论文部分内容阅读
癫痫病由于其发作以及整个治疗和康复过程都集中于人脑,因此研究癫痫脑电信号对于大脑的研究起着重要的作用。通过研究癫痫脑电信号,不仅提高了临床上对癫痫的诊断与治疗水平,还可以帮助人们对大脑有更多的了解。本文利用最小二乘支持向量机、KⅢ模型、深度学习三种方法对癫痫脑电信号进行识别研究。首先,利用传统的脑电识别方法对0.5-3HZ,3-8HZ,8-13HZ,13-30HZ四个频段的癫痫脑电信号进行识别研究。先利用EMD镜像延拓对信号进行预处理,然后用傅里叶变换提取各个频段;接着分别采用T检验、F检验、Kruskal-Waills检验三种检验方法对各个频段的特征值进行检验;最后基于最小二乘支持向量机分类器,将三种检验方法提取的有效特征分别用于识别实验。实验结果表明,针对三种检验方法,不同频段的特征经过Kruskal-Waills检验后得到的识别效果是最优的;针对不同频段的癫痫脑电,8-13HZ频段的识别结果最好,能够作为有效检测癫痫脑电的频段。其次,基于KⅢ模型对癫痫脑电进行识别研究。先对脑电信号进行合适的切分预处理,然后将KⅢ模型作为分类器识别癫痫脑电。分两组实验进行识别:对特征提取的序列进行识别;对直接序列进行识别。实验结果表明:基于特征提取的方法进行识别时,在切分成50段即序列长度为81时识别率最高,识别率为91.67%;基于直接序列识别时,对于不同序列长度的脑电,样本所包含的信道越多,识别率越高,因此在信道数为50时识别率最高并且都在96%以上。本实验说明KⅢ模型能够很好的对癫痫脑电信号进行识别,并且对脑电信号的切分关系着识别率的高低,所以选取合理的切分很重要。最后,基于深度学习对癫痫脑电进行识别研究,本文采用的深度学习中的卷积神经网络模型。首先对脑电信号进行合理的切分预处理,利用卷积神经网络对癫痫脑电信号序列直接进行识别。实验结果表明,卷积神经网络同KⅢ模型一样,在不同的序列长度下随着信道数目的增加识别率也越高,在信道数为50时,识别率都在99%以上。但是比基于KⅢ模型的识别结果好,尤其是在信道数为5和信道数为10的情况下,卷积神经网络的识别率明显高于KⅢ模型的识别率。