基于时频分析的长程脑电波癫痫检测系统

摘要

癫痫是一种反复发作的脑部疾病，它的发作是由于大脑皮质神经元突然过度地、同步地放电引起的。癫痫有许多可能的病因，包括各种脑部疾病、脑损伤和异常的脑发育等等，在大多数情况下癫痫的病因无法查明而且很难治愈。癫痫脑电信号的分析通常是医务人员通过视觉观察脑电图(EEG)来完成的，这种方法主要依赖于医务人员的临床经验。EEG数据通常持续时间很长且复杂性很高，这很容易导致误检和漏检。因此，一种有效的癫痫自动检测系统在癫痫发作的研究中具有重要的价值，并且目前国内外有很多学者都在致力于这项工作的研究。
　　 脑电信号是非平稳的，拥有时变的频率分量，而时频分析综合了时域和频域的信息，被证明是进行脑电信号分析的一个强有力的工具，因此在癫痫检测中得到了广泛的应用。常见的时频分析方法有短时傅立叶变换、小波分析和维格纳-威利分布(WVD)等等。为了有效抑制交叉项干扰，本论文使用平滑伪维格纳-威利分布(SPWVD)时频分析方法，对癫痫脑电信号进行时频分解。
　　 分类器对于癫痫检测的性能具有重要作用，常见的分类器有统计方法、最近邻分类方法、判决树、人工神经网络以及支持向量机等。本文使用的提升算法是一种机器学习方法，可以利用若干弱分类器建立一个强分类器，进而可以提高分类的精确度。
　　 本文的方法分为三个步骤，首先对每一个脑电频段使用平滑伪维格纳-威利分布进行时频分析提取其频谱，然后提取特定时频窗口的局部能量组成特征向量，最后将特征向量作为输入导入到提升算法分类器中进行分类。本文用到的脑电数据来源于德国Freiburg医学院的癫痫研究中心的癫痫数据库，该数据库包括21位癫痫患者，共有87次癫痫发作。实验结果表明，该方法能够达到较高的敏感度、识别率和特异性，以及较低的错误检测次数。因此，本文提出的基于SPWVD和提升算法的癫痫检测算法是一种较为有效的癫痫检测算法。

目录

声明

摘要

符号说明

第一章 绪论

1．1 脑电信号(EEG)概述

1．1．1 脑电信号基本知识

1．1．2 脑电信号的基本性质

1．1．3 脑电信号的频谱成分

1．2 癫痫自动检测技术概述

1．2．1 癫痫自动检测的背景和意义

1．2．2 癫痫脑电信号

1．2．3 癫痫脑电检测的现状

1．2．4 癫痫脑电检测的流程

1．3 本文所做的工作和章节安排

第二章 时频分析的基本理论

2．1 时频方法简介

2．1．1 短时傅立叶变换

2．1．2 小波变换

2．1．3 Wigner-Ville分布

2．1．4 交叉项的抑制

2．2 各类时频分析方法的效果对比

第三章 癫痫脑电的分类方法

3．1 人工神经网络

3．1．1 人工神经网络基本概念

3．1．2 人工神经网络的基本特征

3．1．3 人工神经网络的分类

3．1．4 人工神经网络的应用

3．2 支持向量机

3．2．1 支持向量机的历史

3．2．2 支持向量机的发展

3．2．3 SVM分类基本原理

3．2．4 SVM的优缺点

3．3 Boosting算法

3．3．1 boosting算法产生与发展

3．3．2 boosting算法基本思想

3．3．3 Gradient Boosting方法

3．3．4 Boosting算法优缺点

第四章 基于时频分析的癫痫检测方法

4．1 引言

4．2 实验数据

4．3 特征提取方法

4．4 训练数据和测试数据

4．5 后处理

4．6 实验结果

4．7 讨论

第五章 结论与展望

5．1 结论

5．2 展望

参考文献

致谢

攻读学位期间的研究成果