發(fā)布時間：2020-06-28 06:16

【摘要】：癲癇是一種發(fā)病規(guī)律難以預(yù)測的腦神經(jīng)系統(tǒng)疾病,嚴(yán)重困擾著人類健康。腦電圖(Electroencephalogram,EEG)可以記錄大腦神經(jīng)元系統(tǒng)電位變化情況,是癲癇診斷過程中重要手段。癲癇發(fā)作時腦部周期性高頻率放電,產(chǎn)生棘波、尖波、慢波、棘慢復(fù)合波等特征波都可以通過EEG體現(xiàn)出來。目前臨床上對癲癇的檢測是通過觀察、對比不同階段的EEG從而對人體的狀況做出判斷,從直觀的角度確定患者的癲癇疾病所屬類型、推斷出潛伏期、確定治療方案或手術(shù)部位,這通常需要對癲癇病人的腦電信號進(jìn)行長期地監(jiān)測。這個過程產(chǎn)生的EEG數(shù)據(jù)量龐大,依靠醫(yī)療工作者的肉眼去診斷耗時耗力,且依據(jù)工作經(jīng)驗、診斷習(xí)慣和判斷標(biāo)準(zhǔn)的不同,會產(chǎn)生偏差或者誤診。基于此,研究出一種能夠應(yīng)用于實現(xiàn)癲癇腦電信號自動檢測的方法,意義重大。針對腦電信號復(fù)雜細(xì)致的特點,直接基于腦電信號的特征提取會使大量細(xì)節(jié)丟失,本文在腦電信號特征提取步驟上提出了一種基于靈活分析小波變換(Flexible Analytic Wavelet Transform,FAWT)的時頻分析自動檢測方法,通過實驗數(shù)據(jù)驗證了該方法的有效性。EEG的處理流程如下:首先,應(yīng)用FAWT對信號進(jìn)行分解重構(gòu),多尺度變換使重構(gòu)信號比原始信號更細(xì)膩;其次,應(yīng)用窗口寬度為256點,重疊數(shù)為200的短時傅里葉變換(Short-Time Fourier Transform)提取出EEG時頻特征。然后,非負(fù)矩陣分解(Non-negative Matrix Factorization,NMF)對樣本的時頻特征矩陣降維。最后,將降維后的時頻特征送入遺傳算法優(yōu)化的支持向量機(jī)(Support Vector Machine,SVM)中分類,以準(zhǔn)確率為主要評價指標(biāo),程序運(yùn)行10次,得出識別分類結(jié)果的平均準(zhǔn)確率為99%。上述是本文提出自動檢測方法的基本步驟,在上述工作上,本文還做了多組對比實驗,包括:1.尋找FAWT的最佳分解層數(shù)。由于不同分解層數(shù)下EEG被分解的細(xì)致程度差異較大,本文在實驗中使FAWT的分解層數(shù)J從1變換到16,將各個J值下分類準(zhǔn)確率對比,實驗結(jié)果表明J為6時分類準(zhǔn)確率最高。2.確定FAWT的重構(gòu)方式。針對不同重構(gòu)方式下EEG被細(xì)化的頻段不同,準(zhǔn)確率結(jié)果差別較大的問題,本文在實驗中對比了四種重構(gòu)方法,實驗結(jié)果表明,第一種重構(gòu)方式下,高頻段信息和較低頻段信息被充分保留,分類的準(zhǔn)確率最高。3.對比FAWT、可調(diào)Q因子小波變換(Tunable Q-factor Wavelet Transform,TQWT)和離散小波變換(Discrete Wavelet Transform,DWT)的多尺度時頻分析性能。實驗結(jié)果表明,FAWT進(jìn)行6層分解以第一種方式重構(gòu)時,準(zhǔn)確率高于TQWT和DWT。4.對比STFT和快速傅里葉變換(Fast Fourier Transform,FFT)的時頻特征。為了使實驗結(jié)果更加客觀,實驗中調(diào)節(jié)STFT時頻窗口大小,令STFT和FFT提取的時頻特征個數(shù)一致,實驗準(zhǔn)確率表明,STFT的時頻分析性能優(yōu)于FFT。5.對比NMF、因子分析(Factor Analysis,FA)和奇異值分解(Singular Value Decomposition,SVD)降維性能,使降維維度k從1變化到30,從準(zhǔn)確率變化曲線和時間上分析。結(jié)果表明,NMF對高維數(shù)據(jù)的降維性能優(yōu)于FA和SVD。6.驗證本文方法的有效性。將本文準(zhǔn)確率與近幾年該領(lǐng)域內(nèi)文獻(xiàn)準(zhǔn)確率對比,結(jié)果表明本文準(zhǔn)確率高于其他文獻(xiàn)。
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：R742.1;TN911.7
【圖文】：

醫(yī)療水平的革新，人們開始嘗試在大腦內(nèi)植入電極，用相應(yīng)的腦電分析儀來理腦電信號，使數(shù)據(jù)更加精細(xì)化、準(zhǔn)確化�！斑\(yùn)動想象”概念的提出，人們開用“意念”（實則為想象某個運(yùn)動時大腦中電位信號的變化）控制一些簡單的作，旨在為殘疾人或者身體某個部位不太靈活人群帶來更多生活上的便利。中在 2015 年提出“一體兩翼”的腦計劃并列入十三五規(guī)劃中，一體即以“認(rèn)識”為主體，兩翼以“保護(hù)腦”、“模擬腦”為目標(biāo)，腦電信號學(xué)習(xí)與研究被提到戰(zhàn)略性的高度上來。腦電信號的研究是癲癇腦電信號自動檢測的基礎(chǔ)，歷經(jīng)上述幾十年的發(fā)展，系逐步完善，方法不斷充實，認(rèn)識不斷創(chuàng)新，已經(jīng)成為人類對腦認(rèn)識、腦學(xué)習(xí)、控制的重要組成部分�？茖W(xué)家們嘔心瀝血的理論與實踐表明，癲癇腦電的自動測過程包括以下 3 個部分[8]：腦電信號的預(yù)處理——腦電信號的特征提取——電信號的模式識別，流程圖如圖 1.1。其中預(yù)處理是一個去噪的過程，將腦電號中的眼電偽跡、心電偽跡、肌電偽跡以及其他噪聲去除，得到較為純凈的腦信號。

電信號產(chǎn)生機(jī)理和組成成分是人體的控制中心，結(jié)構(gòu)復(fù)雜而又精巧，影響著人類的心理和生理講，大腦是由成千上萬的神經(jīng)元細(xì)胞組成的，這些細(xì)胞在人體處于表現(xiàn)出內(nèi)負(fù)外正的靜息電位，當(dāng)受到刺激后，鉀、鈉離子通過細(xì)胞活動完成一個電位活動，產(chǎn)生一個電位差[18]。電位活動不斷傳遞，興奮的地方，而這個過程常常是及其短暫的。神經(jīng)元細(xì)胞由三部分樹突（細(xì)胞體上大量的短纖維）和軸突（一段很長的神經(jīng)纖維）。分為突觸終末并與其它神經(jīng)元或效應(yīng)器的細(xì)胞接觸形成突觸。大部細(xì)胞體的樹突基部，部分突觸集中在頂樹突。神經(jīng)細(xì)胞相互之間通鍵）傳遞信息。一個神經(jīng)細(xì)胞通常覆蓋著幾千個突觸。當(dāng)神經(jīng)元活傳入信息，傳向細(xì)胞體，軸突把信號輸出到另一個細(xì)胞[19]。如圖 就是通過這些神經(jīng)元細(xì)胞的電位活動傳達(dá)著控制肢體、思想行為、的信息。

【參考文獻(xiàn)】

相關(guān)期刊論文 前9條

1 席敏;朱國魂;;多尺度排列熵及其在癲癇發(fā)作識別中的應(yīng)用[J];生物醫(yī)學(xué)工程學(xué)雜志;2015年04期

2 莫家慶;王宏;許亮;俞瀟;呂小毅;;基于DWT和MFCC的振動信號特征參數(shù)提取方法[J];新疆大學(xué)學(xué)報(自然科學(xué)版);2015年03期

3 盧艷軍;周小敏;任艷;房芮;;基于遺傳算法優(yōu)化支持向量機(jī)的輻射測溫方法[J];沈陽航空航天大學(xué)學(xué)報;2015年03期

4 計雨含;王曉東;姚宇;;基于張量奇異值分解的人臉識別方法[J];計算機(jī)應(yīng)用;2015年S1期

5 張濤;陳萬忠;李明陽;;基于AdaBoost算法的癲癇腦電信號識別[J];物理學(xué)報;2015年12期

6 王瑩;侯鳳貞;戴加飛;劉新峰;李錦;王俊;;改進(jìn)的相對轉(zhuǎn)移熵的癲癇腦電分析[J];物理學(xué)報;2014年21期

7 孟慶芳;陳珊珊;陳月輝;馮志全;;基于遞歸量化分析與支持向量機(jī)的癲癇腦電自動檢測方法[J];物理學(xué)報;2014年05期

8 張鵬;李紅斌;;一種基于離散小波變換的諧波分析方法[J];電工技術(shù)學(xué)報;2012年03期

9 胡麗瑩;肖蓬;;快速傅里葉變換在頻譜分析中的應(yīng)用[J];福建師范大學(xué)學(xué)報(自然科學(xué)版);2011年04期

相關(guān)博士學(xué)位論文 前1條

1 張艷麗;癲癇腦電的分形分析及自動檢測方法研究[D];山東大學(xué);2016年

本文編號：2732665