

版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、癲癇是一種神經(jīng)系統(tǒng)綜合疾病,發(fā)作時(shí)大腦神經(jīng)元異常放電,從而擾亂神經(jīng)系統(tǒng)生物電信號(hào)的傳遞活動(dòng),外在表現(xiàn)為身體抽搐、語(yǔ)言障礙、意識(shí)恍惚以及精神失常等,嚴(yán)重影響了患者正常的生活與工作。腦電圖包含大量的生理與病理的信息,獲取方便且對(duì)患者無(wú)任何創(chuàng)傷性損傷,是目前癲癇診斷中最有價(jià)值的一項(xiàng)輔助檢查。臨床中癲癇的診斷主要依靠腦電圖的視覺(jué)檢測(cè),由于癲癇發(fā)作的不確定性,常常需要對(duì)患者的腦電波進(jìn)行長(zhǎng)期的實(shí)時(shí)監(jiān)測(cè),檢測(cè)時(shí)間長(zhǎng)、效率低,并且根據(jù)醫(yī)生的臨床經(jīng)驗(yàn)及主
2、觀判斷容易出現(xiàn)不一致的檢測(cè)情況。因此,高精度識(shí)別癲癇發(fā)作期腦電信號(hào)實(shí)現(xiàn)癲癇發(fā)作的自動(dòng)檢測(cè)是值得努力的。
結(jié)合大腦神經(jīng)系統(tǒng)的復(fù)雜性以及腦電信號(hào)非線性和非平穩(wěn)的特點(diǎn),本文從兩方面研究癲癇腦電信號(hào)的分類識(shí)別問(wèn)題:非線性特征提取方法和稀疏表示分類方法。非線性方法主要研究大腦系統(tǒng)功能狀態(tài)的變化特征,有利于揭示癲癇發(fā)作時(shí)大腦皮層異常放電機(jī)制,為研究系統(tǒng)復(fù)雜行為變化和癲癇腦電信號(hào)的分類識(shí)別提供了新的思想和方法。遞歸量化分析方法作為一種非線性
3、動(dòng)力學(xué)分析方法,定量描述了系統(tǒng)的周期性嵌入過(guò)程和確定性變化規(guī)律。當(dāng)訓(xùn)練樣本空間足夠大時(shí),對(duì)于一個(gè)類別的物體,可以由訓(xùn)練樣本中同類的樣本子空間近似來(lái)表示。稀疏表示來(lái)源于壓縮感知,突破了Nyquist采樣定理的限制,利用了l1范數(shù)最小化稀疏約束比較不同類別的訓(xùn)練樣本對(duì)測(cè)試樣本的重構(gòu)誤差,實(shí)現(xiàn)對(duì)癲癇發(fā)作信號(hào)的高精度檢測(cè)與分類。具體研究?jī)?nèi)容和創(chuàng)新點(diǎn)如下:
?。?)提出了基于遞歸量化分析(RQA)的癲癇腦電特征提取方法。首先對(duì)樣本數(shù)據(jù)進(jìn)行
4、相空間重構(gòu),然后計(jì)算癲癇腦電信號(hào)的遞歸圖,提取遞歸量化分析RQA參數(shù)值作為非線性特征,選取適當(dāng)?shù)姆诸愰撝祵d癇發(fā)作期信號(hào)與正常腦電信號(hào)分離開(kāi)來(lái)。為了進(jìn)一步提高癲癇腦電自動(dòng)檢測(cè)的精度,采用非線性和線性特征相結(jié)合的方法,將RQA量化值與變化系數(shù)、波動(dòng)指數(shù)一起組成特征向量作為SVM的輸入,實(shí)現(xiàn)癲癇腦電的自動(dòng)檢測(cè)。實(shí)驗(yàn)結(jié)果表明提取的RQA特征值能較好地反映間歇期腦電與發(fā)作期腦電這兩種不同腦電狀態(tài)的非線性動(dòng)力學(xué)特性。
?。?)提出了基于稀
5、疏表示和小波變換的癲癇腦電分類識(shí)別方法。稀疏表示通過(guò)構(gòu)建過(guò)完備字典以及解決 l1最小化問(wèn)題,追求用最小數(shù)量的字典元素最優(yōu)地表示待測(cè)樣本。首先對(duì)癲癇腦電信號(hào)進(jìn)行預(yù)處理,然后根據(jù)小波變換的時(shí)頻分析特性對(duì)癲癇腦電信號(hào)樣本進(jìn)行多尺度分解得到各個(gè)頻率子帶。基于小波頻率子帶數(shù)據(jù)構(gòu)建字典,利用SRC模型將待測(cè)樣本的小波子帶表示為字典內(nèi)同頻率原子的線性組合,有助于 EEG不同頻率范圍特征波形的識(shí)別。最后分別由發(fā)作期和間歇期的字典原子和稀疏表示系數(shù)對(duì)待測(cè)
6、樣本進(jìn)行重構(gòu),并計(jì)算冗余誤差,通過(guò)誤差大小判定測(cè)試樣本所屬的類別。
?。?)提出了基于K-SVD字典學(xué)習(xí)和稀疏表示的EEG信號(hào)分類方法。由于EEG信號(hào)是非平穩(wěn)的,首先利用經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)將EEG信號(hào)分解為有限個(gè)本征模態(tài)函數(shù)IMFs,所分解出來(lái)的各IMF分量從不同時(shí)間尺度上表示了原信號(hào)的局部特性。提取IMF分量信號(hào)的變化系數(shù)、波動(dòng)指數(shù)等特征組成稀疏表示字典。然后利用正交匹配追蹤算法求解待測(cè)樣本在當(dāng)前特征字典上的稀疏表示,利用
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于腦電的意識(shí)任務(wù)特征提取與識(shí)別方法研究.pdf
- 基于稀疏表示的特征提取與分類方法研究.pdf
- 基于稀疏表示和特征提取的人臉識(shí)別算法研究.pdf
- 基于特征融合和稀疏表示的表情識(shí)別方法研究.pdf
- 基于多通道EEG信號(hào)的癲癇特征提取與識(shí)別方法研究.pdf
- 基于稀疏度量的運(yùn)動(dòng)想象腦電特征提取和模式識(shí)別算法研究.pdf
- 基于分層稀疏表示的特征提取方法及其應(yīng)用.pdf
- 呼吸音特征提取與分類識(shí)別方法研究.pdf
- 基于復(fù)雜網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的癲癇腦電非線性特征提取與分類方法研究.pdf
- 基于稀疏表示的人臉特征提取與識(shí)別算法研究.pdf
- 腦電特征信號(hào)自動(dòng)提取與識(shí)別方法的研究.pdf
- 基于Gabor和HOG特征的稀疏表示人臉識(shí)別方法.pdf
- 基于GSLPP特征提取算法和多分類器融合的人臉識(shí)別方法研究.pdf
- 基于稀疏表示的語(yǔ)音情感特征學(xué)習(xí)與識(shí)別方法研究.pdf
- 面向人臉識(shí)別的快速特征提取與稀疏表示方法研究.pdf
- 基于稀疏表示的車輛識(shí)別方法研究.pdf
- 人臉特征提取與識(shí)別方法研究.pdf
- 基于稀疏表示的車標(biāo)識(shí)別方法研究.pdf
- 人臉特征提取和非線性識(shí)別方法的研究.pdf
- 思維腦電的采集和特征提取方法初探.pdf
評(píng)論
0/150
提交評(píng)論