基于小波变换和遗传神经网络的癫痫智能诊断

论文摘要

癫痫是一种常见多发的慢性脑部疾病,反复发作会使患者精神和身体上都遭受极大的痛苦,甚至威胁到生命。目前癫痫诊断最常用的方法是脑电图(简称EEG)检查。由于癫痫发作是突发性的,且波形复杂,所以对癫痫诊断时需要对病人进行长时间的观察。临床脑电图检测手段往往是医生依据经验目测,而长期脑电图的回放分析会耗费医生大量的精力和时间,可能会造成许多癫痫波被忽略,导致总体识别效率低,同时又缺乏标准的制约,因此对癫痫脑电特征的自动识别就有很重要的研究意义。基于这种背景,本文设计了癫痫波特征量的提取方法和癫痫的识别方法。具体内容如下:首先,研究国内外癫痫特征提取与识别的现状,归纳总结存在的方法,综述它们的性能以及优缺点。其次,对小波变换和小波包分析相关技术作了详细的阐述。利用小波变换对癫痫棘波进行提取,在仿真中取得了较好的结果;然后利用小波包分析,提取癫痫信号在不同频段上的相对能量作为特征向量;最后,对癫痫棘波进行半波提取,提取棘波的半波特征量。最后,利用神经网络很强的自适应和学习能力、非线性映射能力,用于对癫痫信号的形态识别。比较一般的BP网络、改进的BP网络和基于遗传算法优化的BP网络,实验结果表明,遗传算法能够有效的克服BP网络训练速度慢和易陷入局部极值的不足,在形态识别方面比一般BP算法有很大的改进。

论文目录

• 摘要
• Abstract
• 目录
• Content
• 第一章 绪论
• 1.1 研究意义
• 1.2 脑电图概述
• 1.2.1 脑电信号产生机理
• 1.2.2 脑电信号的分类和特征
• 1.3 国内外研究现状
• 1.4 脑电信号的数据来源
• 1.5 本文的主要工作
• 第二章 基于小波变换和小波包分析的癫痫特征量提取
• 2.1 小波变换
• 2.1.1 连续小波变换
• 2.1.2 离散小波变换
• 2.1.3 多分辨率分析
• 2.1.4 常用小波函数
• 2.2 基于小波变换的癫痫特征波提取
• 2.3 小波包分析
• 2.3.1 小波包的定义
• 2.3.2 小波包的空间分解
• 2.4 基于小波包的癫痫特征量提取
• 2.5 癫痫特征波的半波特征量提取
• 2.6 本章小结
• 第三章 基于BP网络的癫痫识别
• 3.1 BP网络
• 3.1.1 BP网络的训练过程
• 3.1.2 BP网络的非线性映射能力和泛化能力
• 3.2 基于BP网络对癫痫信号的识别
• 3.2.1 BP网络结构的确定
• 3.2.2 实验结果分析
• 3.3 改进的BP网络对癫痫信号的识别
• 3.4 本章小结
• 第四章 基于遗传BP网络的癫痫识别
• 4.1 遗传算法与神经网络的结合
• 4.2 遗传算法
• 4.2.1 遗传编码
• 4.2.2 遗传操作
• 4.3 遗传算法对BP网络权值的优化
• 4.3.1 遗传算法参数设计
• 4.3.2 GA-BP算法设计
• 4.4 基于GA-BP对癫痫信号的识别
• 4.5 本章小结
• 第五章 结论与展望
• 5.1 结论
• 5.2 展望
• 参考文献
• 致谢
• 附录 攻读硕士学位期间发表论文情况