论文摘要
癫痫是一种常见的慢性神经疾病,以大量神经元的异常猝发性过度同步放电为特征,是神经科仅次于脑血管病的第二大顽症,侵袭大约人口的1%。到目前为止,在癫痫的诊断中,脑电图(EEG)检查是最重要的、最有价值和最方便的手段之一,对癫痫脑电图进行分析有助于医生发现病人的病灶并进行相应的药剂和物理治疗。目前对癫痫脑电图的检查主要由医疗工作者通过视觉来完成。由于癫痫发作具有不确定性,就需要对患者进行长期的脑电图记录,这样长期记录的数字脑电图中癫痫波的目测检查就需要消耗医师大量的时间和精力,所以有必要在临床中开展计算机辅助癫痫自动检测。越来越多的研究表明,大脑神经元活动和EEG信号均具有非线性动力学特征,传统的线性分析方法难以全面描述EEG信号的动力学特性。非线性方法不仅在癫痫信号检测方面效果显著,更能反映癫痫脑电信号的内在规律,也可为癫痫预测带来新的希望。本文在研究了脑电非线性特性的基础上,提出了两种脑电信号分类的算法,这两种方法主要是基于脑电的非线性特征,并通过支持向量机(SVM)分类器实现分类。基于Hurst指数和支持向量机的癫痫脑电分类算法,首先计算Hurst指数来度量脑电时间序列的长程相关性;然后使用切比雪夫Ⅱ型零相位数字滤波器对脑电数据进行带通滤波以突出相应频带的特征,同时抑制伪差信号的干扰,再计算相应频段内波幅的相对幅度以体现脑电信号能量的变化;最后将Hurst指数和波幅的相对幅度输入到SVM分类器实现癫痫波的自动检测。基于去趋势波动分析方法(DFA)和支持向量机的癫痫脑电分类算法,通过对脑电数据采用DFA方法计算标度指数a,然后对脑电进行滤波以突出相应频带的特征和抑制伪差干扰,再计算相应频段内的波动指数。以标度指数α和波动指数为特征,通过SVM分类器实现癫痫波的自动分类。经过临床脑电数据的仿真测试,结果表明这两种脑电分类算法均可有效地区分癫痫脑电和正常脑电,取得了良好的分类效果。
论文目录
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:脑电论文; 支持向量机论文; 指数论文; 去趋势波动分析方法论文;