基于机器学习的脑电信号识别研究

发布时间：2022-01-27 20:42

　　随着脑科学研究的发展,精准的脑电信号识别不仅可以帮助医生进行疾病的诊治,同时可以帮助患者进行疾病的预测。但是脑电信号的分类研究中仍存在算法复杂度过高导致不适合应用于可穿戴设备中、样本量太少导致分类效果差、数据类别不平衡导致性能不稳定等问题。如何解决脑电信号识别面临的这些关键问题成为推动脑科学进一步发展的重要因素。本文首先分析了脑电信号识别面临的主要问题,同时在了解国内外研究现状的基础上,通过提出相应的算法来依次解决上述提到的三个问题。首先,本文在小波分解得到的多个子频带上提取多种不同类型的时频特征进而组成特征集合,并提出改进的基于相关性的特征选择算法,同时将其应用于特征集合上进一步获得最优特征集,并采用五种分类器对癫痫病患者的发作期、发作间期以及正常脑电信号进行三分类识别。最终使用波恩大学癫痫数据集来验证算法的真实性能,其中逻辑模型树的识别结果最佳,达到了97.2%的分类准确率。该算法通过减少冗余的特征数目,从而达到降低算法复杂度的同时提高分类精度的目的。此外,我们实现了一个基于共空间模式算法和卷积神经网络的癫痫模型。由于癫痫预测数据存在发作前期数据和发作间期数据处于极度不平衡的问题。... 

【文章来源】：济南大学山东省

【文章页数】：65 页

【学位级别】：硕士

【部分图文】：

δ波、θ波、α波、β波示意图

图 1.2 21 导联的 10-20 脑电定位系统。容和组织结构为五章，围绕脑电信号的识别分类研究这一主题癫痫预测三个方面进行阐述，并分别提出了改进考虑的问题，每章的主要内容安排如下：。介绍本课题的研究背景和意义，介绍了 EEG 方法，并说明了本论文的主要内容和组织结构。进的相关性的特征选择算法的癫痫自动识别。并将其应用于癫痫检测三分类识别中。空间模式算法和卷积神经网络（Convolutional N。对比现有癫痫预测方法，针对癫痫预测数据集

第二章 癫痫检测识别痫检测相关工作痫俗称“羊癫风”或“羊角风”，由于部分神经元的异常放电导致大脑短暂功严重的同时很难治愈的慢性疾病[33,34]。癫痫发作通常表现为突然、短暂的动作中止不动，两眼呆滞等。长时间的癫痫发作会使患者长期处于紧张焦响其身心发展及精神健康。其中包括：（1）严重影响生命安全。由于癫痫突然，无法预料的，所以发作会导致患者烫伤、摔伤，严重者会出现溺水2）容易患有精神疾病。癫痫患者长期在学业、就业以及工作中受到歧视响其精神的健康发展。（3）使得智力下降、并出现记忆障碍，可能最终导力[35,36]。癫痫脑电波主要包括尖波、棘波、尖慢复合波及棘慢复合波等[3如图 2.1 所示。

【参考文献】：
期刊论文
[1]头皮脑电采集技术研究[J]. 张发华,舒琳,邢晓芬.  电子技术应用. 2017(12)
[2]立体定向脑电图对头皮脑电提示双侧颞叶癫痫的评估研究[J]. 王丽辉,刘强强,徐纪文,周洪语,叶晓来,赵晨杰,马军峰,洪婧.  中华神经外科杂志. 2017 (06)
[3]视频脑电图在癫痫的诊断和定位中的作用研究[J]. 王伟,徐洪波,贺强贵,程水兵,谢先海,吴广宇.  中华全科医学. 2015(10)
[4]在单一模式和双模式刺激下gamma节律与ERP的同步效应[J]. 王明时,刘瑾,诸强,陈韵.  生物医学工程学杂志. 2005(05)
[5]迷走神经刺激术对七例顽固性癫痫患者脑电波影响的长期观察[J]. 刘玉玺,石志杰,闫丽红,徐海涛,闫月娥.  中华神经科杂志. 1999(03)

博士论文
[1]基于脑电信号分析的激励理论中内在与外在动机的机理研究[D]. 金佳.浙江大学 2014
[2]基于脑电信号的脑—机接口的关键技术与实验研究[D]. 叶柠.东北大学 2010

硕士论文
[1]基于盲源分离的P300脑机接口信号处理算法研究[D]. 信思旭.燕山大学 2016
[2]基于混沌的癫痫脑电波分析与识别[D]. 王川.山东师范大学 2015
[3]基于EEG信号的脑力疲劳检测方法的研究[D]. 潘屏萍.广西大学 2014
[4]基于汉语听觉认知的事件相关电位的研究[D]. 沈江涛.河北工业大学 2011



本文编号：3613055