本文關鍵詞：基于熵測度與支持向量機的腦電信號分類方法研究

  更多相關文章： 近似熵 樣本熵 支持向量機 腦電信號 特征提取 分類

【摘要】：腦電圖(EEG)是檢查診斷癲癇的基本工具,對生理學研究與醫(yī)學應用是非常重要的,是大腦皮層或頭皮表面大腦神經(jīng)組織細胞總體電活動的反應,包含了大量的大腦活動與功能的信息。大腦的電活動通常表現(xiàn)出復雜的行為與非線性動力學特性。癲癇俗稱羊角風,是一種慢性神經(jīng)紊亂疾病,它發(fā)作時由于腦神經(jīng)元突然不正常放電,使中樞神經(jīng)系統(tǒng)活動異常興奮或抑制,對患者的精神和身體健康造成極大的傷害。對于頭皮腦電圖,癲癇腦電檢測的分析方法主要基于特征提取方法和分類算法。 越來越多的研究表明大腦是復雜的非線性動力學系統(tǒng),非線性動力學方法被廣泛地應用于分析EEG信號。本文在非線性動力學分析方法上,提出了兩種非線性特征提取方法：基于近似熵和改進近似熵的癲癇腦電特征提取方法和基于樣本熵和改進樣本熵的癲癇腦電特征提取方法。首先,對癲癇腦電信號樣本數(shù)據(jù)分別求近似熵、改進近似熵、樣本熵、改進樣本熵；然后應用所求的熵測度值作為癲癇腦電信號的特征進行分類。熵測度是一種基于復雜度的非線性時間分析方法,不需要很長的數(shù)據(jù)就可以估算出穩(wěn)定的熵值,具有很好的抗干擾和抗噪聲能力。熵測度的改進方法采用模糊隸屬度函數(shù)解決了Heaviside函數(shù)在[0,1]之間沒有值的問題,很大程度上提高了區(qū)分時間序列的效率。 根據(jù)癲癇發(fā)作時大腦系統(tǒng)復雜度程度與正常大腦復雜度的不同,本文研究了兩種腦電信號分類方法。一種是直接利用四種不同的熵測度值作為特征,選取合適的分類閾值對癲癇發(fā)作間歇期和癲癇發(fā)作期腦電進行分類,另一種是采用熵測度方法和支持向量機(SVM)相結合的癲癇腦電信號分類方法,將近似熵值、樣本熵值、改進的近似熵值和改進的樣本熵值作為分類器的分類特征進行分類。 隨著統(tǒng)計學習理論的不斷發(fā)展與完善,SVM(支持向量機)作為一種新穎的回歸分類工具得到廣泛應用。SVM綜合考慮了VC維和結構風險的影響,被廣泛地應用于分析癲癇腦電信號,對分析高維數(shù)非線性系統(tǒng)具有良好的性能。對于線性不可分樣本,將其非線性變換后映射到高維特征空間,在這個特征空間中存在一個最優(yōu)分類面或超平面能將特征空間分為兩個區(qū)域。為提高癲癇腦電自動檢測分類的精度,我們將支持向量機作為分類器,應用到癲癇腦電自動檢測分類算法中來,而支持向量機的分類特征即為前述所提取出的近似熵、樣本熵、改進的近似熵和改進的樣本熵。 實驗結果表明兩種非線性特征提取方法提取的特征均能有效的區(qū)分癲癇腦電發(fā)作間歇期和發(fā)作期信號�；诮旗氐膯翁卣鞣诸愃惴ǖ目傮w分類正確率在0.15倍的標準差到2倍標準差區(qū)間內(nèi)不斷升高,最高分類準確率達87.25%。在分類正確率上,SVM非線性分類比單獨使用非線性特征進行線性分類的算法精度得到提高。結合線性特征進行非線性分類又比只應用非線性特征進行非線性分類的分類準確率又有提高。而在四個熵組合的情況下,分類準確率達到了96.00%。
【關鍵詞】：近似熵 樣本熵 支持向量機 腦電信號 特征提取 分類
【學位授予單位】：山東大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：R741.044;TN911.7
【目錄】：

• CONTENTS6-8
• 摘要8-10
• ABSTRACT10-12
• 第一章 緒論12-21
• 1.1 腦電波的研究12-13
• 1.2 癲癇腦電信號的特點13-15
• 1.3 癲癇腦電自動檢測的背景及研究意義15
• 1.4 癲癇腦電自動檢測的發(fā)展歷史15-18
• 1.5 癲癇腦電自動檢測的國內(nèi)外研究現(xiàn)狀18-20
• 1.5.1 癲癇腦電信號分析的國內(nèi)外研究現(xiàn)狀18-19
• 1.5.2 癲癇腦電自動檢測存在的主要問題19-20
• 1.6 本論文研究工作及內(nèi)容安排20-21
• 第二章 近似熵和樣本熵及其改進算法21-27
• 2.1 概述21
• 2.2 近似熵方法21-22
• 2.3 改進的近似熵方法22-24
• 2.4 樣本熵24-25
• 2.5 改進的樣本熵方法25-27
• 第三章 支持向量機分類模型27-36
• 3.1 概述27-28
• 3.1.1 機器學習27
• 3.1.2 支持向量機的發(fā)展歷史27-28
• 3.2 支持向量機的理論基礎28-30
• 3.2.1 期望風險最小化28
• 3.2.2 經(jīng)驗風險最小化28-29
• 3.2.3 VC維29
• 3.2.4 經(jīng)驗風險與真實風險的關系29-30
• 3.3 支持向量機理論簡介30-34
• 3.4 支持向量機的優(yōu)點34
• 3.5 支持向量機的實現(xiàn)34-35
• 3.6 本章小結35-36
• 第四章 基于近似熵、樣本熵及其改進算法的癲癇腦電分類36-49
• 4.1 概述36-37
• 4.2 實驗數(shù)據(jù)集37
• 4.2.1 數(shù)據(jù)集37
• 4.2.2 實驗數(shù)據(jù)集37
• 4.3 分類算法效果評價指標37-40
• 4.4 基于近似熵與改進的近似熵的癲癇腦電分類結果與分析40-44
• 4.5 基于樣本熵與改進的樣本熵的癲癇腦電分類結果與分析44-48
• 4.6 本章小結48-49
• 第五章 基于支持向量機的癲癇腦電分類49-54
• 5.1 概述49-51
• 5.1.1 測試樣本與訓練樣本的選取50
• 5.1.2 實驗效果評價指標50
• 5.1.3 SVM的參數(shù)選取50-51
• 5.2 基于四種熵和SVM的癲癇腦電分類結果與分析51-53
• 5.3 本章小結53-54
• 結束語54-56
• 參考文獻56-61
• 致謝61-62
• 學位論文評閱及答辯情況表62

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 周奇;;對支持向量機幾種常用核函數(shù)和參數(shù)選擇的比較研究[J];福建電腦;2009年06期

2 李瑩,歐陽楷;長期腦電中癲癇波自動檢測方法[J];國外醫(yī)學.生物醫(yī)學工程分冊;2004年06期

3 周建芳;羅曉曙;胡葉容;;腦電信號的樣本熵分析[J];廣西物理;2007年02期

4 莊建軍;寧新寶;都思丹;王振洲3;霍鋮宇;楊希;范愛華;;過速型室性心律失常事件的短時非線性心率變異性預測[J];科學通報;2008年05期

5 范維,劉曉燕;兒童癲沲發(fā)作前期腦電復雜性的分析[J];臨床神經(jīng)電生理學雜志;2003年02期

6 趙龍蓮;伍文清;胡廣書;;基于腦電反饋的難治性癲癇病人的近似熵分析[J];清華大學學報(自然科學版)網(wǎng)絡.預覽;2009年03期

7 劉治遠;解玲麗;陳子怡;黃瑞梅;李小江;周毅;;基于近似熵的癲癇發(fā)作預測研究[J];生物醫(yī)學工程研究;2011年01期

8 吳小培,馮煥清,周荷琴,王濤;基于混合小波變換的瞬態(tài)信號檢測方法[J];生物醫(yī)學工程學雜志;2001年01期

9 白冬梅;邱天爽;李小兵;;樣本熵及在腦電癲癇檢測中的應用[J];生物醫(yī)學工程學雜志;2007年01期

10 王興元;孟娟;邱天爽;;基于獨立分量分析算法研究兒童癲癇腦電的混沌動力學特征[J];生物醫(yī)學工程學雜志;2007年04期

，

本文編號：778241