本文關(guān)鍵詞：基于稀疏表示和特征提取的癲癇腦電分類識別方法研究

  更多相關(guān)文章： 癲癇腦電 遞歸量化分析 稀疏表示 字典學習

【摘要】：癲癇是一種神經(jīng)系統(tǒng)綜合疾病,發(fā)作時大腦神經(jīng)元異常放電,從而擾亂神經(jīng)系統(tǒng)生物電信號的傳遞活動,外在表現(xiàn)為身體抽搐、語言障礙、意識恍惚以及精神失常等,嚴重影響了患者正常的生活與工作。腦電圖包含大量的生理與病理的信息,獲取方便且對患者無任何創(chuàng)傷性損傷,是目前癲癇診斷中最有價值的一項輔助檢查。臨床中癲癇的診斷主要依靠腦電圖的視覺檢測,由于癲癇發(fā)作的不確定性,常常需要對患者的腦電波進行長期的實時監(jiān)測,檢測時間長、效率低,并且根據(jù)醫(yī)生的臨床經(jīng)驗及主觀判斷容易出現(xiàn)不一致的檢測情況。因此,高精度識別癲癇發(fā)作期腦電信號實現(xiàn)癲癇發(fā)作的自動檢測是值得努力的。結(jié)合大腦神經(jīng)系統(tǒng)的復雜性以及腦電信號非線性和非平穩(wěn)的特點,本文從兩方面研究癲癇腦電信號的分類識別問題:非線性特征提取方法和稀疏表示分類方法。非線性方法主要研究大腦系統(tǒng)功能狀態(tài)的變化特征,有利于揭示癲癇發(fā)作時大腦皮層異常放電機制,為研究系統(tǒng)復雜行為變化和癲癇腦電信號的分類識別提供了新的思想和方法。遞歸量化分析方法作為一種非線性動力學分析方法,定量描述了系統(tǒng)的周期性嵌入過程和確定性變化規(guī)律。當訓練樣本空間足夠大時,對于一個類別的物體,可以由訓練樣本中同類的樣本子空間近似來表示。稀疏表示來源于壓縮感知,突破了Nyquist采樣定理的限制,利用了l1范數(shù)最小化稀疏約束比較不同類別的訓練樣本對測試樣本的重構(gòu)誤差,實現(xiàn)對癲癇發(fā)作信號的高精度檢測與分類。具體研究內(nèi)容和創(chuàng)新點如下:(1)提出了基于遞歸量化分析(RQA)的癲癇腦電特征提取方法。首先對樣本數(shù)據(jù)進行相空間重構(gòu),然后計算癲癇腦電信號的遞歸圖,提取遞歸量化分析RQA參數(shù)值作為非線性特征,選取適當?shù)姆诸愰撝祵d癇發(fā)作期信號與正常腦電信號分離開來。為了進一步提高癲癇腦電自動檢測的精度,采用非線性和線性特征相結(jié)合的方法,將RQA量化值與變化系數(shù)、波動指數(shù)一起組成特征向量作為SVM的輸入,實現(xiàn)癲癇腦電的自動檢測。實驗結(jié)果表明提取的RQA特征值能較好地反映間歇期腦電與發(fā)作期腦電這兩種不同腦電狀態(tài)的非線性動力學特性。(2)提出了基于稀疏表示和小波變換的癲癇腦電分類識別方法。稀疏表示通過構(gòu)建過完備字典以及解決l1最小化問題,追求用最小數(shù)量的字典元素最優(yōu)地表示待測樣本。首先對癲癇腦電信號進行預處理,然后根據(jù)小波變換的時頻分析特性對癲癇腦電信號樣本進行多尺度分解得到各個頻率子帶�；谛〔l率子帶數(shù)據(jù)構(gòu)建字典,利用SRC模型將待測樣本的小波子帶表示為字典內(nèi)同頻率原子的線性組合,有助于EEG不同頻率范圍特征波形的識別。最后分別由發(fā)作期和間歇期的字典原子和稀疏表示系數(shù)對待測樣本進行重構(gòu),并計算冗余誤差,通過誤差大小判定測試樣本所屬的類別。(3)提出了基于K-SVD字典學習和稀疏表示的EEG信號分類方法。由于EEG信號是非平穩(wěn)的,首先利用經(jīng)驗模態(tài)分解(EMD)將EEG信號分解為有限個本征模態(tài)函數(shù)IMFs,所分解出來的各IMF分量從不同時間尺度上表示了原信號的局部特性。提取IMF分量信號的變化系數(shù)、波動指數(shù)等特征組成稀疏表示字典。然后利用正交匹配追蹤算法求解待測樣本在當前特征字典上的稀疏表示,利用K-SVD算法根據(jù)當前稀疏表示更新特征字典和稀疏表示系數(shù)。最后分別由發(fā)作期和間歇期的腦電樣本特征字典和對應的稀疏系數(shù)向量重構(gòu)測試樣本,將重構(gòu)的測試樣本與給定測試樣本相比較,通過冗余誤差判定待測EEG信號所屬的類別,實現(xiàn)癲癇發(fā)作信號的分類識別�；贗MF分量的頻率特征構(gòu)建字典極大地降低了數(shù)據(jù)維度和計算復雜度,最后利用K-SVD優(yōu)化字典,提高癲癇腦電信號檢測的性能。
【關(guān)鍵詞】：癲癇腦電 遞歸量化分析 稀疏表示 字典學習
【學位授予單位】：濟南大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：R742.1;TN911.7
【目錄】：

• 摘要7-9
• abstract9-12
• 第一章 緒論12-20
• 1.1 研究背景及意義12-13
• 1.2 癲癇腦電信號描述13-15
• 1.2.1 腦電信號的特點與分類13-14
• 1.2.2 癲癇腦電信號的特征波14-15
• 1.3 國內(nèi)外研究現(xiàn)狀15-18
• 1.4 本文研究內(nèi)容和創(chuàng)新點18-19
• 1.5 論文組織結(jié)構(gòu)安排19-20
• 第二章 癲癇腦電信號分類識別方法20-32
• 2.1 癲癇腦電信號分析方法20-22
• 2.2 癲癇腦電信號的非線性特征提取方法22-24
• 2.3 支持向量機分類模型24-26
• 2.4 稀疏表示理論26-30
• 2.4.1 稀疏表示概述26
• 2.4.2 稀疏表示分類（SRC）模型26-28
• 2.4.3 字典學習28-30
• 2.5 本章小結(jié)30-32
• 第三章 基于RQA的癲癇腦電特征提取方法32-47
• 3.1 遞歸圖（Recurrence plot）32-35
• 3.1.1 相空間重構(gòu)32-33
• 3.1.2 遞歸圖方法33-35
• 3.2 遞歸量化分析（RQA）指標35-37
• 3.3 實驗過程及結(jié)果37-45
• 3.3.1 直接基于遞歸量化特征的分類結(jié)果37-44
• 3.3.2 結(jié)合SVM的癲癇腦電分類結(jié)果44-45
• 3.3.3 線性特征與非線性特征相結(jié)合的癲癇腦電分類結(jié)果45
• 3.4 本章小結(jié)45-47
• 第四章 基于稀疏表示和小波變換的癲癇腦電分類識別方法47-55
• 4.1 小波分析方法47-50
• 4.2 基于小波變換的癲癇腦電稀疏表示分類方法50-51
• 4.2.1 信號預處理50
• 4.2.2 SRC實現(xiàn)流程50-51
• 4.3 實驗結(jié)果分析51-54
• 4.3.1 實驗數(shù)據(jù)51-52
• 4.3.2 稀疏重構(gòu)誤差容限對分類準確率的影響52
• 4.3.3 組合小波子帶實驗結(jié)果與分析52-54
• 4.4 本章小結(jié)54-55
• 第五章 基于模態(tài)分解和稀疏表示的癲癇腦電自動檢測方法55-63
• 5.1 EMD分解55-57
• 5.2 基于特征提取構(gòu)建字典57-58
• 5.3 基于K-SVD字典學習的稀疏表示分類方法58-59
• 5.4 實驗結(jié)果與分析59-62
• 5.4.1 頻譜分析59-61
• 5.4.2 參數(shù)選取與分析61
• 5.4.3 實驗結(jié)果61-62
• 5.5 本章小結(jié)62-63
• 第六章 結(jié)論與展望63-65
• 6.1 論文總結(jié)63-64
• 6.2 研究展望64-65
• 參考文獻65-70
• 致謝70-71
• 附錄71

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 左開偉;劉建平;程馨瑩;;腦機接口研究概述[J];中國新通信;2016年01期

2 金永壽;;心率改變或可預知癲癇發(fā)生[J];家庭醫(yī)藥;2014年12期

3 欒悉道;王衛(wèi)威;謝毓湘;張芯;李琛;;非線性稀疏表示理論及其應用[J];計算機科學;2014年08期

4 賈敏;王金甲;李靜;洪文學;;基于輔助訓練的半監(jiān)督稀疏表示分類器用于腦電圖分類[J];生物醫(yī)學工程學雜志;2014年01期

5 楊真真;楊震;孫林慧;;信號壓縮重構(gòu)的正交匹配追蹤類算法綜述[J];信號處理;2013年04期

6 張睿;劉紹明;;基于EEG信號分析處理的癲癇預測研究[J];現(xiàn)代生物醫(yī)學進展;2013年04期

7 袁琦;周衛(wèi)東;李淑芳;蔡冬梅;;基于ELM和近似熵的腦電信號檢測方法[J];儀器儀表學報;2012年03期

8 崔振;;基于稀疏編碼和多類SVM的入侵檢測[J];計算機工程與設計;2011年11期

9 李淑芳;周衛(wèi)東;蔡冬梅;劉凱;趙建林;;EMD和SVM結(jié)合的腦電信號分類方法[J];生物醫(yī)學工程學雜志;2011年05期

10 劉正忠;辛雙鳳;;癲癇病的中西醫(yī)治療淺析[J];中國醫(yī)藥指南;2011年28期

，

本文編號：713368