基于小波包能量与熵特征和Real AdaBoost算法的癫痫脑电识别

摘要

癫痫(Epilepsy)是由于大脑神经元异常放电所导致的短暂大脑功能障碍，症状表现为肢体抽搐痉挛以及短暂性的意识丧失。癫痫疾病已经成为神经系统较常见疾病之一，发作时会给患者带来极大的痛苦且迁延日久难以治愈，给本人的身体、精神、婚姻及社会地位造成不良影响，也给家属带来了极大的身心负担。目前癫痫的检查方式有影像学检查、血液检查、脑电图(EEG)检查等，其中脑电图作为癫痫疾病的主要检测手段仍然在医学界占有着举足轻重的地位。癫痫患者在发作间歇期和发作期的脑电信号在幅值及信号复杂度方面会有很明显的异常表现，在临床上具有很重要的参考价值。脑电信号目前更多的是依赖癫痫专家肉眼的判读，但是长时间的脑电序列判读会给专家的分析带来负担。除此之外，不同专家由于经验等方面的差异，往往很难对同一段脑电信号给出一个一致的结论。目前计算机技术及机器学习理论的发展给这一问题的解决带来了新的思路，针对脑电信号的自动检测识别技术成为了比较热门的研究方向。
　　为了解决癫痫各时期脑电信号自动检测的问题，本文提出了一种基于非线性特征与小波包能量特征提取结合基于纠错编码(ECOC)Real AdaBoost算法的脑电自动分类识别方法。该方法首先对输入的脑电信号样本进行特征提取处理，具体来说就是对脑电信号段进行熵特征计算，并对其进行小波包分解后提取部分频段的能量，然后一同组成特征向量，最终通过基于纠错编码的RealAdaBoost分类器对脑电信号的各个时期进行判别。本论文所做的主要工作和创新点如下:
　　(1)提出了时频和非线性特征相结合的特征提取方法，充分利用各种特征的优势，从时域、频域和熵的角度对信号加以描述，提高了各时期脑电信号的区分度。
　　(2)为了达到特征提取的实时性要求，针对长序列的样本熵(SampEn)算法效率较低的问题对其加以改进，在已经提出的基于二值矩阵的近似熵(ApEn)快速算法的基础上进一步优化，尽量避免重复计算，有效提高了运算速度，基本满足了特征提取的实时性要求。
　　(3)为了实现正常、癫痫发作间期和癫痫发作期脑电信号的分类判定，本文采用了基于纠错编码的分类方法，将传统的二分类器拓展为多类分类器，并对分类器输出的判定条件进行改进，充分利用单个二分类器判别结果的置信度信息作为最终所属类别的判定依据，替换了原始基于汉明距离的判定，有效提高了识别率。
　　本研究采用的数据集来自德国波恩大学癫痫数据库的脑电数据（含正常人清醒、睁眼与清醒、闭眼，癫痫患者发作间歇期致痫灶外与致痫灶内及癫痫发作期5组脑电信号）。实验结果表明，结合时频和非线性特征对脑电信号进行表征可有效的对各时期的脑电进行区分，该方法有较好的运算速度和稳定性。与同类研究相比，本文所述方法有着更高的识别率，在临床上对癫痫疾病的检测起到了恨好的辅助决策作用。

目录

声明

摘要

1．1 癫痫疾病介绍

1．2 癫痫脑电概述

1．3 癫痫脑电自动检测研究意义及研究现状

1．4 论文组织结构安排

第二章 脑电信号的时频分析

2．1 短时傅里叶变换

2．2 小波变换

2．2．1 连续小波变换

2．2．2 多分辨率分析

2．2．3 快速小波变换

2．2．4 小波包变换

2．3 脑电信号的小波特征分析

2．3．1 小波函数的选择

2．3．2 小波包能量

2．4 本章小结

第三章 脑电信号的非线性特征分析

3．1 相空间重构

3．2 排列熵

3．3 近似熵

3．4 样本熵

3．4．1 样本熵算法原理

3．4．2 样本熵算法的优化

3．5 本章小结

第四章 脑电信号的分类方法

4．1 Fisher线性判别分析

4．2 支持向量机

4．3 Boosting算法

4．3．1 算法概述

4．3．2 Real AdaBoost算法

4．4 基于纠错编码的多类分类

4．4．1 概述

4．4．2 Real AdaBoost与纠错编码相结合的多类分类方法

4．5 本章小结

第五章 基于小波包能量和熵特征的癫痫脑电识别实验过程

5．1 实验数据

5．2 实验过程

5．2．1 癫痫脑电识别流程

5．2．2 数据处理及特征提取

5．2．3 模式分类

5．3 实验结果及分析

5．4 讨论

5．5 本章小结

6．1 本文总结

6．2 工作展望

参考文献

致谢

攻读硕士研究生期间的研究成果