论文部分内容阅读
癫痫是一种以大脑神经元非常规放电所导致的短暂性大脑功能障碍慢性疾病。依据全球的卫生组织在2005年做出的报告,有着最多患者数的精神类疾病就是癫痫。目前,脑电图(Electroencephalogram,EEG)是评估大脑活动的重要方法,其被称为癫痫检测诊断的“黄金标准”。然而,医生都是通过视觉检查患者的脑电图以实现癫痫的临床诊断,但该方法效率低下且容易导致误诊。因此,利用现在流行的模式识别技术与计算机科技对脑电信号来进行相应的处理已成为重要的癫痫辅助检测手段。本文针对自动诊断算法复杂,分类精度不高的问题,对分类算法进行改进,并提出一种基于梯度提升树(Gradient Boosting Decision Tree,GBDT)算法的癫痫检测方法,并与经典的支持向量机算法做出来比较,主要工作如下:1.通过对长程脑电特征分析,发现癫痫脑电和间歇期脑电无论幅度、频率,还是复杂度均有较大的差别,通过对脑电信号进行预处理和特征提取,可以使用分类器快速有效的区分开两者。在脑电信号预处理阶段,直接基于脑电信号的特征提取会让大量细节丢失,本文利用频率切片小波变换(Frequency Slice Wavelet Transform,FSWT)对脑电数据进行信号重构处理,得到了五个频段的节律信号,再利用非线性指标近似熵和线性指标波动指数共同作为癫痫信号的特征值,充分提取了信号的特征信息;2.为了提高分类效果的有效性,本文将经典方法支持向量机分类器与GBDT分类器进行对比,利用遗传算法(Genetic Algorithm,GA)在众多可能的初始值中优化出最优的一组惩罚因子和和函数参数,并让其与支持向量机(Support Vector Machine,SVM)结合来进行了仿真测试。将脑电特征向量送入已进行过训练的分类器来进行脑电信号进行分类,以区分癫痫脑电和间歇期脑电。从而实现对癫痫发作的检测。在与经典方法支持向量机分类器与GBDT分类器进行对比中,本文对癫痫脑电信号的三分类识别率为98.4%,实验结果表明了GBDT分类器成功利用更多的数据集,并且计算速度快、分类精确度高的优点,更适用于临床应用。