本文關(guān)鍵詞：基于EMD和混合特征的癲癇腦電信號(hào)識(shí)別研究

  更多相關(guān)文章： 癲癇 腦電信號(hào) 經(jīng)驗(yàn)?zāi)B(tài)分解 特征提取 識(shí)別分類

【摘要】：癲癇是神經(jīng)科第二大疾病,僅在中國(guó)患病人數(shù)就高達(dá)九百多萬；在傳統(tǒng)的醫(yī)療診斷中,普遍采用人工閱讀腦電信號(hào)的方法,該方法不僅效率低,且由于醫(yī)療資源分配不均以及醫(yī)生經(jīng)驗(yàn)不足等原因使得誤診的情況時(shí)常發(fā)生,自動(dòng)識(shí)別癲癇腦電信號(hào),能有效避免誤診的情況,使患者盡早確診疾病,得到及時(shí)的醫(yī)治。癲癇腦電信號(hào)的自動(dòng)識(shí)別包括兩個(gè)部分：特征提取和特征分類,其中最重要的部分是特征提取。在腦電信號(hào)的特征提取過程中,特征向量包含腦電信號(hào)的信息是否全面并能否描述癲癇腦電信號(hào)的特點(diǎn)是至關(guān)重要的,直接影響著癲癇腦電信號(hào)識(shí)別分類的精度。本文提出一種基于經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)和混合特征的特征提取算法。首先利用經(jīng)驗(yàn)?zāi)B(tài)分解對(duì)不同的腦電信號(hào)進(jìn)行自適應(yīng)地分解,得到一系列的模態(tài)本征函數(shù),這些模態(tài)本征函數(shù)的階數(shù)按頻率高低來排列,即每個(gè)模態(tài)本征函數(shù)代表著不同頻段的腦電信號(hào)特征,選取對(duì)應(yīng)癲癇發(fā)作的頻率段的模態(tài)本征函數(shù)進(jìn)行腦電信號(hào)的序列重構(gòu),得到一組新的腦電信號(hào)時(shí)間序列,再對(duì)重構(gòu)后的新序列進(jìn)行基于線性方法和非線性方法的特征提取,分別對(duì)應(yīng)于腦電信號(hào)的線性特征信息和非線性特征信息,然后將線性特征向量和非線性特征向量進(jìn)行特征融合,得到該算法的混合特征向量,使混合特征向量能夠更全面地描述癲癇腦電信號(hào)的信息,最后將融合后得到的特征向量作為分類器的輸入數(shù)據(jù)進(jìn)行腦電信號(hào)的自動(dòng)識(shí)別分類。本文對(duì)此進(jìn)行了一系列的仿真實(shí)驗(yàn),其結(jié)果表明：使用本文所提特征提取的算法能夠更好的描述癲癇腦電信號(hào)的特征,從而更便于分類器識(shí)別分類,分類器選定極限學(xué)習(xí)機(jī),訓(xùn)練時(shí)間短,識(shí)別分類精度高,高于其他同類研究算法。
【關(guān)鍵詞】：癲癇 腦電信號(hào) 經(jīng)驗(yàn)?zāi)B(tài)分解 特征提取 識(shí)別分類
【學(xué)位授予單位】：大連理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：R742.1;TN911.7
【目錄】：

• 摘要4-5
• Abstract5-8
• 1 緒論8-18
• 1.1 課題研究背景與意義8-9
• 1.2 腦電信號(hào)概述9-13
• 1.2.1 腦電信號(hào)基本知識(shí)9-11
• 1.2.2 腦電信號(hào)基本性質(zhì)11-12
• 1.2.3 癲癇腦電信號(hào)12-13
• 1.3 腦電信號(hào)分析研究現(xiàn)狀13-17
• 1.3.1 腦電信號(hào)特征提取的國(guó)內(nèi)外現(xiàn)狀14-15
• 1.3.2 腦電信號(hào)分類研究現(xiàn)狀15-17
• 1.4 本文的主要內(nèi)容及結(jié)構(gòu)17-18
• 2 經(jīng)驗(yàn)?zāi)B(tài)分解18-33
• 2.1 概述18-19
• 2.2 EMD基本概念和原理19-27
• 2.2.1 EMD基本概念19-24
• 2.2.2 EMD基本原理24-27
• 2.3 EMD關(guān)鍵技術(shù)27-29
• 2.3.1 EMD分解停止準(zhǔn)則27
• 2.3.2 IMF篩選準(zhǔn)則27-28
• 2.3.3 包絡(luò)線擬合28
• 2.3.4 端點(diǎn)效應(yīng)28-29
• 2.3.5 模態(tài)混疊29
• 2.4 腦電信號(hào)EMD分解仿真實(shí)驗(yàn)29-33
• 2.4.1 實(shí)驗(yàn)數(shù)據(jù)介紹29-31
• 2.4.2 EMD仿真實(shí)驗(yàn)31-33
• 3 腦電信號(hào)特征提取33-43
• 3.1 線性特征提取方法33-34
• 3.2 非線性特征提取方法34-38
• 3.2.1 近似熵34-36
• 3.2.2 樣本熵36-37
• 3.2.3 模糊熵37-38
• 3.3 基于EMD和混合特征的特征提取算法38-42
• 3.3.1 混合特征提取實(shí)現(xiàn)原理38-40
• 3.3.2 線性降維方法PCA40-41
• 3.3.3 混合特征降維41-42
• 3.4 小結(jié)42-43
• 4 癲癇腦電信號(hào)分類43-51
• 4.1 支持向量機(jī)43-45
• 4.1.1 基本原理43-45
• 4.1.2 SVM核函數(shù)45
• 4.2 極限學(xué)習(xí)機(jī)45-48
• 4.2.1 基本原理46-47
• 4.2.2 實(shí)現(xiàn)步驟47
• 4.2.3 ELM仿真實(shí)驗(yàn)47-48
• 4.3 癲癇腦電信號(hào)分類實(shí)驗(yàn)48-50
• 4.3.1 經(jīng)驗(yàn)?zāi)B(tài)分解仿真實(shí)驗(yàn)48-49
• 4.3.2 癲癇腦電信號(hào)分類實(shí)驗(yàn)49-50
• 4.4 小結(jié)50-51
• 結(jié)論51-52
• 參考文獻(xiàn)52-55
• 致謝55-56

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 姚文坡;劉鐵兵;戴加飛;王俊;;腦電信號(hào)的多尺度排列熵分析[J];物理學(xué)報(bào);2014年07期

2 尚雅層;徐玉潔;;基于EMD分解的AR模型振動(dòng)信號(hào)預(yù)測(cè)[J];電子測(cè)試;2014年06期

3 張恒t，

本文編號(hào)：713980