本文關(guān)鍵詞：基于熵測度與支持向量機(jī)的腦電信號分類方法研究

  更多相關(guān)文章： 近似熵 樣本熵 支持向量機(jī) 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(xué)研究與醫(yī)學(xué)應(yīng)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(xì)胞總體電活動的反應(yīng),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(fù)雜的行為與非線性動力學(xué)特性。癲癇俗稱羊角風(fēng),是一種慢性神經(jīng)紊亂疾病,它發(fā)作時(shí)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(fù)雜的非線性動力學(xué)系統(tǒng),非線性動力學(xué)方法被廣泛地應(yīng)用于分析EEG信號。本文在非線性動力學(xué)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(jìn)近似熵的癲癇腦電特征提取方法和基于樣本熵和改進(jìn)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(jìn)近似熵、樣本熵、改進(jìn)樣本熵；然后應(yīng)用所求的熵測度值作為癲癇腦電信號的特征進(jìn)行分類。熵測度是一種基于復(fù)雜度的非線性時(shí)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(jìn)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(shí)間序列的效率。 根據(jù)癲癇發(fā)作時(shí)大腦系統(tǒng)復(fù)雜度程度與正常大腦復(fù)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(jìn)行分類,另一種是采用熵測度方法和支持向量機(jī)(SVM)相結(jié)合的癲癇腦電信號分類方法,將近似熵值、樣本熵值、改進(jìn)的近似熵值和改進(jìn)的樣本熵值作為分類器的分類特征進(jìn)行分類。 隨著統(tǒng)計(jì)學(xué)習(xí)理論的不斷發(fā)展與完善,SVM(支持向量機(jī))作為一種新穎的回歸分類工具得到廣泛應(yīng)用。SVM綜合考慮了VC維和結(jié)構(gòu)風(fēng)險(xiǎn)的影響,被廣泛地應(yīng)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(gè)特征空間中存在一個(gè)最優(yōu)分類面或超平面能將特征空間分為兩個(gè)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(jī)作為分類器,應(yīng)用到癲癇腦電自動檢測分類算法中來,而支持向量機(jī)的分類特征即為前述所提取出的近似熵、樣本熵、改進(jìn)的近似熵和改進(jìn)的樣本熵。 實(shí)驗(yàn)結(jié)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(biāo)準(zhǔn)差到2倍標(biāo)準(zhǔn)差區(qū)間內(nèi)不斷升高,最高分類準(zhǔn)確率達(dá)87.25%。在分類正確率上,SVM非線性分類比單獨(dú)使用非線性特征進(jìn)行線性分類的算法精度得到提高。結(jié)合線性特征進(jìn)行非線性分類又比只應(yīng)用非線性特征進(jìn)行非線性分類的分類準(zhǔn)確率又有提高。而在四個(gè)熵組合的情況下,分類準(zhǔn)確率達(dá)到了96.00%。
【關(guān)鍵詞】：近似熵 樣本熵 支持向量機(jī) 腦電信號 特征提取 分類
【學(xué)位授予單位】：山東大學(xué)
【學(xué)位級別】：碩士
【學(xué)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(diǎn)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(jìn)算法21-27
• 2.1 概述21
• 2.2 近似熵方法21-22
• 2.3 改進(jìn)的近似熵方法22-24
• 2.4 樣本熵24-25
• 2.5 改進(jìn)的樣本熵方法25-27
• 第三章 支持向量機(jī)分類模型27-36
• 3.1 概述27-28
• 3.1.1 機(jī)器學(xué)習(xí)27
• 3.1.2 支持向量機(jī)的發(fā)展歷史27-28
• 3.2 支持向量機(jī)的理論基礎(chǔ)28-30
• 3.2.1 期望風(fēng)險(xiǎn)最小化28
• 3.2.2 經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化28-29
• 3.2.3 VC維29
• 3.2.4 經(jīng)驗(yàn)風(fēng)險(xiǎn)與真實(shí)風(fēng)險(xiǎn)的關(guān)系29-30
• 3.3 支持向量機(jī)理論簡介30-34
• 3.4 支持向量機(jī)的優(yōu)點(diǎn)34
• 3.5 支持向量機(jī)的實(shí)現(xiàn)34-35
• 3.6 本章小結(jié)35-36
• 第四章 基于近似熵、樣本熵及其改進(jìn)算法的癲癇腦電分類36-49
• 4.1 概述36-37
• 4.2 實(shí)驗(yàn)數(shù)據(jù)集37
• 4.2.1 數(shù)據(jù)集37
• 4.2.2 實(shí)驗(yàn)數(shù)據(jù)集37
• 4.3 分類算法效果評價(jià)指標(biāo)37-40
• 4.4 基于近似熵與改進(jìn)的近似熵的癲癇腦電分類結(jié)果與分析40-44
• 4.5 基于樣本熵與改進(jìn)的樣本熵的癲癇腦電分類結(jié)果與分析44-48
• 4.6 本章小結(jié)48-49
• 第五章 基于支持向量機(jī)的癲癇腦電分類49-54
• 5.1 概述49-51
• 5.1.1 測試樣本與訓(xùn)練樣本的選取50
• 5.1.2 實(shí)驗(yàn)效果評價(jià)指標(biāo)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(jié)果與分析51-53
• 5.3 本章小結(jié)53-54
• 結(jié)束語54-56
• 參考文獻(xiàn)56-61
• 致謝61-62
• 學(xué)位論文評閱及答辯情況表62

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 周奇;;對支持向量機(jī)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(xué).生物醫(yī)學(xué)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(shí)非線性心率變異性預(yù)測[J];科學(xué)通報(bào);2008年05期

5 范維,劉曉燕;兒童癲沲發(fā)作前期腦電復(fù)雜性的分析[J];臨床神經(jīng)電生理學(xué)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(xué)學(xué)報(bào)(自然科學(xué)版)網(wǎng)絡(luò).預(yù)覽;2009年03期

7 劉治遠(yuǎn);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(yù)測研究[J];生物醫(yī)學(xué)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(xué)工程學(xué)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(yīng)用[J];生物醫(yī)學(xué)工程學(xué)雜志;2007年01期

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

，

本文編號：778241