本文關鍵詞： 癲癇 腦電圖 非平衡數據集 特征提取 中心核半徑 超限學習機(ELM) 支撐向量機(SVM)　出處：《西北大學》2017年碩士論文　論文類型：學位論文

【摘要】：癲癇是一種常見的神經系統(tǒng)紊亂疾病,以反復、突發(fā)的癲癇性發(fā)作為主要特點,嚴重危害著人類的日常生活乃至生命。傳統(tǒng)的癲癇檢測方法是醫(yī)生根據自身的經驗結合病人的腦電圖進行視覺診斷完成的,但由于監(jiān)測過程中會產生海量的非平衡數據,從而會造成傳統(tǒng)方法十分耗時、主觀性強等缺點。因此,利用計算機技術進行癲癇性發(fā)作的自動檢測成為近幾年來的研究熱點。作為一種典型的非平衡數據,如何對獲取的長時程腦電數據進行恰當的平衡預處理,以及如何設計合適的腦電特征提取方法是完成這一過程的兩個關鍵環(huán)節(jié)�；诖�,本文分別從腦電信號的平衡處理以及特征提取兩個角度出發(fā),設計了一種恰當有效的用于癲癇性發(fā)作自動檢測的非平衡數據處理方法,同時提出了一種新的癲癇腦電特征提取方法。主要工作內容如下:第一章系統(tǒng)地闡述了癲癇性發(fā)作自動檢測的研究背景及現狀;第二章簡要地闡述癲癇及腦電圖,并對癲癇性發(fā)作自動檢測中常用的數據庫以及分類器做了簡單介紹。第三章基于K-means、Silhouette指標以及M-近鄰下采樣提出了一種新的數據平衡方法K-M-S,并通過數值實驗對該方法的有效性進行了驗證。第四章基于非線性動力系統(tǒng)提出一種新的腦電特征提取方法中心核半徑(Kernel Radius-based Feature,KRF),并通過數值試驗驗證了該特征的有效性。
[Abstract]:Epilepsy is a common nervous system disorder disease, with repeated, sudden epileptic hair as the main characteristics. The traditional epilepsy detection method is based on the doctor's own experience combined with the patient's electroencephalogram (EEG) for visual diagnosis. However, due to the monitoring process will produce a large amount of unbalanced data, which will lead to the traditional method is very time-consuming, strong subjectivity and other shortcomings. Automatic detection of epileptic seizures using computer technology has become a hot topic in recent years. As a typical non-equilibrium data, how to do the proper balanced preprocessing of the obtained long-term EEG data. And how to design appropriate EEG feature extraction method is the two key links to complete the process. Based on this, this paper starts from the two angles of EEG balanced processing and feature extraction. A suitable and effective non-equilibrium data processing method for the automatic detection of epileptic seizures was designed. At the same time, a new method of feature extraction of epileptic EEG is proposed. The main work is as follows: the first chapter systematically describes the background and present situation of the automatic detection of epileptic seizures; The second chapter briefly describes epilepsy and EEG, and makes a brief introduction to the database and classifier commonly used in the automatic detection of epileptic seizures. Chapter 3 is based on K-means. A new data balance method, K-M-S, is proposed for Silhouette index and M-nearest neighbor down-sampling. The effectiveness of the method is verified by numerical experiments. In Chapter 4th, a new method for extracting EEG features is proposed based on nonlinear dynamic systems. Kernel Radius-based Feature. The effectiveness of this feature is verified by numerical experiments.
【學位授予單位】：西北大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：R742.1;TN911.7

【相似文獻】

相關期刊論文 前10條

1 李海霞;王階;孫占全;何慶勇;吳榮;張繼紅;西廣成;胡元會;;基于生物信息特征提取的中醫(yī)辨證[J];北京中醫(yī)藥大學學報;2007年12期

2 葛丁飛;李小梅;;心電信號多周期融合特征提取和分類研究[J];中國生物醫(yī)學工程學報;2006年06期

3 張紹武;潘泉;趙春暉;程詠梅;;基于加權自相關函數特征提取法的多類蛋白質同源寡聚體分類研究[J];生物醫(yī)學工程學雜志;2007年04期

4 薛建中,鄭崇勛,閆相國;快速多變量自回歸模型的意識任務的特征提取與分類[J];西安交通大學學報;2003年08期

5 楊曉敏,羅立民;白細胞自動分類中的特征提取和分析[J];北京生物醫(yī)學工程;1992年04期

6 王雙維;樊曉平;廖志芳;;一種激光誘導熒光光譜特征提取新方法[J];計算機工程與應用;2008年12期

7 杜軍平,涂序彥;計算機圖像處理技術在舌像特征提取中的應用[J];中國醫(yī)學影像技術;2003年S1期

8 游佳;陳卉;;數字圖像中血管的分割與特征提取[J];生物醫(yī)學工程與臨床;2011年01期

9 謝軼峰;;乳腺超聲圖像腫瘤特征提取與腫瘤分類[J];中外醫(yī)療;2013年16期

10 吳澤暉,吳星;醫(yī)學圖象的邊緣特征提取[J];海南師范學院學報(自然科學版);2003年03期

相關會議論文 前10條

1 尚修剛;蔣慰孫;;模糊特征提取新算法[A];1997中國控制與決策學術年會論文集[C];1997年

2 潘榮江;孟祥旭;楊承磊;王銳;;旋轉體的幾何特征提取方法[A];第一屆建立和諧人機環(huán)境聯(lián)合學術會議（HHME2005）論文集[C];2005年

3 薛燕;李建良;朱學芳;;人臉識別中特征提取的一種改進方法[A];第十三屆全國圖象圖形學學術會議論文集[C];2006年

4 杜栓平;曹正良;;時間—頻率域特征提取及其應用[A];2005年全國水聲學學術會議論文集[C];2005年

5 黃先鋒;韓傳久;陳旭;周劍軍;;運動目標的分割與特征提取[A];全國第二屆信號處理與應用學術會議�？痆C];2008年

6 魏明果;;方言比較的特征提取與矩陣分析[A];2009系統(tǒng)仿真技術及其應用學術會議論文集[C];2009年

7 林土勝;賴聲禮;;視網膜血管特征提取的拆支跟蹤法[A];1999年中國神經網絡與信號處理學術會議論文集[C];1999年

8 秦建玲;李軍;;基于核的主成分分析的特征提取方法與樣本篩選[A];2005年中國機械工程學會年會論文集[C];2005年

9 劉紅;陳光，

本文編號：1476811