【摘要】：癲癇是神經(jīng)系統(tǒng)疾病中較多發(fā)的一類(lèi),會(huì)對(duì)人體造成極大的身心傷害,自動(dòng)、準(zhǔn)確地識(shí)別出癲癇發(fā)作的起止點(diǎn)有助于及時(shí)對(duì)患者進(jìn)行治療。本文結(jié)合機(jī)器學(xué)習(xí)方法對(duì)癲癇發(fā)作的自動(dòng)識(shí)別算法進(jìn)行研究,并基于CHB-MIT數(shù)據(jù)庫(kù)中24位病人129次癲癇發(fā)作病例的數(shù)據(jù),以每2秒為單位處理對(duì)算法進(jìn)行驗(yàn)證。首先,運(yùn)用支持向量機(jī)的方法對(duì)癲癇腦電信號(hào)進(jìn)行識(shí)別。在小波分解獲得腦電信號(hào)的四個(gè)特征頻段信號(hào)的基礎(chǔ)上,分別提取其時(shí)域信號(hào)方差、頻域能量和小波能量特征構(gòu)成12維特征向量。采用支持向量機(jī)進(jìn)行分類(lèi),并提出患者特異的最佳閾值的多通道聯(lián)合方法改進(jìn)分類(lèi)結(jié)果。測(cè)試結(jié)果顯示,所有患者的平均準(zhǔn)確率為80.53%,平均真陽(yáng)性率為76.06%,平均假陽(yáng)性率為11.00%,平均癲癇發(fā)作起止點(diǎn)的識(shí)別偏差為11.5秒。其次,運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)方法對(duì)癲癇腦電信號(hào)進(jìn)行識(shí)別。對(duì)腦電信號(hào)進(jìn)行時(shí)頻聯(lián)合分析,通過(guò)短時(shí)傅里葉變換將2s腦電信號(hào)轉(zhuǎn)化為頻率范圍在32Hz以?xún)?nèi)的二維時(shí)頻圖像。采用LeNet-5結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分類(lèi),并提出多通道聯(lián)合方法提高分類(lèi)器性能。測(cè)試結(jié)果顯示,所有患者基于32×32時(shí)頻圖像的平均識(shí)別準(zhǔn)確率為90.13%,平均真陽(yáng)性率為96.50%,平均假陽(yáng)性率為7%,平均癲癇發(fā)作起止點(diǎn)的識(shí)別偏差為5.3秒。并從兼顧識(shí)別算法的精度與運(yùn)算速度的角度比較了32×32、64×64、128×128和256×256大小的時(shí)頻圖像對(duì)算法準(zhǔn)確率的敏感性,得出32×32大小的時(shí)頻圖最佳的結(jié)論。之后,分析了迭代次數(shù)、學(xué)習(xí)速率初值、沖量、權(quán)重衰減率等訓(xùn)練參數(shù)對(duì)卷積神經(jīng)網(wǎng)絡(luò)模型造成的影響,并提出采用已有的網(wǎng)絡(luò)參數(shù)作為后續(xù)網(wǎng)絡(luò)訓(xùn)練參數(shù)初值的微調(diào)方法,從而減少訓(xùn)練時(shí)間。最后,從特征提取、訓(xùn)練參數(shù)、分類(lèi)器和實(shí)驗(yàn)結(jié)果四個(gè)方面對(duì)本文提出的基于支持向量機(jī)和基于卷積神經(jīng)網(wǎng)絡(luò)的分類(lèi)方法進(jìn)行對(duì)比。結(jié)果表明,本文中基于卷積神經(jīng)網(wǎng)絡(luò)的分類(lèi)方法從各類(lèi)指標(biāo)上均優(yōu)于基于支持向量機(jī)的分類(lèi)方法。本文的研究結(jié)果為癲癇狀態(tài)腦電信號(hào)的自動(dòng)識(shí)別提供了理論基礎(chǔ),有助于癲癇臨床治療方案的研究。
【圖文】：

圖 1-1 腦電圖中的常見(jiàn)病態(tài)波形[12]種波形分類(lèi)為癲癇樣異常放電（Interictal Epileptic Discharge，可以記錄到。診斷癲癇發(fā)作最有效的方法就是對(duì)腦電圖進(jìn)行檢由有經(jīng)驗(yàn)的醫(yī)學(xué)工作者對(duì)腦電圖進(jìn)行視覺(jué)檢查并制定治療方案現(xiàn)了人分析主觀(guān)性突出、大量耗時(shí)、監(jiān)測(cè)準(zhǔn)確率不高等問(wèn)題。電圖自動(dòng)檢測(cè)技術(shù)可以實(shí)現(xiàn)對(duì)癲癇狀態(tài)自動(dòng)、有效識(shí)別和癲癇

第 2 章 基于支持向量機(jī)的癲癇腦電信號(hào)分類(lèi)第 2 章 基于支持向量機(jī)的癲癇腦電信號(hào)分類(lèi)2.1 數(shù)據(jù)集CHB-MIT 數(shù)據(jù)庫(kù)中共有 24 個(gè)患者數(shù)據(jù)，患者年齡從 3 歲到 22 歲不等，每個(gè)患者均在停藥的情況下（排除藥物因素的干擾）同時(shí)監(jiān)測(cè) 23 個(gè)通道 46 個(gè)小時(shí)，，每位患者每一次發(fā)作狀態(tài)的起始和結(jié)束時(shí)間均已知[44]。以 256Hz 的頻率對(duì)腦電數(shù)據(jù)進(jìn)行采樣，數(shù)據(jù)分辨率為 16bit，使用 10-20 雙極導(dǎo)聯(lián)記錄，Physionet 網(wǎng)站上給出導(dǎo)聯(lián)貼放位置如圖 2-1 所示。
【學(xué)位授予單位】：天津大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類(lèi)號(hào)】：R742.1;TN911.6

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 尹寶才;王文通;王立春;;深度學(xué)習(xí)研究綜述[J];北京工業(yè)大學(xué)學(xué)報(bào);2015年01期

2 烏建中;陶益;;基于短時(shí)傅里葉變換的風(fēng)機(jī)葉片裂紋損傷檢測(cè)[J];中國(guó)工程機(jī)械學(xué)報(bào);2014年02期

3 李宏斌;徐楚林;溫周斌;;基于短時(shí)傅里葉變換的異常音檢測(cè)方法[J];聲學(xué)技術(shù);2014年02期

4 劉仙;馬百旺;冀俊娥;李小俚;;神經(jīng)群模型中癲癇狀棘波的UKF控制研究[J];生物醫(yī)學(xué)工程學(xué)雜志;2013年06期

5 周進(jìn)登;王曉丹;周紅建;;基于混淆矩陣的自適應(yīng)糾錯(cuò)輸出編碼多類(lèi)分類(lèi)方法[J];系統(tǒng)工程與電子技術(shù);2012年07期

6 吳敏;韋志輝;湯黎明;孫玉寶;劉鐵兵;;一種基于小波變換的腦電信號(hào)癲癇特征波的識(shí)別算法[J];中國(guó)醫(yī)療設(shè)備;2008年04期

7 劉澤華;谷立臣;;基于頻域能量特征的故障分類(lèi)方法研究[J];液壓與氣動(dòng);2007年03期

8 劉鐵兵;湯黎明;吳敏;;基于獨(dú)立分量分析技術(shù)的癲癇腦電信號(hào)處理系統(tǒng)的研究[J];中國(guó)醫(yī)療器械雜志;2007年01期

9 李昌強(qiáng),黃力宇,鞠烽熾,黃遠(yuǎn)桂,程敬之;癲癇腦電的雙譜特性研究[J];北京生物醫(yī)學(xué)工程;2004年01期

10 游榮義,徐慎初;腦電信號(hào)的高階奇異譜分析[J];生物物理學(xué)報(bào);2003年02期

本文編號(hào)：2615800