基于熵測度與支持向量機(jī)的腦電信號分類方法研究.pdf

1、腦電圖(EEG)是檢查診斷癲癇的基本工具，對生理學(xué)研究與醫(yī)學(xué)應(yīng)用是非常重要的，是大腦皮層或頭皮表面大腦神經(jīng)組織細(xì)胞總體電活動的反應(yīng)，包含了大量的大腦活動與功能的信息。大腦的電活動通常表現(xiàn)出復(fù)雜的行為與非線性動力學(xué)特性。癲癇俗稱羊角風(fēng)，是一種慢性神經(jīng)紊亂疾病，它發(fā)作時由于腦神經(jīng)元突然不正常放電，使中樞神經(jīng)系統(tǒng)活動異常興奮或抑制，對患者的精神和身體健康造成極大的傷害。對于頭皮腦電圖，癲癇腦電檢測的分析方法主要基于特征提取方法和分類算法。

2、r>　　越來越多的研究表明大腦是復(fù)雜的非線性動力學(xué)系統(tǒng)，非線性動力學(xué)方法被廣泛地應(yīng)用于分析EEG信號。本文在非線性動力學(xué)分析方法上，提出了兩種非線性特征提取方法:基于近似熵和改進(jìn)近似熵的癲癇腦電特征提取方法和基于樣本熵和改進(jìn)樣本熵的癲癇腦電特征提取方法。首先，對癲癇腦電信號樣本數(shù)據(jù)分別求近似熵、改進(jìn)近似熵、樣本熵、改進(jìn)樣本熵;然后應(yīng)用所求的熵測度值作為癲癇腦電信號的特征進(jìn)行分類。熵測度是一種基于復(fù)雜度的非線性時間分析方法，不需要很長的數(shù)

3、據(jù)就可以估算出穩(wěn)定的熵值，具有很好的抗干擾和抗噪聲能力。熵測度的改進(jìn)方法采用模糊隸屬度函數(shù)解決了Heaviside函數(shù)在[0，1]之間沒有值的問題，很大程度上提高了區(qū)分時間序列的效率。
　　根據(jù)癲癇發(fā)作時大腦系統(tǒng)復(fù)雜度程度與正常大腦復(fù)雜度的不同，本文研究了兩種腦電信號分類方法。一種是直接利用四種不同的熵測度值作為特征，選取合適的分類閾值對癲癇發(fā)作間歇期和癲癇發(fā)作期腦電進(jìn)行分類，另一種是采用熵測度方法和支持向量機(jī)(SVM)相結(jié)合的癲

4、癇腦電信號分類方法，將近似熵值、樣本熵值、改進(jìn)的近似熵值和改進(jìn)的樣本熵值作為分類器的分類特征進(jìn)行分類。
　　隨著統(tǒng)計學(xué)習(xí)理論的不斷發(fā)展與完善，SVM（支持向量機(jī)）作為一種新穎的回歸分類工具得到廣泛應(yīng)用。SVM綜合考慮了VC維和結(jié)構(gòu)風(fēng)險的影響，被廣泛地應(yīng)用于分析癲癇腦電信號，對分析高維數(shù)非線性系統(tǒng)具有良好的性能。對于線性不可分樣本，將其非線性變換后映射到高維特征空間，在這個特征空間中存在一個最優(yōu)分類面或超平面能將特征空間分為兩個區(qū)域

5、。為提高癲癇腦電自動檢測分類的精度，我們將支持向量機(jī)作為分類器，應(yīng)用到癲癇腦電自動檢測分類算法中來，而支持向量機(jī)的分類特征即為前述所提取出的近似熵、樣本熵、改進(jìn)的近似熵和改進(jìn)的樣本熵。
　　實驗結(jié)果表明兩種非線性特征提取方法提取的特征均能有效的區(qū)分癲癇腦電發(fā)作間歇期和發(fā)作期信號。基于近似熵的單特征分類算法的總體分類正確率在0.15倍的標(biāo)準(zhǔn)差到2倍標(biāo)準(zhǔn)差區(qū)間內(nèi)不斷升高，最高分類準(zhǔn)確率達(dá)87.25％。在分類正確率上，SVM非線性分類比