论文部分内容阅读
脑电图检查是一种有效的临床诊断方法,它为一些大脑异常病症(如癫痫和脑肿瘤)的诊断提供了可靠的信息。由于癫痫通常是突发性的,所以需要对病人进行长时间的观察。目前,这项任务主要是由人工视觉检测来完成的。视觉检测即费时,效率又低,而且视觉检测缺乏标准的制约。癫痫脑电特征的自动识别可以解决这一问题。 癫痫特征识别的发展是以现代信号处理技术的发展为基础的,本文的主要研究目标是在调研现有的癫痫脑电信号识别方法的基础上,提出性能更高,可靠性更好的癫痫特征识别方法。 本文主要从模式分类器的角度对癫痫特征的识别进行研究,以小波变换、非线性能量算子、神经网络和支持向量机等技术为工具。具体的内容如下: 首先,研究目前国内外癫痫特征识别与提取的现状,归纳总结存在的方法和技术,综述它们的性能及优缺点。 其次,对小波变换、非线性能量算子、棘波参数提取及神经网络相关技术做了较细致地研究,分析各技术的优势,实现了一种基于脑电信号特征提取的癫痫波综合检测判决方法,在对真实脑电信号的实验中,取得了较好的结果,在有效检测出癫痫特征的同时,减少了伪差(即噪声)的影响,增强了系统的可靠性。 第三,从模式识别与分类的角度,研究目前较热门的技术——支持向量机理论及算法,将其应用于棘波、非棘波的分类,并与神经网络分类器的结果作了对比。实验表明:支持向量机分类器在灵敏度和漏检率方面,有较好的结果。而且,支持向量机泛化能力强的优点使其在对癫痫放电后期附着在慢波上的棘波切迹有较好的识别效果,为医生提供了较多的病理信息。 最后,结合本文理论研究工作,对目前市场上的脑电图仪进行详细调研。分析新型脑电图仪的特点,做了相关癫痫脑电信号特征识别与提取技术在新型脑电图仪中应用的前期探索性的工作。