论文部分内容阅读
癫痫是一种发病规律难以预测的脑神经系统疾病,严重困扰着人类健康。脑电图(Electroencephalogram,EEG)可以记录大脑神经元系统电位变化情况,是癫痫诊断过程中重要手段。癫痫发作时脑部周期性高频率放电,产生棘波、尖波、慢波、棘慢复合波等特征波都可以通过EEG体现出来。目前临床上对癫痫的检测是通过观察、对比不同阶段的EEG从而对人体的状况做出判断,从直观的角度确定患者的癫痫疾病所属类型、推断出潜伏期、确定治疗方案或手术部位,这通常需要对癫痫病人的脑电信号进行长期地监测。这个过程产生的EEG数据量庞大,依靠医疗工作者的肉眼去诊断耗时耗力,且依据工作经验、诊断习惯和判断标准的不同,会产生偏差或者误诊。基于此,研究出一种能够应用于实现癫痫脑电信号自动检测的方法,意义重大。针对脑电信号复杂细致的特点,直接基于脑电信号的特征提取会使大量细节丢失,本文在脑电信号特征提取步骤上提出了一种基于灵活分析小波变换(Flexible Analytic Wavelet Transform,FAWT)的时频分析自动检测方法,通过实验数据验证了该方法的有效性。EEG的处理流程如下:首先,应用FAWT对信号进行分解重构,多尺度变换使重构信号比原始信号更细腻;其次,应用窗口宽度为256点,重叠数为200的短时傅里叶变换(Short-Time Fourier Transform)提取出EEG时频特征。然后,非负矩阵分解(Non-negative Matrix Factorization,NMF)对样本的时频特征矩阵降维。最后,将降维后的时频特征送入遗传算法优化的支持向量机(Support Vector Machine,SVM)中分类,以准确率为主要评价指标,程序运行10次,得出识别分类结果的平均准确率为99%。上述是本文提出自动检测方法的基本步骤,在上述工作上,本文还做了多组对比实验,包括:1.寻找FAWT的最佳分解层数。由于不同分解层数下EEG被分解的细致程度差异较大,本文在实验中使FAWT的分解层数J从1变换到16,将各个J值下分类准确率对比,实验结果表明J为6时分类准确率最高。2.确定FAWT的重构方式。针对不同重构方式下EEG被细化的频段不同,准确率结果差别较大的问题,本文在实验中对比了四种重构方法,实验结果表明,第一种重构方式下,高频段信息和较低频段信息被充分保留,分类的准确率最高。3.对比FAWT、可调Q因子小波变换(Tunable Q-factor Wavelet Transform,TQWT)和离散小波变换(Discrete Wavelet Transform,DWT)的多尺度时频分析性能。实验结果表明,FAWT进行6层分解以第一种方式重构时,准确率高于TQWT和DWT。4.对比STFT和快速傅里叶变换(Fast Fourier Transform,FFT)的时频特征。为了使实验结果更加客观,实验中调节STFT时频窗口大小,令STFT和FFT提取的时频特征个数一致,实验准确率表明,STFT的时频分析性能优于FFT。5.对比NMF、因子分析(Factor Analysis,FA)和奇异值分解(Singular Value Decomposition,SVD)降维性能,使降维维度k从1变化到30,从准确率变化曲线和时间上分析。结果表明,NMF对高维数据的降维性能优于FA和SVD。6.验证本文方法的有效性。将本文准确率与近几年该领域内文献准确率对比,结果表明本文准确率高于其他文献。