本文選題：運(yùn)動(dòng)功能障礙 + 腦電信號(hào)��； 參考：《杭州電子科技大學(xué)》2017年碩士論文

【摘要】：運(yùn)動(dòng)功能障礙是多種腦損傷疾病的重要表現(xiàn),如癲癇疾病、腦卒中等。對(duì)患者運(yùn)動(dòng)功能的檢測(cè)與評(píng)估是進(jìn)行疾病診斷和康復(fù)治療的重要方法。同時(shí),腦電信號(hào)(Electroencephalogram,EEG)是直接反映大腦活動(dòng)情況的電生理表現(xiàn)形式。通過(guò)對(duì)EEG的分析,可以發(fā)現(xiàn)大量的生理、病理信息。本文希望通過(guò)對(duì)EEG的分析處理,對(duì)腦受損疾病患者的運(yùn)動(dòng)功能障礙進(jìn)行評(píng)估。而對(duì)EEG的有效處理分析是一項(xiàng)復(fù)雜的工程。本文選取具有運(yùn)動(dòng)功能障礙表現(xiàn)的典型疾病—癲癇患者作為本課題研究的實(shí)驗(yàn)對(duì)象,主要通過(guò)利用EEG分析方法對(duì)患者的癲癇特征進(jìn)行提取與識(shí)別。本文著重研究EEG分析處理算法,其中包括:EEG的消噪方法、特征提取方法以及模式分類識(shí)別算法。主要研究?jī)?nèi)容和創(chuàng)新點(diǎn)包括以下幾個(gè)方面:(1)提出一種基于降噪源分離的EEG消噪方法。降噪源分離是盲源分離中一種新方法,可以根據(jù)待處理信號(hào)的特點(diǎn)具有針對(duì)性地設(shè)計(jì)合適的降噪函數(shù),進(jìn)行源分離處理而獲得源信號(hào)。本文首先設(shè)計(jì)仿真實(shí)驗(yàn),選擇適合癲癇患者EEG的降噪函數(shù),再根據(jù)該降噪函數(shù)進(jìn)行源分離處理和消噪處理。通過(guò)仿真實(shí)驗(yàn)與實(shí)際EEG處理結(jié)果表明,降噪源分離的EEG消噪算法的消噪效果優(yōu)于基于獨(dú)立成分分析的盲源分離算法的消噪效果。(2)提出一種基于多種熵融合的EEG特征提取方法。由于單一的一種熵值只能表達(dá)信號(hào)某一方面的復(fù)雜度,往往缺少對(duì)信號(hào)的整體度量。為了對(duì)EEG從多個(gè)角度實(shí)現(xiàn)更加全面的信息表達(dá),提出一種基于多種不同物理意義的熵融合的EEG特征提取方法,提高了EEG特征的完整表達(dá)能力。這一創(chuàng)新性方法已經(jīng)在Neural ComputingApplications(SCI源刊)發(fā)表。研究工作首先分析四種不同測(cè)量方法的熵在EEG中的物理意義及表現(xiàn),然后通過(guò)實(shí)驗(yàn)分析多種熵融合對(duì)EEG分類效果的提升。(3)提出一種基于極限學(xué)習(xí)機(jī)的集成分類器設(shè)計(jì)。極限學(xué)習(xí)機(jī)是一種較為新型的分類器,是近年來(lái)EEG分類器設(shè)計(jì)的研究熱點(diǎn)之一。本文針對(duì)常規(guī)極限學(xué)習(xí)機(jī)泛化能力差、分類結(jié)果不穩(wěn)定的缺陷,利用集成分類的思想,根據(jù)Bagging和Adaboost兩種集成方法,將多個(gè)極限學(xué)習(xí)機(jī)集成為一個(gè)強(qiáng)分類器。實(shí)驗(yàn)分析證實(shí),本文所設(shè)計(jì)的分類器在取得較好的分類結(jié)果的同時(shí),也改善了極限學(xué)習(xí)機(jī)分類結(jié)果的穩(wěn)定性。
[Abstract]:Motor dysfunction is an important manifestation of many brain injury diseases, such as epilepsy, stroke and so on. The detection and evaluation of patients' motor function is an important method for disease diagnosis and rehabilitation. At the same time, electroencephalogram (EGG) is a direct electrophysiological expression of brain activity. Through the analysis of EEG, we can find a lot of physiological and pathological information. The purpose of this study is to evaluate motor dysfunction in patients with brain damage by analyzing and treating EEG. The effective processing and analysis of EEG is a complex project. In this paper, a typical disease with motor dysfunction, epileptic patients, was selected as the experimental object of this study, mainly by using EEG analysis method to extract and identify the epileptic characteristics of the patients. This paper focuses on the analysis and processing algorithm of EEG, including the denoising method of EEG, the feature extraction method and the pattern classification recognition algorithm. The main research contents and innovations include the following aspects: 1) A EEG denoising method based on de-noising source separation is proposed. Noise reduction source separation is a new method in blind source separation. According to the characteristics of the signal to be processed, a suitable denoising function can be designed and the source signal can be obtained by source separation processing. In this paper, a simulation experiment is designed to select the noise reduction function suitable for epileptic patients with EEG, and then the source separation and denoising processing are carried out according to the noise reduction function. The results of simulation and EEG processing show that the de-noising effect of EEG denoising algorithm based on de-noising source separation is better than that of blind source separation algorithm based on independent component analysis. (2) A EEG feature extraction method based on multi-entropy fusion is proposed. Because a single entropy value can only express the complexity of a certain aspect of the signal, it often lacks the global measurement of the signal. In order to realize more comprehensive information expression of EEG from many aspects, a EEG feature extraction method based on entropy fusion of different physical meanings is proposed, which improves the complete expression ability of EEG features. This innovative approach has been published in Neural ComputingApplications(SCI Source. In this paper, the physical meaning and performance of entropy of four different measurement methods in EEG are analyzed firstly, and then a design of integrated classifier based on limit learning machine is proposed. Extreme learning machine (LLM) is a new type of classifier, which is one of the hotspots in the design of EEG classifier in recent years. Aiming at the shortcomings of poor generalization ability and unstable classification results of conventional LLMs, this paper integrates multiple LLMs into a strong classifier by using the idea of integrated classification and according to the two integration methods of Bagging and Adaboost. The experimental results show that the classifier designed in this paper not only achieves good classification results, but also improves the stability of the classification results of the extreme learning machine.
【學(xué)位授予單位】：杭州電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：R318;TN911.7

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 侯亞麗;王向東;;三維運(yùn)動(dòng)解析系統(tǒng)在生物力學(xué)中的應(yīng)用與發(fā)展趨勢(shì)[J];成都工業(yè)學(xué)院學(xué)報(bào);2016年02期

2 周春亭;王朝暉;;動(dòng)態(tài)肌電圖指導(dǎo)下電刺激治療腦卒中后偏癱的臨床價(jià)值[J];中國(guó)數(shù)字醫(yī)學(xué);2016年03期

3 陳順飛;羅志增;周鎮(zhèn)定;;改進(jìn)的雙變量收縮函數(shù)模型腦電信號(hào)消噪方法[J];傳感技術(shù)學(xué)報(bào);2016年02期

4 楊海蘭;劉以安;;單通道通信信號(hào)盲分離算法[J];計(jì)算機(jī)仿真;2015年09期

5 劉哲;王江;;早期帕金森疾病腦電信號(hào)的復(fù)雜度分析[J];河北工業(yè)科技;2015年04期

6 王春方;孫長(zhǎng)城;張希;王勇軍;綦宏志;何峰;趙欣;萬(wàn)柏坤;張穎;杜金剛;明東;;缺血性腦卒中患者腦電信號(hào)的樣本熵特征分析[J];國(guó)際生物醫(yī)學(xué)工程雜志;2015年03期

7 梁天佳;吳小平;龍耀斌;周開(kāi)斌;黃盛才;廖明珍;莫明玉;曹錫忠;;機(jī)器人輔助訓(xùn)練對(duì)腦卒中患者上肢功能恢復(fù)的影響及功能性磁共振分析[J];中華物理醫(yī)學(xué)與康復(fù)雜志;2014年11期

8 羅志增;周鎮(zhèn)定;周瑛;何海洋;;雙樹(shù)復(fù)小波特征在運(yùn)動(dòng)想象腦電識(shí)別中的應(yīng)用[J];傳感技術(shù)學(xué)報(bào);2014年05期

9 高云園;高發(fā)榮;羅志增;;融合生物運(yùn)動(dòng)信息的上肢運(yùn)動(dòng)功能康復(fù)診斷方法研究[J];中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào);2013年06期

10 楊雄里;;對(duì)中國(guó)腦科學(xué)研究的思考[J];科技導(dǎo)報(bào);2013年35期

相關(guān)博士學(xué)位論文 前3條

1 袁琦;癲癇腦電的分類識(shí)別及自動(dòng)檢測(cè)方法研究[D];山東大學(xué);2014年

2 施錦河;運(yùn)動(dòng)想象腦電信號(hào)處理與P300刺激范式研究[D];浙江大學(xué);2012年

3 李紅利;癲癇腦電信號(hào)的非線性分析[D];天津大學(xué);2012年

相關(guān)碩士學(xué)位論文 前7條

1 孫卓然;基于集成極限學(xué)習(xí)機(jī)的腦電信號(hào)分類研究[D];大連理工大學(xué);2015年

2 續(xù)艷慧;超限學(xué)習(xí)機(jī)方法在腦電信號(hào)特征提取與分類中的應(yīng)用研究[D];北京工業(yè)大學(xué);2015年

3 李聰改;熵在癲癇信號(hào)檢測(cè)中的對(duì)比研究與應(yīng)用[D];太原理工大學(xué);2015年

4 劉楚紅;基于FSR和陀螺儀的人體姿態(tài)檢測(cè)及行走趨勢(shì)分析[D];沈陽(yáng)工業(yè)大學(xué);2015年

5 孫鑫;極限學(xué)習(xí)機(jī)結(jié)構(gòu)優(yōu)化及其應(yīng)用研究[D];廣西大學(xué);2014年

6 王健;基于獨(dú)立分量分析的腦電信號(hào)消噪[D];河北工業(yè)大學(xué);2006年

7 龍飛;腦電消噪的獨(dú)立分量分析方法及其應(yīng)用研究[D];安徽大學(xué);2002年

，

本文編號(hào)：1857076