癲癇是一種因大腦神經(jīng)元過度放電所引起的神經(jīng)系統(tǒng)疾病。腦電圖包含了大量的生理和病理信息,是診斷癲癇的重要工具。臨床上,醫(yī)生通過視覺觀察患者的24小時(shí)腦電圖并結(jié)合發(fā)作史和家族病史進(jìn)行癲癇診斷。但龐大的腦電數(shù)據(jù)量使得視覺檢測(cè)腦電圖非常耗時(shí),并且醫(yī)務(wù)人員的主觀判斷也可能會(huì)對(duì)檢查結(jié)果產(chǎn)生影響。根據(jù)癲癇發(fā)作時(shí)腦電信號(hào)的特點(diǎn),研究基于信號(hào)處理和機(jī)器學(xué)習(xí)的癲癇腦電信號(hào)自動(dòng)分類算法具有重要意義。它能夠極大地減輕醫(yī)生的工作負(fù)擔(dān),提高癲癇患者的生活品質(zhì),為研究癲癇發(fā)病機(jī)理提供新的途徑,受到了越來越多研究者的關(guān)注。然而癲癇發(fā)作時(shí)神經(jīng)元放電的復(fù)雜性和多樣性特點(diǎn),給自動(dòng)分類算法帶來了挑戰(zhàn)。針對(duì)現(xiàn)有癲癇腦電信號(hào)自動(dòng)分類算法魯棒性和泛化能力較差的問題,本文將分布熵和模糊熵進(jìn)行融合,提出模糊分布熵、復(fù)值分布熵和復(fù)值模糊分布熵三種嵌入熵算法,分別針對(duì)基于嵌入熵的腦電信號(hào)自動(dòng)分類算法的計(jì)算復(fù)雜度高且對(duì)嵌入熵參數(shù)敏感、基于嵌入熵的特征提取方法無法兼顧幅值和相位導(dǎo)致相位信息的丟失、基于傳統(tǒng)小波變換的腦電信號(hào)自動(dòng)分類算法魯棒性和泛化能力較差這三問題展開研究,探索結(jié)合時(shí)頻變換和非線性動(dòng)力學(xué)分析的多域聯(lián)合分析法在癲癇輔助診斷的有效性... 

【文章來源】：吉林大學(xué)吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：142 頁

【學(xué)位級(jí)別】：博士

【部分圖文】：

閉環(huán)癲癇腦電信號(hào)輔助診斷系統(tǒng)

吉林大學(xué)博士學(xué)位論文復(fù)雜度較高、基于非線性動(dòng)力學(xué)特征提取方法很難同時(shí)兼顧信號(hào)的幅值和相位，造成相位信息的丟失以及基于傳統(tǒng)小波變換的腦電信號(hào)自動(dòng)分類算法魯棒性和泛化能力較差等問題，本文在多域聯(lián)合分析法這一的基本框架下，以分布熵為出發(fā)點(diǎn)并結(jié)合模糊熵，依次提出模糊分布熵（Fuzzy Distribution Entropy, FDistEn）、復(fù)值分布熵（Complex-valued Distribution Entropy, CDistEn）和復(fù)值模糊分布熵（Complex-valuedFuzzy Distribution Entropy, CFDistEn）。在此基礎(chǔ)上，以“時(shí)頻表征+非線性動(dòng)力學(xué)分析”為指導(dǎo)思想，研究了聯(lián)合小波變換和改進(jìn)嵌入熵的特征提取算法，并采用最近鄰等分類器對(duì)腦電信號(hào)進(jìn)行模式分類。本文各研究內(nèi)容之間的邏輯關(guān)系如圖 1.3 所示。

續(xù)三章使用的癲癇腦電數(shù)據(jù)集以及用于評(píng)估分類算法性能的評(píng)價(jià)指標(biāo)，為后續(xù)章節(jié)癲癇腦電信號(hào)自動(dòng)分類算法的分析和評(píng)價(jià)提供參考和依據(jù)。2.1 癲癇腦電信號(hào)自動(dòng)分類算法框架癲癇腦電信號(hào)的自動(dòng)分類是在神經(jīng)科學(xué)和病理學(xué)的基礎(chǔ)上，結(jié)合信號(hào)處理、模式識(shí)別和智能系統(tǒng)的交叉學(xué)科研究領(lǐng)域。一個(gè)完整的癲癇腦電信號(hào)自動(dòng)分析系統(tǒng)由：預(yù)處理、特征提取、特征選擇、模式分類和后處理共五部分構(gòu)成，自動(dòng)分類算法的原理框圖如圖 2.1 所示。在離線系統(tǒng)訓(xùn)練階段，按照預(yù)處理、特征提取、特征選擇和模式分類的步驟對(duì)帶有類別標(biāo)簽的腦電數(shù)據(jù)進(jìn)行處理，建立能夠區(qū)分非癲癇發(fā)作期和癲癇發(fā)作期腦電信號(hào)的檢測(cè)模型；在在線系統(tǒng)測(cè)試階段，對(duì)標(biāo)簽未知的腦電數(shù)據(jù)進(jìn)行同樣的操作，得到相應(yīng)腦電數(shù)據(jù)的預(yù)測(cè)結(jié)果，最后根據(jù)需要進(jìn)行適當(dāng)?shù)暮筇幚硪詫?shí)現(xiàn)對(duì)異常腦電信號(hào)的準(zhǔn)確識(shí)別和自動(dòng)標(biāo)記。借助于癲癇腦電信號(hào)自動(dòng)分析系統(tǒng)，在對(duì)患者的腦電圖進(jìn)行判讀時(shí)，醫(yī)生可重點(diǎn)查看被分析系統(tǒng)標(biāo)記為異常的腦電記錄，從而實(shí)現(xiàn)癲癇臨床輔助診斷的目的。

【參考文獻(xiàn)】：
期刊論文
[1]基于Shearlet變換和峰度特性的井中微地震初至波拾取[J]. 李娟,計(jì)碩,李月,錢志鴻.  吉林大學(xué)學(xué)報(bào)(工學(xué)版). 2019(01)
[2]基于主成分分析的特征頻率提取算法及應(yīng)用[J]. 李振,李偉光,趙學(xué)智,鄭相立.  振動(dòng).測(cè)試與診斷. 2018(04)
[3]采用核主成分分析和相關(guān)向量機(jī)的人體運(yùn)動(dòng)意圖識(shí)別[J]. 劉磊,楊鵬,劉作軍,宋寅卯.  機(jī)器人. 2017(05)
[4]用于癲癇EEG分析的排列模糊熵新算法[J]. 王慧云,竇大慶,曹銳,王彬,劉桂青,相潔.  太原理工大學(xué)學(xué)報(bào). 2017(01)
[5]基于改進(jìn)混沌算子的癲癇前期預(yù)測(cè)研究[J]. 黃小娜,周佐,王鵬翔,張兆基,熊麗.  自動(dòng)化與儀器儀表. 2016(02)
[6]基于AdaBoost算法的癲癇腦電信號(hào)識(shí)別[J]. 張濤,陳萬忠,李明陽.  物理學(xué)報(bào). 2015(12)
[7]基于多小波基多信源融合異常值剔除方法研究[J]. 卓寧.  宇航計(jì)測(cè)技術(shù). 2012(06)
[8]癲癇:全球重點(diǎn)防治的神經(jīng)精神疾病[J]. 秦兵,廖衛(wèi)平,臼井直敬,寺田清人,井上有史.  實(shí)用醫(yī)學(xué)雜志. 2012(13)
[9]基于Hurst指數(shù)和SVM的癲癇腦電檢測(cè)方法[J]. 蔡冬梅,周衛(wèi)東,劉凱,李淑芳,耿淑娟.  中國生物醫(yī)學(xué)工程學(xué)報(bào). 2010(06)
[10]多小波基多尺度多傳感器數(shù)據(jù)融合[J]. 任亞飛,柯熙政.  傳感器與微系統(tǒng). 2010(09)

博士論文
[1]基于EEG和ERP信號(hào)分析的情感認(rèn)知研究[D]. 暢江.太原理工大學(xué) 2018

碩士論文
[1]基于提升小波變換的簡支梁損傷識(shí)別方法研究[D]. 王曉春.天津大學(xué) 2017
[2]基于壓縮傳感的輸電線路絕緣子泄漏電流數(shù)據(jù)壓縮研究[D]. 陳青.華北電力大學(xué) 2011



本文編號(hào)：3372474