本文關(guān)鍵詞：腦電信號(hào)的特征分析與研究

  更多相關(guān)文章： 腦電信號(hào) 特征分析 樣本熵 雙譜 1.5維譜

【摘要】： 腦電信號(hào)包含了大量生理與病理信息,通過(guò)對(duì)腦電信號(hào)的處理,不僅可以為醫(yī)生提供臨床診斷的依據(jù),還可以為某些腦疾病提供有效的輔助治療手段。國(guó)內(nèi)外對(duì)于腦電信號(hào)進(jìn)行特性分析和特征提取的研究已經(jīng)取得了重大的進(jìn)展和成果。本文是在廣泛研讀國(guó)內(nèi)外有關(guān)腦電研究現(xiàn)狀和分析方法的相關(guān)資料基礎(chǔ)上,采用樣本熵、雙譜、1.5維譜等現(xiàn)代信號(hào)處理方法來(lái)研究腦電信號(hào)中蘊(yùn)藏的豐富信息,以期為臨床腦電信號(hào)的診斷提供一定的理論參考。本文的主要內(nèi)容可概括如下: (1)綜述了腦電研究的發(fā)展、腦電信號(hào)的采集、分類等基礎(chǔ)知識(shí)以及概述了一些腦電信號(hào)的現(xiàn)代分析方法,諸如時(shí)頻分析法、高階譜分析法、非線性分析法以及人工神經(jīng)網(wǎng)絡(luò)分析法,特別介紹了小波分析、雙譜分析、復(fù)雜度分析及神經(jīng)網(wǎng)絡(luò)分析在腦電信號(hào)處理中的應(yīng)用。 (2)針對(duì)近似熵算法存在的不足,采用近似熵的改進(jìn)算法—樣本熵,利用樣本熵對(duì)臨床已確診的癲癇病例與正常人的腦電數(shù)據(jù)進(jìn)行分析處理。仿真結(jié)果表明:癲癇患者發(fā)作期的樣本熵值總體上低于正常人,并且癲癇患者在發(fā)作期間的腦電樣本熵值較發(fā)作前有明顯降低,發(fā)作后又回到發(fā)作前的水平,這一變化特點(diǎn)與臨床診斷的病癥特點(diǎn)是基本一致的,這表明樣本熵有望為癲癇病的臨床診斷提供一種新的參考。 (3)通過(guò)計(jì)算不同狀態(tài)下16導(dǎo)腦電時(shí)間序列的峰度和斜度,研究了不同狀態(tài)下各導(dǎo)腦電信號(hào)的非線性和非高斯性。采用雙譜估計(jì)的直接方法對(duì)三種不同狀態(tài)下的腦電信號(hào)進(jìn)行分析,研究結(jié)果發(fā)現(xiàn)這三種狀態(tài)下的腦電信號(hào)雙譜結(jié)構(gòu)存在較大差異,驗(yàn)證了雙譜是腦電信號(hào)非線性分析的有效手段,能有效的提取蘊(yùn)涵在腦電信號(hào)中的豐富高階信息,有助于腦電自動(dòng)識(shí)別的實(shí)現(xiàn),為臨床腦電研究提供更多有益的輔助診斷信息。 (4)針對(duì)傳統(tǒng)的雙譜方法的缺點(diǎn),本文采用了一種新的二次相位耦合的分析方法—1.5維譜來(lái)分析腦電信號(hào),并通過(guò)仿真驗(yàn)證了算法的可行性。研究結(jié)果表明:1.5維譜分析方法能抑制附加在信號(hào)中的高斯噪聲,從而更易提取出有用的非高斯信號(hào),同時(shí)該方法有效地揭示了腦電信號(hào)內(nèi)部的二次相位耦合現(xiàn)象,極大地減少了計(jì)算量和降低了方法的復(fù)雜程度,可以有效地提取常規(guī)譜分析方法所無(wú)法獲得的有用信息。
【關(guān)鍵詞】：腦電信號(hào) 特征分析 樣本熵 雙譜 1.5維譜
【學(xué)位授予單位】：廣西師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2008
【分類號(hào)】：R318.04
【目錄】：

• 論文摘要3-4
• Abstract4-8
• 第一章 緒論8-12
• 1.1 本課題的來(lái)源8
• 1.2 本課題的研究背景和意義8
• 1.3 目前國(guó)內(nèi)外腦電信號(hào)研究動(dòng)態(tài)8-9
• 1.4 本文數(shù)據(jù)來(lái)源9-10
• 1.5 本文的主要工作及內(nèi)容10-11
• 1.6 本文的結(jié)構(gòu)11-12
• 第二章 腦電信號(hào)及其分析方法簡(jiǎn)介12-20
• 2.1 腦電的發(fā)展12
• 2.2 腦電信號(hào)的采集12-14
• 2.3 腦電波的分類14-15
• 2.4 腦電信號(hào)現(xiàn)代分析方法15-20
• 2.4.1 時(shí)頻分析法16
• 2.4.2 高階譜分析法16-17
• 2.4.3 非線性動(dòng)力學(xué)分析法17-18
• 2.4.4 人工神經(jīng)網(wǎng)絡(luò)分析法18-20
• 第三章 腦電信號(hào)的樣本熵分析20-29
• 3.1 近似熵20-23
• 3.1.1 近似熵的定義20-21
• 3.1.2 近似熵的性質(zhì)21-22
• 3.1.3 近似熵的快速算法22
• 3.1.4 近似熵的不足22-23
• 3.2 樣本熵23-24
• 3.2.1 樣本熵的算法23-24
• 3.2.2 樣本熵的性質(zhì)24
• 3.3 樣本熵在腦電信號(hào)中的應(yīng)用24-28
• 3.3.1 數(shù)據(jù)提取24-25
• 3.3.2 仿真結(jié)果25-28
• 3.4 本章小結(jié)28-29
• 第四章 雙譜分析方法及在腦電信號(hào)處理中的應(yīng)用29-38
• 4.1 雙譜的定義29-30
• 4.2 雙譜的性質(zhì)30-31
• 4.3 雙譜估計(jì)方法31-32
• 4.3.1 直接估計(jì)法31-32
• 4.3.2 間接估計(jì)法32
• 4.4 雙譜分析在腦電信號(hào)特征提取中的應(yīng)用32-37
• 4.4.1 腦電信號(hào)的非高斯性檢測(cè)32-33
• 4.4.2 腦電信號(hào)雙譜分析的仿真結(jié)果33-37
• 4.5 本章小結(jié)37-38
• 第五章 基于切片譜的腦電特征分析38-46
• 5.1 1.5 維譜的概念38
• 5.2 1.5 維譜的算法38-39
• 5.3 復(fù)數(shù)信號(hào)的1.5 維譜分析39-41
• 5.4 檢測(cè)算法的仿真分析41-43
• 5.5 1.5 維譜分析在腦電信號(hào)處理中的應(yīng)用43-45
• 5.6 結(jié)論45-46
• 第六章 結(jié)論與展望46-47
• 參考文獻(xiàn)47-51
• 讀碩期間已發(fā)表和待發(fā)表的論文目錄51-52
• 致謝52-53

【引證文獻(xiàn)】

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前4條

1 許人杰;信號(hào)二次相位耦合識(shí)別在機(jī)車故障診斷中的應(yīng)用研究[D];北京交通大學(xué);2012年

2 樊迎迎;基于HHT算法的EEG信號(hào)分析與研究[D];哈爾濱理工大學(xué);2012年

3 白璐;嚴(yán)重意識(shí)障礙患者對(duì)聲刺激的EEG響應(yīng)及其在有效性評(píng)估中的應(yīng)用[D];杭州電子科技大學(xué);2013年

4 霍麗艷;高階統(tǒng)計(jì)特性在動(dòng)態(tài)系統(tǒng)非線性特征識(shí)別中的應(yīng)用研究[D];華北電力大學(xué);2013年

，

本文編號(hào)：834599