癫痫脑电信号识别算法及其应用

论文摘要

脑电图(EEG)检测是一种脑部疾病临床诊断的有效方法,它可以向医生提供真实可靠的信息,以帮助医生确诊。癫痫是一种常见的脑部疾病,其发作具有突发性,为了得到发病时的脑电信号,往往需要对病人进行长期脑电观测。目前,通常需靠医生来判读癫痫脑电信号,由于脑电信号数据量通常比较大,对脑电信号的分析鉴别是一项比较繁重的工作,且容易引入医生的个人主观倾向。因此,对脑电信号的自动分类和识别就显得尤其重要了。目前有很多经典的信号处理和分析方法可用于脑电信号的分析和分类,并取得了较好的效果。本文在研究这些成果的基础上,提出了几种脑电信号分类方法,这些方法主要基于支持向量机(support vector machine, SVM),小波分析和经验模态分解(empirical mode decomposition, EMD)等技术,实验结果表明所提方法能有效地把癫痫脑电信号从正常脑电信号中区分出来。论文具体内容如下：首先,本文叙述了脑电信号的形成机理、生理特点以及目前主要的检测分类方法,为后面的脑电信号分类研究打下基础。其次,介绍目前国内外关于癫痫脑电自动检测的研究现状,对比各种研究方法的优缺点,尤其对小波变换、支持向量机、经验模态分解等相关技术做了深入分析,结合各种方法的优点,提出了一套基于脑电信号特征提取和分类的综合判断方法,将这几种方法应用于临床采集的脑电信号的分类中,能有效地区分出正常脑电信号和癫痫脑电信号,并取得了良好的分类效果,使得正确分辨率可达到91%以上,最高可达100%。最后,本文对脑电信号分类、癫痫脑电特征提取的发展前景以及应用趋势做了相关探讨。

论文目录

• 摘要
• ABSTRACT
• 符号说明
• 第一章 绪论
• 1.1 概述
• 1.2 脑电信号（EEG）概述
• 1.2.1 脑电信号的基本性质
• 1.2.2 脑电信号的频谱成分
• 1.2.3 癫痫脑电信号
• 1.2.4 研究癫痫脑电信号的背景及意义
• 1.3 脑电信号的分析处理方法
• 1.3.1 时域分析方法
• 1.3.2 频域分析方法
• 1.3.3 小波变换
• 1.3.4 人工神经网络
• 1.3.5 非线性动力学方法
• 1.4本文的主要工作
• 第二章 支持向量机原理
• 2.1 支持向量机的历史
• 2.2 SVM分类基本原理
• 2.2.1 线性支持向量机
• 2.2.2 非线性支持向量机
• 第三章 小波分析方法
• 3.1 脑电信号的频域分析
• 3.1.1 测不准原理
• 3.1.2 短时傅里叶变换（Short-Time Fourier Transform,STFT）
• 3.2 小波分析方法
• 3.2.1 一维连续小波变换
• 3.2.2 二进正交小波变换
• 3.3 小波变换的Mallat算法
• 3.3.1 双尺度方程
• 3.3.2 尺度空间的分解
• 3.3.3 分解算法
• 3.3.4 重构算法
• 第四章 支持向量机和小波分析结合的脑电信号分类
• 4.1 引言
• 4.2 实验数据
• 4.3 用SVM方法对脑电信号进行分类的算法
• 4.4 以波形为特征的SVM和小波分析结合的分类算法
• 4.5 以波动系数和变化系数为基础的SVM和小波分析分类算法
• 4.6 实验结果分析
• 第五章 基于非线性能量算子（NEO）和经验模态分解（EMD）的脑电信号分类
• 5.1 非线性能量算子（NEO）
• 5.2 基于非线性能量算子和SVM对脑电信号分类
• 5.2.1 实验数据
• 5.2.2 分类算法
• 5.3 经验模态分解（EMD）
• 5.3.1 EMD的基本原理
• 5.3.2 EMD的算法实现
• 5.4 基于EMD和SVM的脑电信号分类
• 5.4.1 实验数据
• 5.4.2 分类算法
• 第六章 结论与展望
• 参考文献
• 致谢
• 附录:本人硕士研究生期间发表的论文情况
• 学位论文评阅及答辩情况表