權(quán)均值(wmean)與權(quán)值差異分布小值和(WDrα)四個(gè)非線性特征。提取的分類特征被應(yīng)用于區(qū)分標(biāo)準(zhǔn)癲癇腦電數(shù)據(jù)庫(kù)中癲癇患者間歇期和發(fā)作期的腦電信號(hào)。通過與其它相關(guān)的實(shí)驗(yàn)結(jié)果進(jìn)行比較,驗(yàn)證了本文的提取特征對(duì)兩類癲癇腦電的辨別精度和特征提取時(shí)間較近似熵(ApEn)和樣本熵(SampEn)都有較大提升。最后,將本文提取的特征應(yīng)用于癲癇腦電的自動(dòng)分類算法中。將4個(gè)非線性提取特征分別添加波動(dòng)指數(shù)(FI)構(gòu)成二維分類特征向量,結(jié)合支持向量機(jī)分類器構(gòu)造了4個(gè)癲癇腦電自動(dòng)分類算法。通過對(duì)癲癇患者間歇期和發(fā)作期腦電數(shù)據(jù)的分類實(shí)驗(yàn),驗(yàn)證了本文所構(gòu)造的4個(gè)分類算法的性能相比于現(xiàn)有的相似分類算法在總體分類精度上都有較大提升。腦電圖作為描述大腦活動(dòng)的直觀反映載體,大腦工作的許多重要生理信息深藏在EEG信號(hào)的動(dòng)力學(xué)結(jié)構(gòu)中。通過應(yīng)用時(shí)間序列復(fù)雜網(wǎng)絡(luò)構(gòu)造算法,將EEG信號(hào)轉(zhuǎn)化為復(fù)雜網(wǎng)絡(luò),應(yīng)用復(fù)雜網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的相關(guān)統(tǒng)計(jì)特性,對(duì)大腦EEG信號(hào)復(fù)雜網(wǎng)絡(luò)的結(jié)構(gòu)進(jìn)行分析,可以更加深入的了解EEG信號(hào)中所包含的深層次信息。如此提取出性能優(yōu)良的分類特征,從而可以構(gòu)造高性能癲癇腦電分類算法。無論是本文的研究思路還是分類算法本身都為促進(jìn)臨床醫(yī)學(xué)研究及應(yīng)用,輔助醫(yī)生進(jìn)行診斷等工作提供了幫助,有利于不斷提高醫(yī)療水平。
【關(guān)鍵詞】：復(fù)雜網(wǎng)絡(luò) 特征提取 非線性時(shí)間序列分析 癲癇腦電 分類 支持向量機(jī)
【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】：2015
【分類號(hào)】：R742.1;TN911.7
【目錄】：

• 摘要6-8
• Abstract8-11
• 第一章 緒論11-15
• 1.1 研究背景及意義11-13
• 1.2 主要研究?jī)?nèi)容13-14
• 1.3 論文結(jié)構(gòu)安排14-15
• 第二章 復(fù)雜網(wǎng)絡(luò)及其拓?fù)浣Y(jié)構(gòu)統(tǒng)計(jì)特性15-21
• 2.1 復(fù)雜網(wǎng)絡(luò)15-17
• 2.2 復(fù)雜網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)統(tǒng)計(jì)特性17-19
• 2.2.1 度及度分布17-18
• 2.2.2 聚類系數(shù)18-19
• 2.2.3 頂點(diǎn)強(qiáng)度19
• 2.2.4 權(quán)值差異19
• 2.3 小結(jié)19-21
• 第三章 時(shí)間序列復(fù)雜網(wǎng)絡(luò)的構(gòu)造方法21-29
• 3.1 時(shí)間序列復(fù)雜網(wǎng)絡(luò)構(gòu)造方法的國(guó)內(nèi)外研究及應(yīng)用現(xiàn)狀21-25
• 3.1.1 相關(guān)性網(wǎng)絡(luò)構(gòu)造算法21-23
• 3.1.2 可視圖構(gòu)造算法23-24
• 3.1.3 轉(zhuǎn)移網(wǎng)絡(luò)構(gòu)造算法24
• 3.1.4 其它時(shí)間序列復(fù)雜網(wǎng)絡(luò)構(gòu)造算法24-25
• 3.2 時(shí)間序列相關(guān)性復(fù)雜網(wǎng)絡(luò)構(gòu)造算法25-27
• 3.3 小結(jié)27-29
• 第四章 基于復(fù)雜網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)統(tǒng)計(jì)特性的癲癇腦電特征提取方法29-59
• 4.1 本文采用的時(shí)間序列復(fù)雜網(wǎng)絡(luò)構(gòu)造算法29-31
• 4.2 基于復(fù)雜網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)統(tǒng)計(jì)特性的非線性時(shí)間序列提取特征31-37
• 4.2.1 度分布熵31-33
• 4.2.2 聚類系數(shù)分布部分和33-34
• 4.2.3 頂點(diǎn)強(qiáng)度分布加權(quán)均值34-36
• 4.2.4 權(quán)值差異分布小值和36-37
• 4.3 實(shí)驗(yàn)數(shù)據(jù)庫(kù)的描述及實(shí)驗(yàn)數(shù)據(jù)集的構(gòu)造37-38
• 4.4 性能評(píng)價(jià)參數(shù)38-39
• 4.5 提取特征分類性能的驗(yàn)證及評(píng)價(jià)39-57
• 4.5.1 度分布熵對(duì)兩類癲癇腦電的分類性能分析39-45
• 4.5.2 聚類系數(shù)分布部分和對(duì)兩類癲癇腦電的分類性能分析45-48
• 4.5.3 頂點(diǎn)強(qiáng)度分布加權(quán)均值對(duì)兩類癲癇腦電的分類性能分析48-53
• 4.5.4 權(quán)值差異分布小值和對(duì)兩類癲癇腦電的分類性能分析53-57
• 4.6 小結(jié)57-59
• 第五章 基于復(fù)雜網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)提取特征的癲癇腦電分類方法59-67
• 5.1 癲癇腦電分類算法流程圖59
• 5.2 波動(dòng)指數(shù)59
• 5.3 特征向量歸一化59-60
• 5.4 支持向量機(jī)60-61
• 5.5 十交叉驗(yàn)證61
• 5.6 基于本文提取特征的癲癇腦電自動(dòng)分類算法實(shí)驗(yàn)結(jié)果及分析61-66
• 5.6.1 基于本文提取特征的癲癇腦電自動(dòng)分類算法的性能評(píng)估實(shí)驗(yàn)結(jié)果62-64
• 5.6.2 實(shí)驗(yàn)結(jié)果分析64-66
• 5.7 小結(jié)66-67
• 第六章 總結(jié)與展望67-69
• 6.1 全文總結(jié)67
• 6.2 前景展望67-69
• 參考文獻(xiàn)69-75
• 致謝75-77
• 附錄77-78

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 葛丁飛;李小梅;;心電信號(hào)多周期融合特征提取和分類研究[J];中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào);2006年06期

2 張紹武;潘泉;趙春暉;程詠梅;;基于加權(quán)自相關(guān)函數(shù)特征提取法的多類蛋白質(zhì)同源寡聚體分類研究[J];生物醫(yī)學(xué)工程學(xué)雜志;2007年04期

3 薛建中,鄭崇勛,閆相國(guó);快速多變量自回歸模型的意識(shí)任務(wù)的特征提取與分類[J];西安交通大學(xué)學(xué)報(bào);2003年08期

4 楊曉敏,羅立民;白細(xì)胞自動(dòng)分類中的特征提取和分析[J];北京生物醫(yī)學(xué)工程;1992年04期

5 杜軍平,涂序彥;計(jì)算機(jī)圖像處理技術(shù)在舌像特征提取中的應(yīng)用[J];中國(guó)醫(yī)學(xué)影像技術(shù);2003年S1期

6 王雙維;樊曉平;廖志芳;;一種激光誘導(dǎo)熒光光譜特征提取新方法[J];計(jì)算機(jī)工程與應(yīng)用;2008年12期

7 游佳;陳卉;;數(shù)字圖像中血管的分割與特征提取[J];生物醫(yī)學(xué)工程與臨床;2011年01期

8 謝軼峰;;乳腺超聲圖像腫瘤特征提取與腫瘤分類[J];中外醫(yī)療;2013年16期

9 吳澤暉,吳星;醫(yī)學(xué)圖象的邊緣特征提取[J];海南師范學(xué)院學(xué)報(bào)(自然科學(xué)版);2003年03期

10 楊曉敏，羅立民，，韋鈺;血液白細(xì)胞計(jì)算機(jī)分類中的特征提取研究[J];應(yīng)用科學(xué)學(xué)報(bào);1994年02期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前10條

1 尚修剛;蔣慰孫;;模糊特征提取新算法[A];1997中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];1997年

2 潘榮江;孟祥旭;楊承磊;王銳;;旋轉(zhuǎn)體的幾何特征提取方法[A];第一屆建立和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議（HHME2005）論文集[C];2005年

3 薛燕;李建良;朱學(xué)芳;;人臉識(shí)別中特征提取的一種改進(jìn)方法[A];第十三屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2006年

4 杜栓平;曹正良;;時(shí)間—頻率域特征提取及其應(yīng)用[A];2005年全國(guó)水聲學(xué)學(xué)術(shù)會(huì)議論文集[C];2005年

5 黃先鋒;韓傳久;陳旭;周劍軍;;運(yùn)動(dòng)目標(biāo)的分割與特征提取[A];全國(guó)第二屆信號(hào)處理與應(yīng)用學(xué)術(shù)會(huì)議專刊[C];2008年

6 魏明果;;方言比較的特征提取與矩陣分析[A];2009系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2009年

7 林土勝;賴聲禮;;視網(wǎng)膜血管特征提取的拆支跟蹤法[A];1999年中國(guó)神經(jīng)網(wǎng)絡(luò)與信號(hào)處理學(xué)術(shù)會(huì)議論文集[C];1999年

8 秦建玲;李軍;;基于核的主成分分析的特征提取方法與樣本篩選[A];2005年中國(guó)機(jī)械工程學(xué)會(huì)年會(huì)論文集[C];2005年

9 劉紅;陳光

本文編號(hào)：787489