癫痫脑电的非线性方法分析

癫痫脑电的非线性方法分析

论文摘要

随着计算机技术的飞速发展,非线性动力学方法越来越多地被用于生物医学信号分析。脑电是脑部疾病诊断的重要工具。本文围绕脑电信号非线性动力学分析以及癫痫发作检测开展以下研究:研究了Duffing振子对混沌时间序列的非线性响应,提出了Duffing振子对不同混沌程度的时间序列具有规则的非线性响应,并根据脑电信号为混沌时间序列且癫痫发作时脑电信号混沌程度发生改变的情况,提出利用Duffing振子检测癫痫发作的方法。利用正常和癫痫脑电信号之间嵌入维数的差异分析了癫痫发作时脑电信号所反映的大脑非线性动力学系统的变化,进而说明嵌入维数可以作为癫痫诊断的一个辅助参数;此外,还研究了正常和癫痫脑电信号之间确定性/随机性差异。利用非线性度区分正常和癫痫脑电信号,提出了利用非线性度检测癫痫发作的方法,该方法可以清楚的表明癫痫发作时刻。根据癫痫发作时脑电信号非线性动力学特征的改变,提出基于神经网络和脑电非线性动力学参数(嵌入维数和延迟时间)的癫痫发作自动检测方法。

论文目录

  • 提要
  • 第1章 绪论
  • 1.1 引言
  • 1.2 研究背景
  • 1.3 研究意义
  • 1.4 论文主要内容及研究成果
  • 1.5 论文结构安排
  • 第2章 癫痫和脑电研究概述
  • 2.1 引言
  • 2.2 癫痫
  • 2.3 脑电信号
  • 2.3.1 脑电信号的定义
  • 2.3.2 脑电信号的获取
  • 2.3.3 脑电信号分析的几种方法
  • 2.3.4 本文所用的脑电信号
  • 2.4 利用脑电信号进行癫痫发作检测
  • 2.4.1 主要方法
  • 2.4.2 存在的问题
  • 2.5 本章小结
  • 第3章 Duffing混沌振子的新特性及其潜在应用研究
  • 3.1 引言
  • 3.2 Duffing混沌振子
  • 3.3 混沌振子的常用分析方法
  • 3.3.1 Lyapunov指数
  • 3.3.2 相平面
  • 3.3.3 Poincaré截面
  • 3.4 Duffing混沌振子的新特性研究
  • 3.4.1 测试混沌时间序列
  • 3.4.2 利用三种混沌时间序列验证Duffing振子的新特性
  • 3.4.3 Duffing振子新特性验证结果的讨论
  • 3.5 Duffing振子新特性的潜在应用介绍
  • 3.6 本章小结
  • 第4章 正常和癫痫脑电信号嵌入维数差异分析
  • 4.1 引言
  • 4.2 相空间重构与嵌入维数
  • 4.2.1 相空间重构理论
  • 4.2.2 嵌入维数
  • 4.2.3 嵌入维数计算方法
  • 4.3 正常和癫痫脑电信号嵌入维数差异研究
  • 4.3.1 脑电数据
  • 4.3.2 实验设计
  • 4.3.3 实验结果
  • 4.3.4 实验结果分析
  • 4.4 正常和癫痫脑电信号确定性差异
  • 4.5 本章小结
  • 第5章 利用非线性程度区分正常和癫痫脑电信号
  • 5.1 引言
  • 5.2 时间序列非线性度的量化方法
  • 5.2.1 替代数据法
  • 5.2.2 延迟向量方差
  • 5.2.3 时间序列非线性度的量化方法
  • 5.3 实验数据
  • 5.3.1 人工时间序列
  • 5.3.2 实际时间序列
  • 5.4 基于非线性度的癫痫发作描述
  • 5.4.1 嵌入维数的确定
  • 5.4.2 替代数据对非线性度计算结果的影响
  • 5.4.3 人工时间序列的非线性度
  • 5.4.4 脑电时间序列的非线性度
  • 5.5 实验结果分析
  • 5.6 本章小结
  • 第6章 基于神经网络和嵌入参数的癫痫脑电自动检测
  • 6.1 引言
  • 6.2 神经网络分类
  • 6.2.1 概率神经网络
  • 6.2.2 网络学习过程
  • 6.2.3 网络运行过程
  • 6.2.4 性能估计参数
  • 6.3 脑电信号特征参数提取
  • 6.3.1 延迟时间
  • 6.3.2 延迟时间的计算方法
  • 6.3.3 嵌入维数及其计算方法
  • 6.4 仿真实验
  • 6.4.1 数据来源
  • 6.4.2 实验设计
  • 6.4.3 特征提取
  • 6.4.4 基于延迟时间的自动癫痫发作检测结果
  • 6.4.5 基于嵌入维数的自动癫痫发作检测结果
  • 6.5 实验结果分析
  • 6.6 本章小结
  • 第7章 总结与展望
  • 7.1 总结
  • 7.2 进一步工作
  • 参考文献
  • 攻读学位期间发表的学术论文及取得的成果
  • 致谢
  • 摘要
  • Abstract
  • 相关论文文献

    • [1].基于脑电信号反馈控制的双轨道小车控制器设计[J]. 电子制作 2019(23)
    • [2].酒精脑电信号降维去噪方法的研究[J]. 长春理工大学学报(自然科学版) 2019(06)
    • [3].脑电信号分析方法及其应用[J]. 中国医疗器械杂志 2020(02)
    • [4].一种基于脑电信号的眼动方向分类方法[J]. 计算机科学 2020(04)
    • [5].我国脑电信号分析方法及在工学方面的应用研究[J]. 中外企业家 2020(19)
    • [6].基于脑电信号分析的换挡布置优化[J]. 汽车实用技术 2020(17)
    • [7].基于多尺度排列熵的脑电信号分类[J]. 中国数字医学 2019(05)
    • [8].基于深度学习的癫痫脑电信号分析与预测[J]. 长春大学学报 2019(06)
    • [9].关于脑电信号的情感优化识别仿真[J]. 计算机仿真 2018(06)
    • [10].基于脑电信号的耳鸣识别算法研究[J]. 科技传播 2018(13)
    • [11].癫痫脑电信号的相关性分析[J]. 电子世界 2017(05)
    • [12].基于半监督学习的脑电信号特征提取及识别[J]. 工程科学与技术 2017(S2)
    • [13].基于脑电信号的驾驶疲劳的研究[J]. 世界最新医学信息文摘 2017(55)
    • [14].运动想象脑电信号特征的提取与分类[J]. 工业控制计算机 2015(02)
    • [15].脑电信号的最优分数阶傅里叶变换[J]. 沈阳大学学报(自然科学版) 2019(06)
    • [16].基于多特征卷积神经网路的运动想象脑电信号分析及意图识别[J]. 仪器仪表学报 2020(01)
    • [17].人脑电信号实时监测原型系统设计与实现[J]. 计算机工程与应用 2019(02)
    • [18].基于方差和深度学习的脑电信号分类算法[J]. 黑龙江工程学院学报 2017(06)
    • [19].脑电信号识别及其在机械手臂控制中的应用[J]. 生物医学工程研究 2016(04)
    • [20].少年与中年脑电信号的多尺度符号序列熵分析[J]. 北京生物医学工程 2016(06)
    • [21].基于卷积神经网络的脑电信号上肢运动意图识别[J]. 浙江大学学报(工学版) 2017(07)
    • [22].脑电信号在线采集系统设计与实现[J]. 微型机与应用 2017(22)
    • [23].便携式脑电信号采集与处理系统(英文)[J]. 航天医学与医学工程 2016(03)
    • [24].正常人中医体质分类与脑电信号相关性探讨[J]. 辽宁中医药大学学报 2014(11)
    • [25].脑电信号采集系统的设计[J]. 河北建筑工程学院学报 2014(01)
    • [26].思维脑电信号的关联维数分析[J]. 河南科技大学学报(自然科学版) 2012(01)
    • [27].一种适用于清醒动物脑电信号采集的固定装置[J]. 首都医科大学学报 2011(06)
    • [28].运动想象脑电信号识别研究[J]. 计算机工程与应用 2010(33)
    • [29].基于照片刺激下的脑电身份识别研究[J]. 江西蓝天学院学报 2011(04)
    • [30].静息脑电信号频域不对称指数特征识别算法[J]. 电子设计工程 2020(09)

    标签:;  ;  ;  ;  ;  ;  ;  

    癫痫脑电的非线性方法分析
    下载Doc文档

    猜你喜欢