论文部分内容阅读
癫痫是一种典型的脑功能短暂性失调神经性疾病,在癫痫发病时脑电信号会产生大量的棘慢特征波。临床上主要通过对患者脑电图进行可视化分析来诊断癫痫疾病,但这种方法费时长、效率低、主观性大,易造成误诊,所以研究癫痫脑电信号自动检测意义重大。本文提出了一种基于多特征提取的癫痫脑电信号自动分类检测方法,主要通过特征提取算法提取脑电五个基本节律的信号特征,结合分类器算法实现癫痫脑电自动分类检测。在前人工作基础上,本文主要完成了以下工作:1、对脑电信号特征提取及自动分类算法的国内外研究现状和未来发展趋势进行了分析,对癫痫脑电信号特征进行了简要介绍。2、针对小波包子带频率混叠现象引入两个修正算子,消除附属于小波包子带的其他频率成分。实验结果表明引入的算子能较好地消除重构信号的频率混叠,从而能准确地提取脑电的五个基本节律。3、提出了一种基于癫痫脑电各节律波的快慢波能量比和样本熵值脑电特征提取算法。提取癫痫脑电的9个快慢波能量比和5个节律波样本熵作为特征量用于分类。经方差性分析检验得到本文提取的14个特征量在癫痫脑电三种状态之间的p值均小于0.0001,存在显著性差异,能够有效反映癫痫脑电临床病理信息。4、采用“一对一”投票法对SVM分类器进行多分类应用改进,结合网格寻优和交叉验证方法选取SVM分类器的最佳惩戒因子C和核半径σ,并通过Fisher_iris数据集验证改进算法的可行性。实验结果表明,该改进方法在C和σ分别取2和0.7时取得了 100%的分类准确率,成功实现了多分类预测。5、将本文提出的特征提取算法和分类器算法用于解决4类9种常见的癫痫脑电信号分类问题,并与概率神经网络算法和K近邻分类算法进行对比分析,获得了98.67%以上的平均分类准确率。结果表明本文提出的基于多特征提取的癫痫脑电自动分类检测方法对上述4类癫痫脑电信号的分类识别效果较好。