论文部分内容阅读
脑电图(Electroencephalogram,EEG)信号代表人类脑部的电活动。由于其准确度高、安全、无创、廉价,因此成为目前癫痫诊断的主流技术。但是癫痫脑电信号的分类研究中仍存在算法复杂度过高、数据类别不平衡导致性能不稳定、样本量太少导致分类效果差等问题。为了有效地检测脑电图中的癫痫信号,本论文针对局部模式下的脑电信号分类进行重点研究,将局部模式、多粒度扫描、极限学习机引入癫痫脑电信号检测中进行进一步的探讨,本文的创新和主要贡献如下:(1)提出了局部模式下改进的多粒度局部二值模式算子(Multi-Granularity Local Binary Pattern,M-LBP),使用多粒度扫描处理多种不同类型的脑电信号获得多个粒度下包含更多细节信息的相应高维度脑电信号;通过计算各粒度下高维度脑电信号的局部二值变换码的均值、标准差作为最终的特征向量馈送至五种不同分类器中进行分类。在波恩大学癫痫数据集上进行了实验,实验结果表明,该方法对二分类,三分类不同数据集均有较好的分类效果,尤其是二分类Z-S、Z-F等分类精度达到99.5%。该算子通过分析计算不同粗细粒度下信号的节点信息,从而达到了防止细节信息遗漏的同时提高分类精度的目的。(2)实现了一个基于一维局部三值模式算子(1D-Local Ternary Pattern,1DLTP)和极限学习机(Extreme Learning Machine,ELM)的癫痫脑电信号分类模型。首先,利用1D-LTP算子对EEG信号进行顶层模式和底层模式的特征提取;其次对使用主成分分析(Principal Component Analysis,PCA)进行降维后的特征码使用极限学习机进行分类;最后使用10倍交叉验证评估分类性能。实验数据表明,提出的算法对实验数据集均具有较好的分类精度,减少了冗余的特征数目且在Z-S上的识别精度可达到99.79%,显示了分类模型对癫痫脑电信号较强的分类能力。通过实验,将多粒度局部二值模式算子和一维局部三值模式算子各个参数对分类的影响进行仿真与分析。结果表明,本文提出的算法不同程度地提高了癫痫脑电信号分类精度,达到预期的分类目标。为快速准确地自动诊断癫痫疾病提供了一个解决方案,可为其他分类研究提供有效的参考途径。