脑电信号的非平衡数据处理及特征提取方法的研究

摘要

癫痫是一种常见的神经系统紊乱疾病，以反复、突发的癫痫性发作为主要特点，严重危害着人类的日常生活乃至生命。传统的癫痫检测方法是医生根据自身的经验结合病人的脑电图进行视觉诊断完成的，但由于监测过程中会产生海量的非平衡数据，从而会造成传统方法十分耗时、主观性强等缺点。因此，利用计算机技术进行癫痫性发作的自动检测成为近几年来的研究热点。作为一种典型的非平衡数据，如何对获取的长时程脑电数据进行恰当的平衡预处理，以及如何设计合适的脑电特征提取方法是完成这一过程的两个关键环节。基于此，本文分别从脑电信号的平衡处理以及特征提取两个角度出发，设计了一种恰当有效的用于癫痫性发作自动检测的非平衡数据处理方法，同时提出了一种新的癫痫脑电特征提取方法。主要工作内容如下:
　　第一章系统地阐述了癫痫性发作自动检测的研究背景及现状;
　　第二章简要地阐述癫痫及脑电图，并对癫痫性发作自动检测中常用的数据库以及分类器做了简单介绍。
　　第三章基于K-means、Silhouette指标以及M-近邻下采样提出了一种新的数据平衡方法K-M-S，并通过数值实验对该方法的有效性进行了验证。
　　第四章基于非线性动力系统提出一种新的脑电特征提取方法中心核半径(Kernel Radius-based Feature，KRF)，并通过数值试验验证了该特征的有效性。

目录

声明

摘要

1．1 研究背景及问题

1．2 研究现状

1．2．1 数据平衡处理的方法

1．2．2 特征提取

1．3 本文研究内容及结构安排

第二章 脑电数据库与分类器

2．1 癫痫及脑电图

2．1．1 癫痫

2．1．2 脑电图

2．2 脑电数据库

2．2．1 Bonn数据库

2．2．2 CHB-MIT数据库

2．3 两种常用的分类器

2．3．1 超限学习机

2．3．2 支撑向量机(SVM)

2．4 本章小结

第三章 一种新的非平衡处理方法

3．1．3 M-近邻下采样

3．1．4 一种新的非平衡数据处理方法K-S-M

3．2 数值实验

3．2．1 特征提取

3．2．2 评价指标

3．2．3 数值实验结果

3．3 本章小结

第四章 基于中心核半径的脑电特征提取方法

4．1 经验模态分解

4．2 相空间及其重构

4．3 基于中心核半径的脑电特征提取方法

4．4 数值实验及结果

4．5 本章小结

论文总结与展望

参考文献

攻读硕士学位期间取得的科研成果

致谢