论文部分内容阅读
随着计算机技术与信息技术的快速发展,非线性动力学方法在生物医学信号分析领域的应用越来越广泛。然而,准确的分析、鉴别脑电信号并非易事,通常需要专家们记录连续几天的脑电图(EEG)进行脑部疾病检测,并分析大量的EEG数据,既耗时又繁琐,而且容易受医生个人主观倾向的影响。由此,如何自动分类和识别脑电信号越来越重要。 人脑是个典型的非线性动力学系统,它产生的脑电信号是一种时变的、非平稳的非线性动力学信号。传统的线性分析方法在处理时并不能有效的识别维度类似的EEG信号,因此具有一定局限性。相比之下,非线性特征分析更适合用来分析脑电信号。本文围绕脑电信号的非线性动力学分析方法及其应用,首先提出了基于排列熵的脑电信号特征提取方法,然后将单尺度扩展到了多尺度,引入了多尺度排列熵特征提取法,结合支持向量机(support vector machine, SVM)对提取的特征分类,最后应用到了酗酒者和癫痫患者的脑电模式识别中。本论文的主要贡献包括以下几个方面: ●排列熵的多尺度分析方法研究:本文在分析了脑电信号传统的线性分析方法和目前常用的非线性分析方法的基础上,以香农熵与划分的思想为导入,详细阐述了一种非线性分析方法—排列熵,重点介绍了排列熵的实际应用与其计算方法;并在此基础上,结合多尺度的概念,详述了多尺度排列熵的计算方法及其应用。 ●酗酒脑电活动的非线性分析检测方法:针对酗酒者脑电信号的非线性特征,提出了一种基于排列熵的酗酒者脑电分析方法,主要分为酗酒者脑电信号分析、多通道电极优选、排列熵特征提取和SVM分类识别。实验结果证明了该方法用来区分长期酗酒者和正常人具有一定有效性。 ●癫痫脑电信号特征提取检测方法:在分析现有的特征提取方法及其优缺点的基础上,针对脑电信号随机性强的非平稳特性,提出了基于排列熵以及多尺度排列熵的癫痫脑电特征提取、特征数值分析方法,并采用公共数据集验证了该特征提取的有效性和可区分性。 ●癫痫脑电信号非线性预测方法:分别提取5种状态的脑电信号的排列熵、多尺度排列熵作为特征向量,输入四个 OVO-SVM分类器对健康状态下、癫痫发作间期和癫痫发作期进行分类,结果多尺度排列熵特征取得了更好的识别效果,证明了脑电信号的非线性与“多尺度”特征,并表明了特征提取方法较高的模式可分性。 本论文的工作对于推进脑电信号的特征提取和自动检测,进一步促进其在脑部疾病检测的应用起到积极作用。由于实验数据集的局限性,本文提出的研究方法的鲁棒性和自适应性有待进一步的验证和提高。