论文部分内容阅读
癫痫脑电是较具有代表性的脑电信号,通过对癫痫脑电信号活动进行研究,将对癫痫疾病的诊断和治疗具有重要的意义。本文考虑癫痫脑电的同步特性,针对不同脑电的分析方法,提出一系列性能较好的脑电分析算法。将这些算法进行联合,建立性能更好的基于同步的癫痫脑电识别算法。首先,选取性能较好的脑电预处理算法。目前脑电信号的预处理算法主要包括傅里加窗变换、小波变换和经验模态分解算法(EMD)。针对真实的脑电信号,将三种算法对不同脑电进行预处理实验,利用信噪比和均方误差两种评估指标对不同算法的预处理结果进行评估。结果表明经验模态分解算法的预处理效果较好。然后,由上述得出EMD算法的预处理效果较好,但是传统的EMD算法在选取本征模态函数(IMF)分量存在误差大、识别率不高的问题,因此提出基于相关性分析的经验模态分解算法。该算法将每阶IMF分量和原始信号进行相关性分析,选取相关性最大的IMF分量替代原始信号进行特征提取。两种算法对不同信号进行分类实验,并利用六类分类精度和ROC曲线对实验结果进行评估。实验结果表明基于相关性分析的经验模态分解算法具有更好的识别效果。其次,提出基于Kruskal-Waills的脑电特征检验算法,从诸多脑电特征中选择最能反映脑电本质的特征。该算法是一种统计检验方法,当检验统计量P值小于0.005时所检验的特征是有效的。实验结果表明,经过检验的有效特征值可以得到分类准确度大于85%的结果,证明了该检验算法能有效选择性能更优秀的脑电特征。接着,提出基于希尔伯特-黄变换的锁相位算法。该算法能解决传统锁相位算法存在的问题,比如:带通滤波丢失信息、选取目标频段不准确等。将印度学者Varun Bajaj等人采集的癫痫脑电作为分类对象,分别利用传统锁相位算法和基于Hilbert-Huang变换的锁相位算法提取脑电特征。结果表明,基于希尔伯特-黄变换的锁相位算法能更容易区分不同类型的脑电。最后,将上述研究成果综合,给出了一种新的癫痫脑电识别流程。本文,脑电信号将先经过基于相关性分析的经验模态分解算法进行预处理,基于Kruskal-Waills算法对提取的特征进行检验,将选取的有效特征指标和基于希尔伯特-黄变换的锁相位算法提取的脑电特征进行结合,建立完整的基于同步的癫痫脑电识别算法。该算法利用真实的癫痫脑电进行分类实验,并和其他基于相同脑电的不同算法的识别结果进行比较。实验结果显示本文提出的基于同步的癫痫脑电识别算法对正常脑电和癫痫发作脑电两信号以及对癫痫未发作脑电和癫痫发作脑电两信号的分类准确度均为100%,对于五类不同脑电分类的准确度高达96.25%,较其他不同算法具有更高的分类准确度,更好的分类效果。