一、Synthesized Multi-Method to Detect and Classify Epileptic Waves in EEG（论文文献综述）
刘志峰[1]（2021）在《基于高频振荡信号检测的癫痫发作起始区定位研究》文中提出癫痫是由神经元异常放电而导致中枢神经系统功能短暂失常的脑部疾病,其发作的形式和强度复杂多样。约30%的癫痫患者在服用药物后发作症状未得到缓解,只能寄希望于手术切除癫痫灶以进行治疗。在术前评估时,发作起始区作为癫痫灶定位显着的标志,其定位精度决定着手术的治疗效果。因此,如何实现发作起始区的准确定位具有十分重要的研究意义。目前已有多项研究表明:癫痫发作起始区内、外的高频振荡信号具有一定差异,其可被用于定位发作起始区。但传统的高频振荡信号检测多依靠人工识别,该方法效率低且主观性强。为此,本课题设计了一种高频振荡信号自动检测模型,在此基础上,将脑电图各电极触点的高频振荡与低频脑电特征相结合,共同用于发作起始区定位。本课题的研究内容主要包括以下三部分:首先,针对高频振荡信号无公开数据集的问题,本课题设计了一种初筛算法以提升信号的标定效率。该算法依据信号的波幅包络建立阈值,自动筛选出疑似片段。人工只需要对疑似片段进行最终判定即可,目前共完成2700例高频振荡信号的数据标注。其次,本课题设计了一种高频振荡信号自动检测模型。利用小波包变换方法将信号分解以提取各频段的特征,在此基础上采用改进的特征选择算法对特征进行筛选,最后通过支持向量机实现真、伪高频振荡信号的分类。实验结果表明,改进的特征选择算法对于检测效果的提升有帮助作用,其检测灵敏度为89.7%、特异性为90.7%。最后,本课题设计了两种发作起始区定位算法。（1）选择电极触点中高频振荡信号出现率和能量均值特征,通过阈值法实现发作起始区定位。其分类灵敏度为78.2%,误发现率为14.2%。（2）改进特征提取方式,将电极触点中高频振荡和低频脑电特征结合,分别利用决策树、K近邻和支持向量机算法实现发作起始区定位。实验结果表明,改进后算法各项性能指标均有提升,灵敏度为81.2%、特异性为83.6%。
李娜[2]（2020）在《基于突变点检测的癫痫数据异常及其关联网络结构的分析方法》文中提出癫痫是由于大脑神经非正常放电导致的脑部障碍,如果癫痫发作时,病人没有得到及时治疗,将会增加其死亡率。目前脑电图检测是一种比较有效的癫痫疾病检测方法,但是仅仅靠人工检测分析达到对病人病情的实时监控几乎是不可能实现的,因此有关癫痫脑电信号的自动检测技术受到很大的关注。根据癫痫脑电信号的特点,本文中将脑电信号看作时间序列,病人处于正常状态时,时间序列是平稳的,当癫痫发作时,时间序列中则会出现异常。由于病理信号的规模较大,时间序列通常是无界流,直接分析是比较耗时的,计算起来需要大量时间。本文针对现有的癫痫疾病分析方法时间复杂度较大、对不同数据段不同位置的数据不敏感、且未能分析病理信号之间的关联关系等问题,提出单路脑电数据异常的快速检测方法即TSTKS方法;基于KST理论框架给出了多变量时序集的数据波动异常及其关联网络结构的分析方法;最后将TSTKS、KST与KS等多种方法综合应于构建关联网络。首先,基于突变点检测理论,实现了单路脑电数据异常的快速检测方法即TSTKS方法,通过合成数据和脑癫痫时序数据验证了TSTKS方法的快速性、准确性。TSTKS方法结合Harr小波和KS统统计在原始时间序列中构建三叉树并制定三条搜索策略提高了单路脑电数据检测的速度和精度。通过改变合成数据中不同时序信号的数量、突变点位置和直接检测癫痫脑电数据的实验对本文所提出的TSTKS算法加以分析,表明该算法能否准确、快速地检测到癫痫脑电信号中的异常点。其次,基于KST（Kolmogorov-Smirnov`Test和Student`Test）理论框架给出了多变量时序集的数据波动异常及其关联网络结构的分析方法,利用模拟数据和癫痫病理时序集验证了算法的可行性。KST方法集成了基于KS统计和T检验方法的优点,可以最大限度地捕获每个时间序列段中左,右边界或中间区域附近的数据波动特征,从而准确地构建无向相关网络FCN。通过对改变模拟数据中突变点位置、时间窗口长度等条件和采用真实癫痫数据构建关联网络的实验分析,验证KST框架能准确构建多变量癫痫数据波动异常的关联网络。最后将TSTKS、KST与KS等多种方法综合应用于脑癫痫病理时序集的数据异常及其关联网络结构分析中,进一步验证了本文方法的实用性、快速性和有效性。本文旨在针对已有的癫痫病理数据检测方法中存在的准确率不高、时间复杂度大的问题,提出了快速检测时序数据突变点和准确构建多变量癫痫数据波动异常关联网络的理论和方法,通过改变实验数据突变点位置、时间窗口长度等条件和直接检测癫痫电数据的实验验证本文所提方法能快速检测到病理数据异常及关联网络结构,并且该结果可能对未来的癫痫疾病诊疗起辅助作用。
宋磊[3]（2019）在《振幅整合脑电图联合磁敏感加权成像在早产儿脑损伤诊断价值的应用研究》文中进行了进一步梳理第一部分振幅整合脑电图在早产儿脑损伤中的应用研究目的:探讨振幅整合脑电图（aEEG）对早产儿成熟度的判断和早产儿脑损伤（BIBP）诊断的应用价值。方法:选取2016年9月至2018年3月,江苏省南通市第一人民医院新生儿病房收治的77例,28～37周的早产儿为研究对象,其中49例为脑损伤早产儿（BIPI）组,28例为非脑损伤早产儿组,同时设23例37～42周的非脑损伤足月儿作为对照。对所有早产儿和足月儿进行aEEG监测,在生后72h内,每24小时监测一次,每次连续3h,结果取三次平均值。所有早产儿72h后,每1周监测1次,每次连续3h,至纠正胎龄40周。同时观察aEEG的具体指标:连续性（Co）、睡眠-觉醒周期（SWC）、上边界电压（UMA）、下边界电压（LMA）、窄带宽度;整体指标:Burdjalov的CFM评分和Naqeed诊断。分析不同出生胎龄、不同纠正胎龄非脑损伤早产儿的aEEG特征,并和非脑损伤足月儿比较;分析比较出生时非脑损伤早产儿组和早产儿脑损伤组aEEG的区别。结果:随着出生胎龄的增大,aEEG的背景活动逐渐成熟,出生胎龄29～32周、32～35周和35～37周三组早产儿出现连续性电压百分比分别是:34.1%,67.3%和92.1%;周期性分别是:32.8%、65.3%和89.6%;三组早产儿随着出生胎龄的增大,UMA（35.82±5.03、32.63±3.83 和 30.41±4.32）呈现下降趋势;LMA（4.16±1.43、4.89±1.62和 5.61±1.51）呈上升趋势;带宽（26.39±4.38、25.63±5.32 和 23.41±5.23）逐渐变窄;CFM评分（5.13±2.46、7.20±2.53和9.51±2.15）逐渐增大,和非脑损伤足月儿比较差异均有显着性（P<0.05）。生后纠正胎龄37周的非脑损伤早产儿UMA、LMA、带宽和 CFM 评分（31.87±5.63、4.84±1.51、26.67±5.23 和 10.03±1.52）,与非脑损伤足月儿出生时相比有统计学差异（P<0.05）。纠正胎龄38和40周的非脑损伤早产儿,UMA、LMA、带宽（30.27±4.32、5.82±2.02、26.80±3.21;32.28±4.00、7.92±1.53、21.16±3.92）,和足月儿出生时比较差异有显着性（P<0.05）;纠正胎龄39周早产儿和足月儿比较,差异无显着性（P>0.05）。出生72h内,非脑损伤早产儿aEEG的UMA、LMA、带宽和 CFM 评分（32.08±4.36、4.24±1.65、25.68±5.45 和 7.14±2.28）,和脑损伤组差异均有统计学意义（P<0.05）,其中LMA和CFM明显高于BIPI组,而UMA和带宽低于BIPI组。本采用Burdjalov评分联合Naqeed标准判断结果:77例早产儿的aEEG,37例正常,40例异常。其中Burdjalov评分诊断异常37例,Naqeed诊断36例,重度11例、轻度25例,重度异常的UMA、LMA、窄带宽度和CFM分别是 35.45±3.12、3.04±0.52、27.58±1.23 和 4.15±0.83。结论:早产儿随着出生胎龄的不断增大,aEEG的图形特征逐渐接近非脑损伤足月儿,纠正胎龄39周左右aEEG发育成熟,aEEG能较好地判定早产儿脑成熟度。根据aEEG诊断的具体指标和整体指标,aEEG异常程度与早产儿脑损伤具有相关性,有一定的诊断价值。第二部分磁敏感加权成像在早产儿颅内出血中的应用研究目的:观察早产儿脑磁敏感加权成像（SWI）和常规磁共振（MRI）序列的区别,探讨MRI在非脑损伤早产儿的脑发育中的价值和SWI在颅内出血中的诊断优势。方法:选取2016年9月至2018年3月,江苏省南通市第一人民医院新生儿病房收治的77例,28～37周的早产儿为研究对象,其中49例为脑损伤早产儿,28例为非脑损伤早产儿。选择10例非脑损伤足月儿为对照组。早产儿达到纠正胎龄37周,应用西门子1.5T超导型MR扫描系统,采用MRI的常规序列联合SWI序列检查。采用脑总成熟度评分（TSM）标准,包括具体的髓鞘化程度（M）、脑皮质卷曲程度（C）、胚芽基质残余（GM）、胶质细胞迁移带（B）评分和脑总成熟度评分（TSM）总分,观察分析不同出生胎龄非脑损伤早产儿达到纠正胎龄37周,脑MRI成熟度的区别。分析比较常规MRI和SWI序列对早产儿颅内出血的病例数、病灶数、微出血病例数、微出血病灶数和出血部位的差异。分析不同出血部位早产儿的aEEG的差异。结果:28例非脑损伤早产儿纠正胎龄37周,MRI图像表现脑实质呈现均匀中等信号,灰白质分界清楚,脑室系统呈现低中等信号,未见异常低信号。常规MRI和SWI图像信号比较无显着区别。SWI的最小密度投影（MinIP）图清晰显示早产儿脑表面的细小静脉和脑实质中的静脉。出生胎龄29～32周、32～35周、35～37周非脑损伤早产儿纠正37周和足月儿出生时比较,磁共振的髓鞘化程度（M）、胶质细胞迁移带（B）和TSM总分有统计学差异（P<0.05）。脑皮质卷曲程度（C）不断明显,胚芽基质残余（GM）不断减少,29～32周、32～35周早产儿和足月儿比较有统计学差异（P<0.05）,35～37周和足月儿比较无统计学差异（P>0.05）。49例脑损伤早产儿中,常规MRI、DWI及SWI比较,检出颅内出血病例数分别为35、23、28例,检出率分别为71.43%、46.94%和57.14%,常规MRI和DWI序列比较,差异无统计意义（P>0.05）,SWI序列较常规MRI及DWI高,差异均有统计意义（P<0.05）;常规MRI、DWI及SWI 比较,发现颅内出血病灶数分别为85、70和106个,SWI较常规MRI及DWI显示更多出血灶。SWI发现出血灶的部位,其中生发基质-脑室内、脑实质、颅内脑外发生率分别是:50.0%、39.62%、10.38%,出血灶最常见部位在生发基质、大脑实质和脑室管膜下。常规MRI、DWI和SWI对颅内出血不同部位的检出率,无统计学差异（P>0.05）。SWI与常规MRI和DWI序列比较,检出微出血病例数分别是19、12、8例,检出率分别是38.77%、24.48%、16.32%,两两比较差异均有统计学意义（P<0.05）;三者发现微出血灶的数量分别为32、20和17个,检出数比较差异明显;SWI对早产儿微出血灶检出部位,主要在生发基质、脑室室管膜下、大脑实质和基底节,小脑较少,检出率分别是37.50%、28.13%、31.25%、6.25%、0.00%。出血部位仅发生在生发基质-脑室内、脑实质和颅内脑外的3组早产儿分别是9、7、6例,不同出血部位早产儿的振幅振合脑电图（aEEG）变化未见统计学意义（P>0.05）。结论:纠正胎龄37周早产儿的常规MRI和SWI序列,影像信号未见明显不同,但SWI的MinIP图可清晰显示常规MRI不能显示的脑内小静脉影;MRI图像上早产儿脑发育成熟程度和出生胎龄有关,其中髓鞘化程度（M）和胶质细胞迁移带（B）较脑皮质卷曲程度（C）和胚芽基质残余（GM）发育成熟更慢。SWI 比常规MRI序列在脑损伤早产儿中能检出更多颅内出血的病例、病灶、微出血病例和微出血灶数目,有显着的诊断优势。早产儿颅内出血发生部位主要在生发基质、大脑实质和脑室管膜下。不同的出血部位对脑损害的影响未见明显区别。第三部分振幅整合脑电图联合磁敏感加权成像对早产儿脑损害预后的预测价值研究目的分析早产儿早期振幅整合脑电图（aEEG）联合磁敏感加权成像（SWI）结果和后期新生儿行为神经评分（NBNA）及Gesell量表结果的关系,探讨aEEG联合SWI在脑损伤早产儿预后的早期预测价值。方法选取2016年9月至2018年3月,江苏省南通市第一人民医院新生儿病房收治的77例,28～37周的早产儿为研究对象,其中49例为脑损伤早产儿（BIPI）组,28例为非脑损伤早产儿组。所有早产儿出生后予aEEG检测,纠正胎龄37周行磁共振常规和SWI检查,纠正胎龄40周行新生儿行为神经评分（NBNA）检查,纠正胎龄3个月复查头颅MRI,同时进行Gesell量表神经发育学评估。分析比较正常和脑损伤早产儿两组NBNA、Gesell量表总分以及具体大运动、精细运动、适应能力、语言和社会行为。以NBNA和Gesell量表评分结果作为早产儿预后的标准,将所有早产儿重新分为预后正常和异常两组,其中NBNA正常组30例,异常组47例;DQ正常组36例,异常组41例。分析早期aEEG联合头颅MRI结果和后期NBNA及Gesell量表结果的关系,采用ROC曲线判断判断其对脑损伤早产儿预后的预测价值。结果:非脑损伤早产儿组的NBNA评分和Gesell量表的结果（39.87±2.63和82.30±15.14）和脑损伤组（35.13±5.72 和 75.42±11.33）比较,差异有显着性（P<0.05）,具体的大运动评分（92.34±14.23）和脑损伤组比较无显着性差异（P>0.05）,但是精细运动、适应能力、语言和社会行为四个方面（70.13±15.02、77.34±13.23、83.06±19.36、77.06±14.45）均存在显着性差异（P<0.05）。35例SWI检查确诊的颅内出血早产儿,纠正胎龄3月复查,其中24例出血灶消失,7例出血灶减小。所有早产儿以NBNA和Gesell结果作为标准,重新分为预后正常组和异常组,在正常组和异常组之间比较,aEEG的上边界电压、下边界电压、窄带宽度和CFM评分四个指标,差异均有统计学意义（P<0.05）。以纠正3月Gesell量表结果做为预后结果,aEEG、SWI、aEEG+SWI预测预后的灵敏度分别为72.3%、48.9%、85.7%,特异度分别为80%、60%、90%,ROC曲线下面积分别为0.762、0.545、0.876。aEEG诊断灵敏度明显高于SWI（P<0.05）。单独SWI指标灵敏度、特异度较差。与aEEG和SWI单独检测比较,aEEG联合SWI序列诊断的灵敏度和特异度最高,ROC曲线下面积最大（P<0.05）。结论:脑损伤早产儿出生后纠正胎龄3月,大运动发育未见明显差异,但是精细动作、语言和社会行为发育落后于非脑损伤早产儿。单独头颅SWI序列对早产儿脑损伤预测价值不高。早期aEEG联合头颅SWI预测早产儿脑损伤结果的灵敏度和特异度较高,可以作为脑损害预后的早期预测指标。
曾柏泉[4]（2019）在《基于卷积神经网络的情感脑电识别研究》文中研究表明脑机接口技术（Brain Computer Interface,BCI）是一种不依赖人类神经肌肉,通过计算机对脑电信号的识别,建立人脑与外部环境之间的通讯通道,来实现人机交互的一种技术。该技术在军事、医学、人工智能等领域都有很好的应用前景,许多脑机接口领域的研究方向均取得了不错的成果。情绪脑电的识别就是其中一个方面。人类的情绪总是能轻易地被隐藏起来,面部表情,手部动作等外部特征很容易被抑制,而脑电信号,心跳频率等生理特征则很难被伪装。情绪脑电的研究是通过分析不同个体的脑电信号,来识别不同的情绪,能广泛应用在商业、测谎、医学等领域。如何提高不同情绪的识别准确率是一个值得研究的问题。本文的研究内容主要包括:1.对脑机接口以及情绪脑电信号的研究进行了详细的介绍分析,对传统的情绪脑电识别方法和特征提取方法作了简单的概括。为了对比深度学习方法和传统方法的优劣之处,我们采用了两种卷积神经网络（Convolutional Neural Net,CNN）结构,分别是根据FBCSP（Filter Bank Common Spatial Pattern）算法设计的浅层网络以及传统的深层卷积网络。我们将脑电信号直接作为网络的输入,与使用支持向量机对不同的人工提取特征进行分类的结果进行对比分析。结果显示卷积神经网络的识别率要高于绝大部分的特征,和差分熵（Differential Entropy,DE）特征的分类准确率相差不多。2.本文设计了两个实验,单被试实验和跨被试实验对三种情绪（积极、中性、消极）的脑电信号进行分类。其次,我们还将不同频段、不同时间长度的脑电样本作为CNN输入,并分析对比实验结果,高频段的结果要优于低频段,仅次于全频段信号。针对三种情绪的具体差异,最后我们还设计了情绪脑电的二分类实验,用于对比不同情绪的识别情况,积极情绪是识别率最高的,其次是中性,最难识别的是消极情绪。为了验证CNN的性能,SEED和DEAP两个情绪脑电数据集被用于本研究。对比实验结果,本文所使用的浅层CNN与绝大部分传统方法相比,分类性能有了不错的提升,在单被试与跨被试实验均达得了很好的准确率,尤其是跨被试实验的分类结果远高于传统特征提取方法,说明CNN能够在情绪识别领域提供很大的帮助,有很好的研究意义。
陈顺飞[5]（2017）在《基于脑电信号的运动功能障碍检测与评估研究》文中提出运动功能障碍是多种脑损伤疾病的重要表现,如癫痫疾病、脑卒中等。对患者运动功能的检测与评估是进行疾病诊断和康复治疗的重要方法。同时,脑电信号（Electroencephalogram,EEG）是直接反映大脑活动情况的电生理表现形式。通过对EEG的分析,可以发现大量的生理、病理信息。本文希望通过对EEG的分析处理,对脑受损疾病患者的运动功能障碍进行评估。而对EEG的有效处理分析是一项复杂的工程。本文选取具有运动功能障碍表现的典型疾病—癫痫患者作为本课题研究的实验对象,主要通过利用EEG分析方法对患者的癫痫特征进行提取与识别。本文着重研究EEG分析处理算法,其中包括:EEG的消噪方法、特征提取方法以及模式分类识别算法。主要研究内容和创新点包括以下几个方面:（1）提出一种基于降噪源分离的EEG消噪方法。降噪源分离是盲源分离中一种新方法,可以根据待处理信号的特点具有针对性地设计合适的降噪函数,进行源分离处理而获得源信号。本文首先设计仿真实验,选择适合癫痫患者EEG的降噪函数,再根据该降噪函数进行源分离处理和消噪处理。通过仿真实验与实际EEG处理结果表明,降噪源分离的EEG消噪算法的消噪效果优于基于独立成分分析的盲源分离算法的消噪效果。（2）提出一种基于多种熵融合的EEG特征提取方法。由于单一的一种熵值只能表达信号某一方面的复杂度,往往缺少对信号的整体度量。为了对EEG从多个角度实现更加全面的信息表达,提出一种基于多种不同物理意义的熵融合的EEG特征提取方法,提高了EEG特征的完整表达能力。这一创新性方法已经在Neural Computing&Applications（SCI源刊）发表。研究工作首先分析四种不同测量方法的熵在EEG中的物理意义及表现,然后通过实验分析多种熵融合对EEG分类效果的提升。（3）提出一种基于极限学习机的集成分类器设计。极限学习机是一种较为新型的分类器,是近年来EEG分类器设计的研究热点之一。本文针对常规极限学习机泛化能力差、分类结果不稳定的缺陷,利用集成分类的思想,根据Bagging和Adaboost两种集成方法,将多个极限学习机集成为一个强分类器。实验分析证实,本文所设计的分类器在取得较好的分类结果的同时,也改善了极限学习机分类结果的稳定性。
张新静[6]（2014）在《癫痫发作自动检测方法的研究》文中研究说明癫痫（Epilepsy）是一种常见的脑功能障碍性疾病,其基本病理学表现为大量神经元集群异常同步化放电,而头皮脑电和皮层脑电是脑神经电活动的反映,是研究癫痫发作的主要手段。基于脑电信号的癫痫发作自动检测可以实现脑电分类和病灶定位,并能够提高检测效率,对癫痫的临床治疗具有重要意义。针对累积能量特征不稳定的问题,本文结合时频分析方法和能量特征定义了时频能量特征,并针对大数据量、高特征值空间的快速和准确分类问题,提出一种基于最大相关最小冗余准则和带参数的极限学习机的癫痫发作自动检测方法。首先,对皮层脑电和头皮脑电分别使用短时傅里叶变换和希尔伯特变换,提取时频分布的能量块,并结合空间信息,得到时频能量特征集。然后,利用序列前向选择搜索策略生成不同大小的特征子集,其中的评价准则采用基于最大相关最小冗余的信息准则,以特征子集作为评价单位,使用基于分类准确率的特征选择方法选择最优特征子集。最后,使用基于粒子群算法的支持向量机、基于粒子群算法的BP神经网络和带参数的极限学习机对癫痫不同状态进行分类和判别。实验结果：1)在皮层脑电中,使用短时傅里叶变换提取的时频能量特征的分类准确率为0.97,优于使用经验模态分解提取的时频能量特征。2)使用基于粒子群算法的支持向量机、基于粒子群算法的BP神经网络和带参数的极限学习机三种分类器进行10折交叉验证,头皮脑电的分类准确率为0.85左右,皮层脑电中包含发作期和亚临床发作期的分类组的分类准确率为0.82左右,而发作间期和发作期的分类准确率达到0.97以上。3)在皮层脑电的发作间期和发作期分类组,基于粒子群算法的支持向量机的分类准确率为0.98,训练时间为28.1s；基于粒子群算法的BP神经网络的分类准确率最高可达0.99,但是随特征子集大小变化而有明显的起伏,分类器性能不稳定；带参数的极限学习机的分类准确率为0.97,但训练时间仅为0.8s。带参数的极限学习机的分类准确率和训练速度两方面的综合性能优于基于粒子群算法的支持向量机和基于粒子群算法的BP神经网络。4)利用带参数的极限学习机对72小时的皮层脑电中数据进行连续检测,误检率为1次/24小时,平均发作开始时刻检测延迟为0.1s。结果表明,在皮层脑电的发作期和发作间期分类中,基于短时傅里叶变换的时频能量特征集是有效的。基于最大相关最小冗余准则的序列前向选择方法和带参数的极限学习机的方法能够实时准确地检测癫痫发作。
袁琦[7]（2014）在《癫痫脑电的分类识别及自动检测方法研究》文中进行了进一步梳理癫痫发作是脑内神经元阵发性异常超同步化电活动的临床表现,具有反复性、突发性和暂时性等特点。作为研究癫痫发作特征的重要工具,脑电图所反映的发作信息是其他生理学方法所不能提供的。利用信号处理技术和模式识别方法自动检测癫痫脑电信号,对于减轻医生负担并提高癫痫的诊断效率具有重要意义。目前,在脑电信号的分析研究中,非线性动力学的应用为癫痫脑电的识别提供了更加丰富的重要信息,但是多数非线性脑电特征具有较复杂的计算过程,无法保证检测算法的实时性。同时,传统的“脑电特征提取+分类器”的自动检测方法会提取多个脑电特征,然后组成特征向量或进行特征选择,这样进一步加剧了算法的计算复杂度,并且增加了特征选取的难题。本文立足于脑电信号的特征提取、分类识别和癫痫发作的自动检测的研究,围绕脑电信号的非线性特征提取、分形特性以及基于稀疏表示的脑电分类等内容展开以下研究：首先,本文将非线性动力学的重要分支——分形几何理论应用到脑电信号的分析与处理中。将常用于图像分形计算的微分盒维算法引入到一维脑电信号的分形分析中,计算了脑电信号的盒维数及其分形截距,并发现与盒维数相比,其分形截距能够更好的区分癫痫发作期和间歇期的脑电。之后,本文又通过改进毯子覆盖技术计算出脑电信号的多尺度毯子维及其分形截距,并发现在不同尺度上它们在临近癫痫发作前均会出现明显变化。其次,本文基于所提出的脑电分形特征进一步提出了癫痫发作检测与预测方法。将脑电信号的微分盒维的分形截距作为其非线性特征,然后结合极端学习机（ELM）分类器,提出了一种适于多导长程脑电的癫痫发作检测方法。采用BLDA算法对脑电的多尺度毯子维及其分形截距在发作前期的变化进行检测,从而实现了对癫痫发作的预报。实验验证的结果不仅说明了本文所提出的脑电分形特征的有效性,而且体现了所提出的检测和预测方法的良好性能。再次,本文依据稀疏表示分类方法,提出了一种基于Kernel稀疏表示的癫痫脑电识别算法。在该方法框架中,先通过求解最小l1范数优化问题求得待测脑电在脑电训练集上的稀疏表示系数,然后,分别计算发作期训练样本和间歇期训练样本对待测脑电的稀疏表示重构误差,通过比较误差的大小来确定待测脑电的类别。与常见的“脑电特征提取+分类器”的脑电分类方法不同,基于稀疏表示的脑电识别方法避免了脑电特征提取和选择的问题,更加完整地保留了脑电信号所携带的信息。为了进一步提高识别效果,本文将核函数技术与稀疏表示分类方法相结合,通过预先增强脑电样本的可分性来进一步提高对癫痫脑电的识别率。实验结果表明,基于Kernel稀疏表示的脑电分类方法取得了更加理想的分类性能。最后,在基于稀疏表示的癫痫脑电识别方法的基础上,进一步将计算待测脑电稀疏表示系数过程中所利用的最小l1范数优化问题替换为最小l2范数优化问题,从而可以通过正则化最小二乘算法（Regularized Least Square, RLS）解析地求得待测脑电的稀疏系数,避免了复杂的迭代运算,大大降低了算法的复杂性。由于改进后的方法强调来自所有类别的训练样本对测试样本的协作表示所起到的关键作用,因此称为协作表示分类方法。同样,本文将核函数技术与协作表示分类方法相结合,并且将两类脑电训练样本所对应的重构误差相减,所得的差值作为输出的决策变量,从而引入了平滑滤波等后处理环节,提出了较为完善的基于Kernel协作表示的癫痫发作检测方法。利用连续长程脑电数据对该方法的性能进行评价,实验发现,所提出的检测方法不但取得了较理想的检测结果,而且其较快的运算速度基本符合实时在线的发作检测的需求。本文的研究工作将有助于进一步推动癫痫自动检测在技术理论、算法和临床应用方面的研究,对于脑电信号的非线性特征提取、分形理论在脑电分析中的应用以及脑电信号的稀疏表示分类方法起到了积极的推进作用。由于实验所用脑电数据的局限性,本文所提出的几种癫痫脑电识别和自动发作检测方法还需要更大量的临床脑电数据来进一步验证它们的性能。
李杏杏[8]（2013）在《基于小波包和多元多尺度熵的癫痫脑电信号分类方法》文中指出癫痫是最常见的神经系统疾病之一，严重危害着人们的健康，全世界癫痫者总数达5000万人。发病期间，癫痫患者的脑电图会出现高幅同步节律波，如棘波、尖波以及棘慢复合波等，因此脑电图是诊断癫痫疾病一种重要工具。但是，癫痫患者的EEG不总是显示异常，导致直接依据患者脑电图进行癫痫识别依然很难。因此如何应用计算机对脑电信号进行自动准确的分析、在脑电图基础上有效地提取能够表现癫痫特征的脑电信号，是进行癫痫诊断过程中的首要问题。目前应用于癫痫脑电检测的方法主要有：时域分析、频域分析、时频分析和非线性分析几种。时频分析中的小波包变换在时域、频域都具有不错的表征信号局部信息的能力，但是单独使用小波包变换去进行癫痫脑电分类，在计算小波包特征时需要较高的计算复杂度和大量的存储空间。多元多尺度熵是在样本熵与多尺度样本熵基础上发展而来，同时具有多通道数据并行处理、多尺度方向上分析多元样本熵的特点。因此本文的主要贡献在于：将小波包变换与多元多尺度熵结合共同应用于癫痫脑电信号分类中，与传统方法相比：克服了传统脑电分析方法采用单一方法处理的缺憾。而且两种方法结合，避免了直接应用小波包算法进行分类过程中，比较特征数据量过大的缺点，又避免了仅采用多元多尺度样本熵分析时高频信号的干扰，更有利于实际应用。本文首先介绍了小波包变换的原理及应用方法、多元多尺度熵的算法原理及特点，在此基础上提出了将小波包变换与多元多尺度熵结合用以处理癫痫脑电信号的方法：首先应用小波包变换对原始脑电信号进行多尺度分解，并提取所需频段的小波包系数用以表示原始脑电信号，该过程中既滤除了无关的高频信号，又同时将低频信号中的干扰信号滤除，保留能够更好区分癫痫与否频段的信号；然后对选取的不同频段的小波包系数进行多元多尺度熵分析，在此过程中，选取能够更好对脑电信号进行分类的尺度范围；最后用支持向量机对脑电数据进行分类。针对波恩大学癫痫病中心公开脑电数据实验结果表明，该方法能够有效提取癫痫脑电特征，具有很好的分类效果。
刘银霞[9]（2013）在《基于脑电棘波频次和AR模型的癫痫发作预测算法》文中研究指明癫痫是一种由大量大脑神经元突发同步放电而引发的脑功能絮乱综合症。据统计,全球癫痫患者数量超过了5000万人,癫痫的反复发作严重威胁着患者的身心健康。若能够提前预测癫痫发作时间,不仅有利于对患者采取预防保护措施,也有助于对癫痫的发病机理及癫痫的诊断和治疗进行深入探索。因而,目前国内外有众多学者都致力于癫痫预测的研究工作。棘波是癫痫样放电最具特征性的表现之一。在脑电图（electroencephalogram, EEG）中,它是一种明显区别于背景的,突发性的波形变化,其波幅大小各异,棘波的出现说明脑部有刺激性病灶,因此在临床癫痫检查中,最重要的是观察脑电图中是否存在棘波。自回归（AutoRegressive, AR）模型是一种线性预测方法,可以很好的应用到脑电信号的分析处理中,假设脑电信号可以由线性滤波器描述其产生过程并可以用AR过程进行逼近,通过选取合适的阶次和参数就可以使AR过程尽可能逼近脑电信号。因此,本文在分析了四个不同脑电时期信号中棘波频次和AR参数变化规律的基础上,提出了一种以脑电棘波频次和AR参数为特征的癫痫预测算法。对于大多数线性分类算法,可以得到测试样本分类后的标签,但不能得到测试样本属于某一类的概率值。贝叶斯线性判别分析（Bayesian Linear Discriminant Analysis, BLDA）是基于证据框架的贝叶斯回归,它不仅能得到测试样本分类后的标签,还可以得到测试样本属于某一类的概率值,因而被广泛应用。BLDA可看作为Fisher线性判别分析（Fisher Linear Discriminant Analysis, FLDA）的扩展。与FLDA方法相比,BLDA方法采用正则化解决高维数据伴随噪声的过拟合问题,本文将使用BLDA作为线性分类器。算法首先对脑电图信号进行预处理以滤除高频干扰和工频干扰,并用移动窗技术对EEG信号进行分段处理。然后对每段信号提取棘波频次和AR参数作为特征向量,并通过BLDA进行分类判别,最后将分类结果进行卡尔曼滤波（Kalman Filter, KF）处理,去除瞬变信号,平滑分类结果。本文算法的实验数据来源于德国Freiburg医学院的癫痫研究中心的癫痫数据库,包括21例癫痫患者共87次癫痫发作的颅内EEG数据。实验结果表明,除去用于训练的40次癫痫发作外,剩余的47次癫痫发作有42次被正确预测,算法灵敏度达到89.36%,错误预测率仅为0.09次／每小时。文章最后将本文算法与累积能量增量法和基于小波变换的相位同步化分析法进行比较,比较结果显示本文提出的基于AR参数和棘波频次的癫痫预测算法具有较好的癫痫预测性能。
张见[10]（2013）在《基于视觉组织原则和支持向量机的发作间期癫痫波自动检测方法研究》文中指出脑电图检查是诊断癫痫疑似患者的最有效的方法。脑电图检查的主要任务是分析大脑有无尖棘波、棘波节律、棘慢复合波、尖慢复合波和多棘慢复合波等癫痫样放电活动。在对癫痫疑似患者的24小时EEG记录进行逐页（10秒／页）观察时,不仅要对患者EEG中明显的癫痫样放电进行标记,还要对其背景活动、睡眠和异常波给出描述,并得出是否为异常脑电的结论,这是一项十分枯燥和费时的工作。目前,对异常波中癫痫样放电的人工判读仍然是不可取代的,研究视觉认知原理,通过计算给出特征描述,是癫痫波自动检测技术的一个主要发展方向,具有重要的理论和应用价值。本文全面而系统地分析了脑电癫痫波自动检测方法,并深入研究了统计学习理论和大规模训练集的支持向量机（support vector machine, SVM）快速算法。这一理论不仅为模式识别学科奠定了基础,也为本文中的癫痫波快速检测方法提供了思想和方法上的指导。支持向量机是一种十分有效的模式识别方法,它将分类问题最终转化为一个有约束的二次规划问题。序列最小优化（sequential minimal optimization, SMO）算法是求解大规模样本分类问题的快速方法。本论文提出了三种SMO改进算法。实验结果表明,其性能得到很大地提升。在对癫痫波的自动检测方法中,创造性地将视觉组织原则应用于脑电信号分析,提出了基于增减序列合并的信号处理方法,不仅大幅提高了信号处理速度,而且提高了癫痫波检测的准确性,取得了较高的敏感性和特异性指标。本文主要进行了如下几个方面的研究工作：·在给出了KSM02搜索过程的解释后,提出了基于动态筛选策略的SMO改进算法（DFSMO）,它由粗选和精选两个阶段组成。实验结果表明,对于UCI Adult数据集,该算法在速度上有超过70%的提升,对于Web数据集,该算法在速度上有35%的提升。·在近似最优参数条件下,根据样本分布的特点,提出了基于先验知识的SMO加速算法（TKSMO）,它采用了新的判定I0搜索结束的条件。实验结果表明算法TKSMO在速度上有很大的提升,而且在推广性能上比DFSMO更加稳定。·提出了一种依样本位置不同来确定不同样本惩罚系数的方法。两分类问题实验结果表明,样本数量在1)按比例选取；2)相同；3)相差悬殊的情况下,其推广性能都优于标准支持向量机。·提出了基于合并增减序列和SVM的发作间期癫痫样放电自动检测方法。给出了EEG中增减序列、完整波和不完整波的定义,并根据视觉测量的特点,给出了序列合并规则和算法,该方法对节律波和高幅慢波的检测结果与目测结果非常接近。在此基础上,根据发作间期癫痫样放电的时域特征,提出了IED检测方法,此方法能够检测出绝大多数IED,但也会检测出一些明显不是IED的片断,为了降低误检率,挑选了17个时域特征,利用支持向量机方法进行训练和判定,得到了很好的效果。最后,在对另外32个疑似癫痫患者的EEG记录检测中,医生已标记的IED片断中有95.9%被检测出来,这表明该方法具有很好的稳定性。（?）提出了基于合并增减序列和变长序列相似性的癫痫波自动检测算法。在合并增减序列的基础上,首次对尖波、棘波、棘慢复合波、尖慢复合波、棘波节律这五种IED波形的判别给出了统一的方法,具有较低的漏检率和较高的稳定性。大量研究都是以单个波的幅度大于某一阈值作为尖形波的首要判定依据,对于散在的尖棘波的检测是有用的,但对于单个或连续复合波和连续棘波,以此为依据将会降低检出率。本章指出波形特征才是尖形波判定的首要依据,这一点是符合视觉测量过程的。由于尖形波波形变化很大,对其进行精确的数学描述是非常困难的,本文通过提取、平移和归一化尖形波片断,建立样本数据库,提出了变长序列的相似性度量,有效地解决了波形描述的问题,大大提高了检出率。在对31个疑似癫痫患者的EEG记录检测中,医生已标记的IED片断中有98.36%被检测出来,这表明该方法具有更好的稳定性。本论文没有用到众所周知的现代信号处理方法,如快速傅里叶变换、小波分析、主成分分析、独立分量分析和希尔伯特-黄变换等,而是将视觉组织原理具体化,提出了基于时域的增减序列合并的脑电信号处理方法,与现代信号处理方法相比有如下优点：（1）可以分析非线性非平稳信号；（2）具有完全自适应性,能分析不同节律的波；（3）不受Heisenberg测不准原理制约,适合分析突变信号；（4）适合分析慢波,由于慢波的波形变化较大,幅度和频率的跨度也较宽,因此对慢波的检测难度也高于对尖形波的检测。（5）计算量小,特别适合处理长程EEG记录；（6）能较准确地提取单个波的频率、幅值和形状等特征,合并出的波具有明确的物理意义,在EEG检查中,大量的诊断经验都是基于视觉获取的,该方法可以直接运用这些经验来对EEG进行分析。本文首次对棘波、尖波、棘慢波、尖慢波和棘波节律这五种IED波形的判别给出了统一的方法,具有较低的漏检率和较高的稳定性。可以容易地将本文方法推广到其它视觉上有显着特征的波形检测中,如梭形波、慢波、alpha波、beta波、theta波和gamma波等。
二、Synthesized Multi-Method to Detect and Classify Epileptic Waves in EEG（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、Synthesized Multi-Method to Detect and Classify Epileptic Waves in EEG（论文提纲范文）
（1）基于高频振荡信号检测的癫痫发作起始区定位研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 高频振荡信号与发作起始区关系研究 |
| 1.2.2 高频振荡信号检测方法研究 |
| 1.2.3 发作起始区定位方法研究 |
| 1.3 课题主要研究内容与创新点 |
| 1.4 论文的结构安排 |
| 第二章 癫痫脑电与机器学习相关理论技术 |
| 2.1 脑电信号理论基础 |
| 2.1.1 脑电信号理论 |
| 2.1.2 癫痫脑电信号理论 |
| 2.2 癫痫灶理论基础 |
| 2.3 脑电信号特征提取 |
| 2.3.1 时域特征 |
| 2.3.2 频域特征 |
| 2.3.3 时频域特征 |
| 2.4 特征选择方法 |
| 2.5 机器学习算法 |
| 2.6 模型性能评价指标 |
| 2.7 本章小结 |
| 第三章 癫痫脑电高频振荡信号的自动检测 |
| 3.1 高频振荡信号检测流程 |
| 3.2 癫痫脑电数据预处理 |
| 3.3 高频振荡信号数据库构建 |
| 3.3.1 数据来源 |
| 3.3.2 高频振荡信号初筛算法 |
| 3.3.3 初筛数据标注 |
| 3.4 高频振荡信号分类模型 |
| 3.4.1 特征提取 |
| 3.4.2 特征选择算法 |
| 3.4.3 分类器 |
| 3.5 结果与讨论 |
| 3.5.1 数据分配 |
| 3.5.2 特征仿真分析 |
| 3.5.3 分类器性能分析 |
| 3.5.4 现有算法性能对比 |
| 3.6 本章小结 |
| 第四章 癫痫发作起始区定位 |
| 4.1 发作起始区定位流程 |
| 4.2 基于高频振荡的发作起始区定位 |
| 4.2.1 高频振荡特征提取 |
| 4.2.2 定位决策 |
| 4.2.3 结果与讨论 |
| 4.3 基于癫痫低频脑电和高频振荡的发作起始区定位 |
| 4.3.1 特征提取 |
| 4.3.2 特征降维和特征选择 |
| 4.3.3 分类器 |
| 4.3.4 结果与讨论 |
| 4.4 现有算法性能对比 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文工作总结 |
| 5.2 论文工作不足及展望 |
| 参考文献 |
| 附录 |
| 附录1: 高频振荡特征提取表 |
| 附录2: 癫痫脑电特征提取表 |
| 致谢 |
（2）基于突变点检测的癫痫数据异常及其关联网络结构的分析方法（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 癫痫数据检测、突变点检测、关联网络研究现状 |
| 1.2.1 癫痫数据检测研究现状 |
| 1.2.2 时序数据突变点检测研究现状和存在问题 |
| 1.2.3 基于时序数据的关联网络研究现状 |
| 1.3 研究的主要内容与创新点 |
| 1.4 本文的研究内容及结构 |
| 第二章 突变点检测和关联网络构建的基本理论 |
| 2.1 引言 |
| 2.2 常用的时序数据分析方法 |
| 2.2.1 KS检验 |
| 2.2.2 T检验 |
| 2.2.3 奇异谱分析法 |
| 2.3 基于时间序列的相关网络基本概念 |
| 2.4 基于时间序列的数据波动 |
| 2.5 数据波动的相关性 |
| 2.6 数学基础 |
| 2.6.1 指数分布 |
| 2.6.2 正态分布 |
| 2.6.3 随机变量的数字特征 |
| 2.7 数据库简介 |
| 2.8 小结 |
| 第三章 基于突变点检测的单路脑电信号分析 |
| 3.1 引言 |
| 3.2 基于单路脑电数据的突变点检测 |
| 3.2.1 三条搜索策略 |
| 3.3 基于单路脑电数据的突变点检测实验 |
| 3.3.1 基于单路合成癫痫脑电波数据的检测结果与分析 |
| 3.3.2 基于真实癫痫脑电数据的实验 |
| 3.4 小结 |
| 第四章 基于KST架构的多路脑电信号的关联网络构建方法 |
| 4.1 引言 |
| 4.2 KST框架中数据波动矩阵的计算 |
| 4.2.1 基于KS的统计波动 |
| 4.2.2 基于T检验的差值波动 |
| 4.2.3 基于KST的数据波动矩阵构造 |
| 4.3 基于KST框架的关联网络构建 |
| 4.4 基于多路数据的关联网络构建 |
| 4.4.1 改变时间序列中不同突变点位置的实验 |
| 4.4.2 改变单个时间窗口中恒定方差大小的实验 |
| 4.4.3 改变时间窗口数据长度的实验 |
| 4.4.4 基于癫痫数据的关联网络构建 |
| 4.5 小结 |
| 第五章 基于KST、TSTKS等多方法的关联网络构建及其应用分析 |
| 5.1 引言 |
| 5.2 基于模拟数据的关联网络构建 |
| 5.2.1 改变时间序列中突变点位置的实验 |
| 5.2.2 改变时间序列中时间窗大小的实验 |
| 5.2.3 改变输入时间序列节点数的实验 |
| 5.3 基于多路癫痫脑电数据的关联网络构建 |
| 5.4 小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 硕士学位论文期间完成的学术成果 |
| 致谢 |
（3）振幅整合脑电图联合磁敏感加权成像在早产儿脑损伤诊断价值的应用研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 前言 |
| 1、研究背景 |
| 2、研究目的和意义 |
| 参考文献 |
| 第一部分 振幅整合脑电图在早产儿脑损伤中的应用研究 |
| 材料与方法 |
| 结果 |
| 讨论 |
| 参考文献 |
| 第二部分 磁敏感加权成像诊断早产儿颅内出血的应用研究 |
| 材料与方法 |
| 结果 |
| 讨论 |
| 参考文献 |
| 第三部分 振幅整合脑电图联合磁敏感加权成像对早产儿脑损害预后的预测价值研究 |
| 材料与方法 |
| 结果 |
| 讨论 |
| 参考文献 |
| 研究结论 |
| 研究创新点 |
| 研究不足之处 |
| 综述 |
| 参考文献 |
| 攻读博士学位期间发表论文、科研、参编专着等情况 |
| 中英文单词缩写 |
| 致谢 |
（4）基于卷积神经网络的情感脑电识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 论文研究背景及意义 |
| 1.2 脑机接口介绍 |
| 1.2.1 信号采集 |
| 1.2.2 预处理 |
| 1.2.3 特征提取 |
| 1.2.4 模式识别 |
| 1.2.5 脑电信号类型及检测 |
| 1.3 国内外研究现状 |
| 1.4 论文的主要工作及章节安排 |
| 第二章 数据集介绍以及脑电预处理 |
| 2.1 数据集介绍 |
| 2.1.1 SEED数据集介绍 |
| 2.1.2 DEAP数据集介绍 |
| 2.2 脑电数据预处理 |
| 2.2.1 脑电输入与样本分离 |
| 2.2.2 去除坏样本和坏通道 |
| 2.2.3 带通滤波以及降采样 |
| 2.2.4 独立成分分析去除剩余噪声 |
| 2.3 本章小结 |
| 第三章 传统特征以及FBCSP特征提取研究 |
| 3.1 传统特征提取 |
| 3.1.1 功率谱密度 |
| 3.1.2 差分熵 |
| 3.1.3 对称性差异与对称性比率 |
| 3.1.4 前后电极比率 |
| 3.2 FBCSP特征提取方法 |
| 3.3 各特征提取方法优劣 |
| 3.4 支持向量机 |
| 3.5 SEED数据集各特征分类实验结果 |
| 3.6 本章小结 |
| 第四章 基于卷积神经网络的单被试实验研究 |
| 4.1 概述 |
| 4.2 浅层卷积神经网络 |
| 4.2.1 网络基本结构 |
| 4.2.2 批归一化和dropout层 |
| 4.2.3 网络学习过程分析 |
| 4.3 深层卷积神经网络 |
| 4.4 单被试实验结果分析 |
| 4.5 本章小结 |
| 第五章 基于卷积神经网络的跨被试以及二分类实验研究 |
| 5.1 基于SEED数据集的跨被试实验研究 |
| 5.2 基于SEED数据集的二分类实验 |
| 5.3 基于DEAP数据集的跨被试实验 |
| 5.4 本章小结 |
| 总结与展望 |
| 总结 |
| 展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（5）基于脑电信号的运动功能障碍检测与评估研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题的背景和意义 |
| 1.2 运动功能障碍评估的研究现状 |
| 1.2.1 基于量表的评价方法 |
| 1.2.2 基于生物运动力学的评价方法 |
| 1.2.3 基于生物电信号的评价方法 |
| 1.3 课题研究面临的问题 |
| 1.4 研究内容与论文框架 |
| 1.5 本章小结 |
| 第2章 课题研究方案设计的前期理论准备 |
| 2.1 EEG基础理论介绍 |
| 2.1.1 脑结构与功能 |
| 2.1.2 EEG的产生原理与特点介绍 |
| 2.1.3 EEG与运动功能的关系 |
| 2.2 常见造成运动功能障碍的脑损伤疾病及选择实验对象 |
| 2.2.1 脑卒中 |
| 2.2.2 帕金森病 |
| 2.2.3 癫痫 |
| 2.3 实验数据 |
| 2.3.1 CHB-MIT数据采集过程介绍 |
| 2.3.2 德国波恩大学癫痫数据库的数据采集过程介绍 |
| 2.4 本章小结 |
| 第3章 EEG的消噪方法及特征提取方法 |
| 3.1 基于降噪源分离的EEG消噪方法设计 |
| 3.1.1 基于小波变换的消噪方法 |
| 3.1.2 基于盲源分离的消噪方法 |
| 3.1.3 基于降噪源分离的EEG消噪方法 |
| 3.1.4 EEG消噪实验 |
| 3.1.4.1 降噪函数的选取 |
| 3.1.4.2 仿真消噪实验 |
| 3.1.4.3 真实信号的消噪分析 |
| 3.2 EEG的特征提取方法 |
| 3.2.1 熵理论在EEG中的应用综述 |
| 3.2.2 基于多种熵融合的EEG特征提取方法 |
| 3.2.2.1 基于香农熵的幅值复杂度测量 |
| 3.2.2.2 基于香农熵的相位同步复杂度测量 |
| 3.2.2.3 小波能量熵 |
| 3.2.2.4 样本熵 |
| 3.3 多种熵融合处理 |
| 3.4 本章小结 |
| 第4章 基于极限学习机的集成分类方法 |
| 4.1 EEG分析中常用的分类算法综述 |
| 4.1.1 K近邻算法 |
| 4.1.2 支持向量机 |
| 4.1.3 人工神经网络 |
| 4.2 极限学习机 |
| 4.2.1 极限学习机算法原理 |
| 4.2.2 ELM在EEG中的应用介绍 |
| 4.3 基于极限学习机的集成分类算法 |
| 4.3.1 基于Bagging的集成学习方法 |
| 4.3.2 基于Adaboost的集成学习方法 |
| 4.4 本章小结 |
| 第5章 实验结果分析 |
| 5.1 实验数据处理 |
| 5.1.1 波恩大学数据集 |
| 5.1.2 CHB-MIT数据集 |
| 5.2 实验结果与分析 |
| 5.2.1 ELM的隐含层神经元个数选择实验 |
| 5.2.2 特征融合实验 |
| 5.2.3 集成分类方法实验 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 工作总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（6）癫痫发作自动检测方法的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 癫痫发作自动检测的背景及意义 |
| 1.1.1 癫痫分类 |
| 1.1.2 全身性癫痫的发病机制 |
| 1.1.3 部分性癫痫的发病机制 |
| 1.1.4 癫痫发作自动检测的意义 |
| 1.2 脑电信号与癫痫 |
| 1.2.1 脑电信号的基本知识 |
| 1.2.2 癫痫脑电信号 |
| 1.3 癫痫发作自动检测方法的研究现状 |
| 1.3.1 基于非线性动力学的检测方法 |
| 1.3.2 拟态法 |
| 1.3.3 基于时频分析的检测方法 |
| 1.3.4 基于能量特征的检测方法 |
| 1.3.5 四种方法的比较 |
| 1.4 本文的主要工作 |
| 第2章 脑电信号的时频能量特征定义 |
| 2.1 实验数据及预处理 |
| 2.1.1 皮层脑电及预处理 |
| 2.1.2 头皮脑电及预处理 |
| 2.2 基于短时傅里叶变换的时频能量特征定义 |
| 2.2.1 能量特征的时间长度选择 |
| 2.2.2 基于短时傅里叶变换的时频能量特征定义 |
| 2.3 基于经验模态分解的时频能量特征定义 |
| 2.4 两种时频能量特征的比较 |
| 2.5 本章小结 |
| 第3章 时频能量特征的特征选择 |
| 3.1 序列前向选择方法 |
| 3.2 最大相关最小冗余准则 |
| 3.3 基于分类准确率的特征子集选择 |
| 3.4 最优特征子集选择与结果讨论 |
| 3.5 本章小结 |
| 第4章 分类器优化与测试 |
| 4.1 交叉验证及粒子群算法 |
| 4.1.1 交叉验证 |
| 4.1.2 粒子群算法 |
| 4.2 基于粒子群算法的支持向量机的分类器设计 |
| 4.2.1 二分类支持向量机 |
| 4.2.2 多分类支持向量机 |
| 4.2.3 基于粒子群算法的支持向量机设计流程及分类结果 |
| 4.3 基于粒子群算法的BP神经网络的分类器设计 |
| 4.3.1 BP神经网络的原理 |
| 4.3.2 基于粒子群算法的BP神经网络设计流程及分类结果 |
| 4.4 基于带参数的极限学习机的分类器设计 |
| 4.4.1 极限学习机原理 |
| 4.4.2 基于带参数的极限学习机的分类器设计 |
| 4.4.3 基于带参数的极限学习机的分类结果 |
| 4.5 本章小结 |
| 第5章 癫痫发作检测 |
| 5.1 三种分类器在癫痫自动检测中的适用性比较 |
| 5.1.1 分类准确率 |
| 5.1.2 所用时间比较 |
| 5.2 长程脑电检测的结果及评价 |
| 5.3 检测结果的影响因素 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 在学期间学术成果情况 |
| 指导教师及作者简介 |
| 致谢 |
（7）癫痫脑电的分类识别及自动检测方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 缩略语简表 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 脑电信号的概述 |
| 1.3 癫痫脑电的特征波 |
| 1.4 癫痫发作自动检测的研究现状 |
| 1.4.1 时域分析方法 |
| 1.4.2 频域分析方法 |
| 1.4.3 时频分析方法 |
| 1.4.4 非线性分析方法 |
| 1.5 存在的主要问题 |
| 1.6 本文结构与主要研究内容 |
| 第二章 基于分形理论的脑电特征提取 |
| 2.1 分形几何理论 |
| 2.1.1 分形概念 |
| 2.1.2 分形维数 |
| 2.2 脑电信号的微分盒维数及其分形截距 |
| 2.2.1 盒维数定义及微分盒维算法 |
| 2.2.2 脑电信号的微分盒维算法 |
| 2.3 毯子维 |
| 2.4 脑电信号的毯子维及其分形截距 |
| 2.5 本章小结 |
| 第三章 基于脑电分形特征的癫痫发作检测与预测方法 |
| 3.1 基于盒维分形截距与ELM的癫痫发作检测方法 |
| 3.1.1 预处理 |
| 3.1.2 特征提取 |
| 3.1.3 极端学习机(ELM) |
| 3.1.4 分类器设计及后处理 |
| 3.2 实验评价及分析 |
| 3.2.1 实验数据 |
| 3.2.2 实验结果及分析 |
| 3.3 基于毯子维与BLDA的癫痫发作预测方法 |
| 3.3.1 预处理 |
| 3.3.2 特征提取 |
| 3.3.3 分类器 |
| 3.3.4 后处理 |
| 3.4 实验评价及分析 |
| 3.4.1 发作预测评价方法 |
| 3.4.2 实验结果 |
| 3.4.3 实验分析 |
| 3.5 本章小结 |
| 第四章 基于稀疏表示的癫痫脑电识别 |
| 4.1 压缩感知理论及稀疏表示 |
| 4.2 基于稀疏表示的分类方法(SRC) |
| 4.3 Kernel稀疏表示分类方法(Kernel SRC) |
| 4.4 脑电信号的稀疏表示分类 |
| 4.5 实验评价及分析 |
| 4.5.1 实验数据 |
| 4.5.2 实验结果及分析 |
| 4.6 本章小结 |
| 第五章 基于Kernel协作表示的癫痫发作检测方法 |
| 5.1 基于协作表示的分类方法(CRC) |
| 5.2 Kernel协作表示分类方法(Kernel CRC) |
| 5.3 基于Kernel协作表示的癫痫发作检测方法 |
| 5.4 实验结果及分析 |
| 5.5 本章小结 |
| 第六章 总结和展望 |
| 6.1 论文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文和参与的科研项目 |
| 附件：外文论文两篇 |
| 学位论文评阅及答辩情况表 |
（8）基于小波包和多元多尺度熵的癫痫脑电信号分类方法（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 论文结构安排 |
| 第2章 癫痫脑电信号的基础知识介绍 |
| 2.1 脑电信号产生机理及基本特征 |
| 2.2 脑电信号的采集及应用 |
| 2.3 脑电信号分类 |
| 2.4 癫痫脑电信号的特征 |
| 2.5 脑电信号分析方法 |
| 2.5.1 时域分析 |
| 2.5.2 频域分析 |
| 2.5.3 时频分析 |
| 2.5.4 非线性分析方法 |
| 2.6 本章小结 |
| 第3章 小波及小波包变换的基本原理 |
| 3.1 引言 |
| 3.2 小波变换原理说明 |
| 3.2.1 连续小波变换 |
| 3.2.2 离散小波变换 |
| 3.2.3 多分辨率分析 |
| 3.3 小波包变换原理 |
| 3.4 本章小结 |
| 第4章 多元多尺度熵算法原理分析 |
| 4.1 引言 |
| 4.2 近似熵、互近似熵的算法 |
| 4.3 样本熵的定义与含义 |
| 4.4 多尺度熵算法 |
| 4.5 多元多尺度熵算法 |
| 4.5.1 多尺度熵算法步骤 |
| 4.5.2 嵌入性理论 |
| 4.5.3 多元样本熵算法步骤 |
| 4.5.4 多变量的复杂度分析 |
| 4.6 本章小结 |
| 第5章 实验过程与分析 |
| 5.1 实验环境介绍 |
| 5.2 实验过程具体介绍 |
| 5.2.1 算法步骤 |
| 5.2.2 原始 EEG 信号的多尺度分解 |
| 5.2.3 EEG 信号多元多尺度熵分析 |
| 5.3 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
| 作者简介 |
（9）基于脑电棘波频次和AR模型的癫痫发作预测算法（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 第一章 绪论 |
| 1.1 癫痫发作预测的研究背景和意义 |
| 1.2 脑电图 |
| 1.3 长程脑电图监测 |
| 1.4 脑电信号处理方法 |
| 1.5 癫痫发作预测的研究现状 |
| 1.6 癫痫发作预测的一般流程 |
| 1.7 本文的主要工作和章节安排 |
| 第二章 脑电特征分析 |
| 2.1 AR参数 |
| 2.1.1 经典谱估计算法 |
| 2.1.2 谱估计的参数模型方法 |
| 2.1.3 AR参数模型的正则方程 |
| 2.1.4 不同脑电时期AR参数实验结果 |
| 2.2 棘波频次 |
| 2.2.1 数学形态学滤波 |
| 2.2.2 基于形态学滤波的棘波检测方法 |
| 2.2.3 棘波检测实验结果 |
| 2.2.4 不同脑电时期棘波频次变化情况 |
| 2.3 本章小结 |
| 第三章 分类器与后处理 |
| 3.1 分类器 |
| 3.1.1 线性判别分析 |
| 3.1.2 Fisher线性判别分析 |
| 3.1.3 贝叶斯线性判别分析 |
| 3.2 后处理 |
| 3.3 本章小结 |
| 第四章 本文方法和结果 |
| 4.1 实验数据 |
| 4.1.1 数据来源 |
| 4.1.2 训练数据与测试数据 |
| 4.2 本文癫痫发作预测算法 |
| 4.2.1 本文算法流程 |
| 4.2.2 脑电数据预处理 |
| 4.2.3 提取脑电信号特征 |
| 4.2.4 分类和后处理 |
| 4.3 本文算法预测结果 |
| 4.4 本章小结 |
| 第五章 两种典型的癫痫预测方法 |
| 5.1 累积能量增量法 |
| 5.1.1 算法介绍 |
| 5.1.2 实验结果 |
| 5.2 基于小波变换的相位同步法 |
| 5.2.1 脑电信号预处理 |
| 5.2.2 计算相位同步化 |
| 5.2.3 实验结果 |
| 5.3 三种癫痫预测方法的比较 |
| 5.3.1 三种方法的比较 |
| 5.3.2 本文方法与相位同步法的比较 |
| 5.4 结论 |
| 5.5 本章小结 |
| 总结和展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表论文和参与项目 |
| 附件 |
（10）基于视觉组织原则和支持向量机的发作间期癫痫波自动检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景、目的和意义 |
| 1.2 癫痫波自动检测研究进展 |
| 1.2.1 发作间期癫痫样放电 |
| 1.2.2 癫痫波分析方法研究 |
| 1.2.3 癫痫波检测中存在的主要困难 |
| 1.3 本文的主要研究内容 |
| 第2章 脑电信号基础 |
| 2.1 引言 |
| 2.2 脑电信号的采集 |
| 2.2.1 脑电采集器结构 |
| 2.2.2 电极的放置 |
| 2.2.3 采集脑电的导联选择 |
| 2.3 脑电信号中的伪差 |
| 2.4 脑电图分类与发作间期癫痫样放电特征 |
| 2.4.1 脑电图分类 |
| 2.4.2 发作间期癫痫样放电特征 |
| 2.5 小结 |
| 第3章 统计学习理论与支持向量机 |
| 3.1 引言 |
| 3.2 支持向量机模型 |
| 3.2.1 标准SVM及其变形 |
| 3.2.2 用于多类别分类问题的SVM |
| 3.2.3 在线学习SVM |
| 3.2.4 预处理SVM |
| 3.3 支持向量机的应用 |
| 3.4 统计学习理论发展脉络 |
| 3.4.1 感知器的创立 |
| 3.4.2 学习理论基础的创立 |
| 3.4.3 神经网络的创立 |
| 3.4.4 支持向量机的创立 |
| 3.5 学习问题的一般表示 |
| 3.5.1 学习问题的传统解决模式 |
| 3.5.2 学习问题的表示 |
| 3.5.3 风险最小化问题 |
| 3.5.4 学习问题的一般表示 |
| 3.5.5 经验风险最小化归纳原则 |
| 3.6 支持向量机模型 |
| 3.6.1 最大间隔超平面 |
| 3.6.2 线性可分支持向量分类机(线性硬间隔分类机) |
| 3.6.3 线性不可分支持向量分类机(线性软间隔分类机) |
| 3.6.4 非线性可分支持向量分类机(非线性硬间隔分类机) |
| 3.6.5 非线性不可分支持向量分类机(非线性软间隔分类机) |
| 3.6.6 核函数 |
| 3.7 小结 |
| 第4章 支持向量机算法改进 |
| 4.1 引言 |
| 4.1.1 选块算法 |
| 4.1.2 分解算法 |
| 4.1.3 序列最小优化算法 |
| 4.1.4 Platt-SMO算法 |
| 4.1.5 Keerthi-SMO算法 |
| 4.2 大规模样本训练的支持向量机快速算法 |
| 4.2.1 KSMO2算法分析1 |
| 4.2.2 基于动态筛选策略的SMO加速算法 |
| 4.2.3 DFSMO算法和KSMO2算法比较分析 |
| 4.2.4 方法一小结 |
| 4.2.5 KSMO2算法分析2 |
| 4.2.6 基于先验知识的SMO加速算法 |
| 4.2.7 TKSMO算法和KSMO2算法比较分析 |
| 4.2.8 方法二小结 |
| 4.2.9 惩罚系数可变的SMO加速算法 |
| 4.2.10 C_i的选取 |
| 4.2.11 SMO算法的修改 |
| 4.2.12 实验结果及分析 |
| 4.2.13 方法三小结 |
| 第5章 基于合并增减序列和支持向量机的癫痫波自动检测算法 |
| 5.1 引言 |
| 5.2 时域合并算法 |
| 5.2.1 增减序列 |
| 5.2.2 完整波及不完整波定义 |
| 5.2.3 合并规则 |
| 5.2.4 合并算法 |
| 5.2.5 合并结果 |
| 5.3 脑电癫痫波的自动检测过程 |
| 5.3.1 IED特征 |
| 5.3.2 尖形波特征 |
| 5.3.3 尖形波与其后慢波的关系 |
| 5.3.4 某一导联的IED检测过程 |
| 5.3.5 检测数据及结果 |
| 5.4 特征提取 |
| 5.4.1 尖形波及其后慢波的特征 |
| 5.5 结果及分析 |
| 5.5.1 已被标记的IED检测 |
| 5.5.2 20分钟浅睡期IED检测 |
| 5.5.3 算法复杂度分析 |
| 5.5.4 讨论 |
| 5.6 小结 |
| 第6章 基于合并增减序列和变长序列相似性的癫痫波自动检测算法 |
| 6.1 引言 |
| 6.2 脑电癫痫波的自动检测过程 |
| 6.2.1 IED特征 |
| 6.2.2 尖形波特征 |
| 6.2.3 变长片段的相似性度量 |
| 6.2.4 某一导联的IED检测过程 |
| 6.2.5 检测数据及结果 |
| 6.3 结果及分析 |
| 6.4 小结 |
| 第7章 总结与展望 |
| 7.1 工作总结 |
| 7.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表、完成的学术论文、申请专利及项目 |
四、Synthesized Multi-Method to Detect and Classify Epileptic Waves in EEG（论文参考文献）
- [1]基于高频振荡信号检测的癫痫发作起始区定位研究[D]. 刘志峰. 北京邮电大学, 2021(01)
- [2]基于突变点检测的癫痫数据异常及其关联网络结构的分析方法[D]. 李娜. 东华大学, 2020(01)
- [3]振幅整合脑电图联合磁敏感加权成像在早产儿脑损伤诊断价值的应用研究[D]. 宋磊. 苏州大学, 2019(04)
- [4]基于卷积神经网络的情感脑电识别研究[D]. 曾柏泉. 华南理工大学, 2019(02)
- [5]基于脑电信号的运动功能障碍检测与评估研究[D]. 陈顺飞. 杭州电子科技大学, 2017(02)
- [6]癫痫发作自动检测方法的研究[D]. 张新静. 中国科学院研究生院(长春光学精密机械与物理研究所), 2014(07)
- [7]癫痫脑电的分类识别及自动检测方法研究[D]. 袁琦. 山东大学, 2014(10)
- [8]基于小波包和多元多尺度熵的癫痫脑电信号分类方法[D]. 李杏杏. 燕山大学, 2013(02)
- [9]基于脑电棘波频次和AR模型的癫痫发作预测算法[D]. 刘银霞. 山东大学, 2013(11)
- [10]基于视觉组织原则和支持向量机的发作间期癫痫波自动检测方法研究[D]. 张见. 华东理工大学, 2013(06)