【摘要】：腦電圖檢查是診斷癲癇疑似患者的最有效的方法。腦電圖檢查的主要任務(wù)是分析大腦有無尖棘波、棘波節(jié)律、棘慢復(fù)合波、尖慢復(fù)合波和多棘慢復(fù)合波等癲癇樣放電活動。在對癲癇疑似患者的24小時EEG記錄進(jìn)行逐頁(10秒／頁)觀察時,不僅要對患者EEG中明顯的癲癇樣放電進(jìn)行標(biāo)記,還要對其背景活動、睡眠和異常波給出描述,并得出是否為異常腦電的結(jié)論,這是一項十分枯燥和費時的工作。目前,對異常波中癲癇樣放電的人工判讀仍然是不可取代的,研究視覺認(rèn)知原理,通過計算給出特征描述,是癲癇波自動檢測技術(shù)的一個主要發(fā)展方向,具有重要的理論和應(yīng)用價值。 本文全面而系統(tǒng)地分析了腦電癲癇波自動檢測方法,并深入研究了統(tǒng)計學(xué)習(xí)理論和大規(guī)模訓(xùn)練集的支持向量機(support vector machine, SVM)快速算法。這一理論不僅為模式識別學(xué)科奠定了基礎(chǔ),也為本文中的癲癇波快速檢測方法提供了思想和方法上的指導(dǎo)。支持向量機是一種十分有效的模式識別方法,它將分類問題最終轉(zhuǎn)化為一個有約束的二次規(guī)劃問題。序列最小優(yōu)化(sequential minimal optimization, SMO)算法是求解大規(guī)模樣本分類問題的快速方法。本論文提出了三種SMO改進(jìn)算法。實驗結(jié)果表明,其性能得到很大地提升。在對癲癇波的自動檢測方法中,創(chuàng)造性地將視覺組織原則應(yīng)用于腦電信號分析,提出了基于增減序列合并的信號處理方法,不僅大幅提高了信號處理速度,而且提高了癲癇波檢測的準(zhǔn)確性,取得了較高的敏感性和特異性指標(biāo)。 本文主要進(jìn)行了如下幾個方面的研究工作： ·在給出了KSM02搜索過程的解釋后,提出了基于動態(tài)篩選策略的SMO改進(jìn)算法(DFSMO),它由粗選和精選兩個階段組成。實驗結(jié)果表明,對于UCI Adult數(shù)據(jù)集,該算法在速度上有超過70%的提升,對于Web數(shù)據(jù)集,該算法在速度上有35%的提升。 ·在近似最優(yōu)參數(shù)條件下,根據(jù)樣本分布的特點,提出了基于先驗知識的SMO加速算法(TKSMO),它采用了新的判定I0搜索結(jié)束的條件。實驗結(jié)果表明算法TKSMO在速度上有很大的提升,而且在推廣性能上比DFSMO更加穩(wěn)定。 ·提出了一種依樣本位置不同來確定不同樣本懲罰系數(shù)的方法。兩分類問題實驗結(jié)果表明,樣本數(shù)量在1)按比例選取；2)相同；3)相差懸殊的情況下,其推廣性能都優(yōu)于標(biāo)準(zhǔn)支持向量機。 ·提出了基于合并增減序列和SVM的發(fā)作間期癲癇樣放電自動檢測方法。給出了EEG中增減序列、完整波和不完整波的定義,并根據(jù)視覺測量的特點,給出了序列合并規(guī)則和算法,該方法對節(jié)律波和高幅慢波的檢測結(jié)果與目測結(jié)果非常接近。在此基礎(chǔ)上,根據(jù)發(fā)作間期癲癇樣放電的時域特征,提出了IED檢測方法,此方法能夠檢測出絕大多數(shù)IED,但也會檢測出一些明顯不是IED的片斷,為了降低誤檢率,挑選了17個時域特征,利用支持向量機方法進(jìn)行訓(xùn)練和判定,得到了很好的效果。最后,在對另外32個疑似癲癇患者的EEG記錄檢測中,醫(yī)生已標(biāo)記的IED片斷中有95.9%被檢測出來,這表明該方法具有很好的穩(wěn)定性。 (?)提出了基于合并增減序列和變長序列相似性的癲癇波自動檢測算法。在合并增減序列的基礎(chǔ)上,首次對尖波、棘波、棘慢復(fù)合波、尖慢復(fù)合波、棘波節(jié)律這五種IED波形的判別給出了統(tǒng)一的方法,具有較低的漏檢率和較高的穩(wěn)定性。大量研究都是以單個波的幅度大于某一閾值作為尖形波的首要判定依據(jù),對于散在的尖棘波的檢測是有用的,但對于單個或連續(xù)復(fù)合波和連續(xù)棘波,以此為依據(jù)將會降低檢出率。本章指出波形特征才是尖形波判定的首要依據(jù),這一點是符合視覺測量過程的。由于尖形波波形變化很大,對其進(jìn)行精確的數(shù)學(xué)描述是非常困難的,本文通過提取、平移和歸一化尖形波片斷,建立樣本數(shù)據(jù)庫,提出了變長序列的相似性度量,有效地解決了波形描述的問題,大大提高了檢出率。在對31個疑似癲癇患者的EEG記錄檢測中,醫(yī)生已標(biāo)記的IED片斷中有98.36%被檢測出來,這表明該方法具有更好的穩(wěn)定性。 本論文沒有用到眾所周知的現(xiàn)代信號處理方法,如快速傅里葉變換、小波分析、主成分分析、獨立分量分析和希爾伯特-黃變換等,而是將視覺組織原理具體化,提出了基于時域的增減序列合并的腦電信號處理方法,與現(xiàn)代信號處理方法相比有如下優(yōu)點：(1)可以分析非線性非平穩(wěn)信號；(2)具有完全自適應(yīng)性,能分析不同節(jié)律的波；(3)不受Heisenberg測不準(zhǔn)原理制約,適合分析突變信號；(4)適合分析慢波,由于慢波的波形變化較大,幅度和頻率的跨度也較寬,因此對慢波的檢測難度也高于對尖形波的檢測。(5)計算量小,特別適合處理長程EEG記錄；(6)能較準(zhǔn)確地提取單個波的頻率、幅值和形狀等特征,合并出的波具有明確的物理意義,在EEG檢查中,大量的診斷經(jīng)驗都是基于視覺獲取的,該方法可以直接運用這些經(jīng)驗來對EEG進(jìn)行分析。本文首次對棘波、尖波、棘慢波、尖慢波和棘波節(jié)律這五種IED波形的判別給出了統(tǒng)一的方法,具有較低的漏檢率和較高的穩(wěn)定性。可以容易地將本文方法推廣到其它視覺上有顯著特征的波形檢測中,如梭形波、慢波、alpha波、beta波、theta波和gamma波等。
【學(xué)位授予單位】：華東理工大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2013
【分類號】：TN911.6;R318.0

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 宋杰,唐煥文;基于線性規(guī)劃的ν-支持向量機分類器[J];大連理工大學(xué)學(xué)報;2005年02期

2 邵信光,楊慧中,石晨曦;ε不敏感支持向量回歸在化工數(shù)據(jù)建模中的應(yīng)用[J];東南大學(xué)學(xué)報(自然科學(xué)版);2004年S1期

3 張林,劉先珊,陰和俊;基于時間序列的支持向量機在負(fù)荷預(yù)測中的應(yīng)用[J];電網(wǎng)技術(shù);2004年19期

4 許光,俞歡軍,陳德釗;基于支持向量機的檸檬酸發(fā)酵過程統(tǒng)計建模[J];化學(xué)反應(yīng)工程與工藝;2004年01期

5 田盛豐,黃厚寬;基于支持向量機的數(shù)據(jù)庫學(xué)習(xí)算法[J];計算機研究與發(fā)展;2000年01期

6 賀海軍,王建芬,周青,曹元大;基于決策支持向量機的中文網(wǎng)頁分類器[J];計算機工程;2003年02期

7 忻棟,楊瑩春,吳朝暉;基于SVM-HMM混合模型的說話人確認(rèn)[J];計算機輔助設(shè)計與圖形學(xué)學(xué)報;2002年11期

8 李曉黎,劉繼敏,史忠植;基于支持向量機與無監(jiān)督聚類相結(jié)合的中文網(wǎng)頁分類器[J];計算機學(xué)報;2001年01期

9 李紅蓮,王春花,袁保宗,朱占輝;針對大規(guī)模訓(xùn)練集的支持向量機的學(xué)習(xí)策略[J];計算機學(xué)報;2004年05期

10 張凡,賀蘇寧;基于支持向量機的多種語言話音識別研究[J];計算機應(yīng)用;2004年S1期

相關(guān)博士學(xué)位論文 前1條

1 范昕煒;支持向量機算法的研究及其應(yīng)用[D];浙江大學(xué);2003年

相關(guān)碩士學(xué)位論文 前1條

1 陳穎萍;基于小波和獨立分量分析的腦電信號預(yù)處理研究[D];華中科技大學(xué);2006年

，

本文編號：2549673