一、脑电棘波识别和噪声消除的小波变换方法（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》文中研究指明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%。
尤洋[2]（2021）在《基于复数域分析的致痫区脑电信号识别算法研究》文中进行了进一步梳理癫痫是一种以具有持续性致痫倾向为特征的脑神经系统疾病。全球约1500万的癫痫患者为药物难治性癫痫,需要手术切除致痫区来控制或治愈癫痫。准确定位致痫区是手术治疗成功的关键。脑电图可以直观反映大脑电生理活动,是术前诊断致痫区的必要手段。临床医生通过视觉检查患者24小时长程脑电图来定位致痫区,但视觉检测耗时耗力且具有主观性和经验性,使得基于数字信号处理的致痫区辅助诊断技术成为当下癫痫研究领域的热点。该技术最关键的任务是依据癫痫活动时脑电的特点,设计基于信号处理和模式识别的致痫区脑电信号识别算法。一方面力求克服人工视觉诊断的弊端,极大地提高致痫区辅助定位的准确率和效率,缓解癫痫患者的痛苦;另一方面也为后续癫痫辅助诊断系统的开发奠定基础。然而癫痫样放电模式复杂多变,要实现准确且高效的致痫区脑电信号识别仍是一个艰巨的挑战。本文针对目前致痫区脑电信号识别算法准确性、算法效率和泛化性能较差的问题,结合癫痫脑电信号非线性、非平稳的特点,设计基于复数域分析的致痫区脑电信号识别算法,并探索相应算法在致痫区辅助定位中的有效性。本文的主要研究工作和创新性成果如下:（1）针对基于实数域的分析方法对脑电相位信息表征不足的问题,提出了基于柔性解析小波变换的致痫区脑电识别算法。利用柔性解析小波变换获得复数域下的复值脑电小波系数,同步保留脑电幅值和相位信息。引入复值分布熵实现对复值脑电系数的幅值-相位非线性信息的同步挖掘。将柔性解析小波变换灵活的时频表征特性、复值分布熵和对数能量熵的非线性分析能力相结合,有效且更充分地挖掘了潜在病理信息,增强了分析算法的识别性能。在伯尔尼-巴塞罗那脑电数据集3750对焦点和非焦点脑电信号的识别中获得了95.26%的识别准确率、96.35%的特异性和94.21%的敏感性,初步验证了复数域分析方法在致痫区脑电信号识别中的有效性。（2）针对传统时频分析方法对脑电节律信息挖掘能力较差的问题,提出了基于复值脑电节律特征的致痫区脑电识别算法。该算法将双树复小波变换与希尔伯特变换相结合以获得复数域下脑电节律的调幅和调相信息;然后结合标准差、奇异值和复值模糊分布熵从多角度捕捉复值脑电节律包含的病理信息,更深入地揭示焦点和非焦点脑电信号的节律特性;最后利用Logit Boost算法对决策树分类器进行集成,并增强分类器识别结果的可靠性和稳定性。实验结果表明,δ+θ节律对致痫区识别贡献率最大,特征差异度最大,在3750对焦点和非焦点脑电信号上取得了98.83%的识别准确率、0.976的马修斯相关系数和8.1ms的单样本识别时间。由此说明所提识别算法能够更充分地挖掘脑电节律信息,并且在识别性能和计算复杂度之间达到了平衡,提高了致痫区辅助定位的准确性和效率,进一步表明基于复数域分析的脑电识别算法的优越性。（3）针对传统脑电特征提取算法特征学习稳定性和泛化性差的问题,提出了基于幅-相融合矩阵和深度特征学习网络的致痫区脑电识别算法。基于前述的研究结论,直接对脑电信号进行低通滤波获得0-8Hz脑电频段。对脑电信号进行希尔伯特变换获得其解析信号,并由此得到脑电幅值矩阵和相位矩阵。引入多尺度引导滤波融合对幅值矩阵和相位矩阵进行数据层融合以获取包含深层信息的幅-相融合矩阵。利用主成分分析网络直接从幅-相融合矩阵中进行自动特征学习,解决个体差异为特征设计带来的困难,克服传统人工设计特征的经验性和局限性。利用伯尔尼-巴塞罗那和波恩两个脑电数据集对所提算法进行验证。对致痫区脑电信号的识别准确率为100%,马修斯相关系数为1;对7种不同癫痫检测任务均可获得99%以上的识别准确率和0.975的马修斯相关系数。实验结果表明所提识别算法保证了识别准确率和计算效率,并且在不同癫痫诊断任务场景下具有较好的泛化能力和鲁棒性。综上,本文以焦点和非焦点脑电信号为研究对象,围绕基于脑电信号的致痫区辅助定位技术中最关键的致痫区脑电信号识别算法构建问题展开研究。利用脑电信号的复数域表征算法实现了准确、高效的致痫区识别,对致痫区辅助定位技术的实用化进程起到了积极有效地推进作用,为下一步癫痫辅助诊断智能系统的研制奠定了理论基础。
朱佳棋[3]（2021）在《面向癫痫脑电信号的多视角聚类模型研究》文中指出随着人工智能技术不断发展,传统的医疗卫生体系与人工智能技术的融合,形成现在深入人心的智慧医疗。智慧医疗具有快速准确的诊断病情特点,在诊疗类似癫痫病这种常见的脑病疾病的中发挥着重要的作用。癫痫病是由于患者大脑的异常放电所引起的,在患者的脑电信号图中表现为出现尖波、慢波、棘波、等多种癫痫病的特征波形。智慧医疗利用信号识别以及机器学习等先进技术对受试者脑电信号中所反馈的生物信息进行识别分析,并给出诊断结果。这是智慧医疗处理生物信号的主要方法。以往,医生都是利用自身的经验结合理论知识,通过观测受试者的脑电信号图来判断是否存在特征信号,以实现对病情的判断。这种通过观测诊断的方法往往会注入医生自己的主观判断,导致对病情的误诊,且诊疗效率较低。因此,实现对脑电信号的特征波自动检测、提取、识别,具有十分重要的意义。随着人工智能、信号识别等先进技术的不断发展,这就为针对脑电信号识别处理技术的实现提供了新的思路,开辟新的发展道路。本文基于癫痫脑电信号数据,实现对脑电信号的处理并且使用机器学习方法实现脑电信号的识别诊断。具体工作如下:1)对于癫痫脑电信号的波形数据判断主要通过分类、聚类等机器学习方法实现癫痫病诊断。传统的机器学习诊断方法是针对癫痫脑电信号的特征数据直接进行分类或聚类,并且将结果作为诊断依据。由于脑电信号根据特征提取方式的不同可以划分为多个视角,而以上的方法忽略了每个视角都具有不同的病理诊断价值。因此,在最终的病情诊断的准确性上没有明显的提升。为此,本文采用多视角策略分析癫痫病脑电信号,提高诊断的准确性。2)由于脑电信号具有随机性高、波幅小、易受干扰以及非平稳性等特点,本文在现有的处理生物信号技术基础上,从多个方面实现对癫痫脑电信号的处理。首先是对脑电信号进行降噪处理,这里主要通过独立分量分析算法以及小波变换算法来实现脑电信号中的去除包括眼电伪迹等其他信号脉冲的干扰。接着,利用小波变换、短时傅立叶变换以及核主成分分析对降噪后的脑电信号波进行滤波,突出信号中相应的频带特征,放大其特征波形,实现对特征波的提取。3)对于癫痫脑电信号数据的诊断采用分类和聚类的方式都可以达到最终的目的,但是,由于脑电信号数据量庞大,采用分类的方式需要耗费大量的时间成本来完成对每一条数据标注标签,这在实际的医疗诊断中是不可取的。因此,本文结合脑电信号的多视角性以及数据量庞大的特点,采用多视角聚类的分析方式实现癫痫脑电信号识别诊断。传统的多视角聚类方法在处理类似脑电信号的多视角特征数据时,它们的普遍做法就是将每一个视角视为一个单独的样本,并且对每个视角样本都进行单独的聚类分析,在得到每个视角的单独聚类分析结果以后,采用集成学习策略将这些视角的单独聚类结果集成,集成的结果就是所得到的最终结果。通过这种方式将每个视角独立分割开进行分析的多视角数据处理策略极其有可能因为某个视角下的聚类结果存在明显偏差,造成最终成学习结果不准确或者使得算法的性能不稳定。为此,本文提出加权双指数多视角聚类算法（DIC-MV-FCM）,它的多视角加权自适应策略能够有效的控制各个视角的重要性,实现了各个视角在聚类的过程中能够有效的调整权重关系,使得聚类效果和性能最好的视角的权重尽可能的大,提高聚类的性能。4)本文所提出的加权双指数多视角聚类算法实验表明,具有良好的癫痫病诊断效果,减少了诊疗时耗。同时,根据不同视角的重要性,做出相应的权重调整,更加适应实际癫痫病的诊疗判断。
冯阳洋[4]（2021）在《基于变分模式分解和深度森林的脑电信号识别》文中研究说明脑电信号作为一种机理十分复杂的随机信号,包含着许多有价值的信息,通过脑电信号可以监测大脑的功能、认知、思维等高级中枢活动,它是研究人类大脑功能状态的一个重要渠道。建立一个有效识别脑电信号的模型,对于帮助医生进行诊断和治疗具有重要的现实意义。本文以波恩大学脑电信号为研究对象,提出了基于变分模式分解和深度森林算法相结合的脑电信号识别模型,并提出对脑电信号的固有模态函数提取四个维度下的特征信息,此外,将主成分分析方法应用到脑电信号的特征降维中,提高了分类精度。论文的主要研究工作如下:（1）基于变分模式分解算法良好的噪声鲁棒性、非迭代分解和自适应选择频带的优点以及克服错误分类问题的能力,采用变分模式分解算法对脑电信号数据集进行信号分解处理。本文结合分解后的剩余能量与原始能量的比值,最后将最优的变分模式分解个数K值确定为12。（2）在脑电信号分类过程中,提取了多个维度的特征作为分类算法的输入特征,以全面概括脑电信号的输入信息。在对经变分模式分解所得的脑电信号固有模态函数进行特征提取时,为了让所提取的特征更具有代表性,分别提取了1个脑电信号的集中趋势特征、10个脑电信号的离散程度特征、2个脑电信号的分布情况特征、4个脑电信号的时域和频域特征。（3）为了降低数据维度和提高预测精度,采用特征降维的方法对所提取的多个维度下的特征进行筛选。首先介绍了基于随机森林和主成分分析的特征筛选和降维方法,并在各分类模型下比较两种降维方法在提高脑电信号分类精度上面的性能。结果表明,基于主成分分析的特征个数比基于随机森林的特征个数少,且在深度森林算法下,基于主成分分析的脑电信号分类准确度也有所提高。（4）为了对癫痫脑电信号进行有效识别,本文将波恩大学的脑电信号重组成三个分类集,分别是:健康受试者和癫痫患者发作期的脑电信号、癫痫患者发作间期和发作期的脑电信号、健康受试者和癫痫患者发作间期及发作期的脑电信号。采用决策树、装袋算法、随机森林、支持向量机和深度森林等机器学习算法,分别在五折交叉验证和十折交叉验证下对三个分类集进行癫痫脑电信号的识别,并得到了各算法的识别精度。结果显示,利用主成分分析降维后所得的特征作为输入特征,基于变分模式分解和深度森林的脑电信号识别算法具有最高的识别正确率。综上,本文以脑电信号为研究对象,探讨了一种检测癫痫发作的新模型,利用变分模式分解、主成分分析和深度森林相结合的方法进行癫痫检测,不仅有助于深入挖掘癫痫患者的大脑活动状态,而且可以为医生的临床诊断和决策提供重要的参考性意见,本文提出的方法具有医学研究参考价值。
费洪磊[5]（2021）在《基于深层神经网络的癫痫脑电不平衡分类研究》文中指出癫痫是一种由大脑神经细胞异常同步放电造成的脑神经系统紊乱性综合征。脑电图是癫痫疾病辅助诊断中最常用的方法。传统的视觉检测脑电图不仅耗时,而且易受医生个人主观因素的影响。所以,发展精准的癫痫发作自动检测方法对癫痫疾病的诊断具有十分重要的意义。常见的癫痫自动检测方法大多建立在发作期和非发作期样本数据分布平衡的基础上进行分类判断。但在实际癫痫患者脑电信号中,癫痫发作期持续时间远少于非发作期持续时间。若对癫痫脑电信号使用传统的分类器进行识别,决策边界将偏向于发作期,导致非发作期分类空间增大,发作期脑电难以被识别出来。本文提出了基于深层神经网络的癫痫脑电不平衡分类方法。首先,采用BorderlineSMOTE算法针对发作期与非发作期的边界数据合成新样本。分类器能够尽可能准确的学习到两类数据的边界特征,有效的解决决策边界偏移问题。同时,为防止合成过多边界数据而导致分类界限模糊,分别对不同比例的脑电训练数据进行处理,获取发作期与非发作期分布比例不同的训练集。之后,设计了金字塔型的一维深度卷积神经网络（Onedimensional Convolutional Neural Network,1D-CNN）,与常见的二维卷积网络相比,减少了训练参数,提高了训练速率,能够有效地避免由于训练样本较少而造成的过拟合。在包含24个病例的连续长程头皮脑电数据集上进行了测试评估。对比实验表明,经过预先平衡处理后的脑电训练集能够使深度网络的分类效果得到明显的改善。与长短期记忆神经网络以及其他癫痫检测方法相比,本文所提出的结合Borderline-SMOTE的1D-CNN模型获取了更加优越的发作检测性能。
王玉潇[6]（2021）在《基于共空间模式算法和支持向量机二重分类的癫痫脑电识别》文中认为癫痫（Epilepsy）,俗称“羊癫风”,是一种由多种病因引起的慢性脑功能障碍综合症,是继脑血管疾病之后的第二大脑部疾病。脑部神经元突发性地、反复性的异常放电会造成中枢神经系统功能的间歇性障碍,这是导致癫痫发病的根本原因。癫痫疾病的临床表现包括突然失去意识、全身抽搐和精神障碍等。对于儿童病患会在身体发育和智力发育方面受到巨大影响,更多癫痫患者是饱受生理和心理上的煎熬。脑电图（EEG）是研究癫痫患者脑电特征的基本工具,属于不具备创伤性的物理检测方法。其它人体生理学方法无法提供的重要信息,往往可以在脑电图中找到答案。监测大脑出现的异常放电现象是脑电图分析的主要内容,比如对尖波、多棘波和棘慢复合波的检测。如今,脑电图作为医师诊断癫痫疾病的依据,其诊断方法主要是靠专业医师的人工解读和分析,耗时严重,具有主观性,不同医师在诊断同一个病人时,可能也会产生争议。所以当前的癫痫检测结果对医师的经验有较强的依赖性,诊断过程中也存在较高的误诊率。计算机技术和机器学习的高速发展,为癫痫脑电的自动检测提供了解决途径,而借助自动识别技术实现癫痫脑电及时、准确的诊断和预测是当前研究的重要内容。为了实现癫痫脑电信号各时期的自动识别,并且能够达到较高的识别率和识别效率,本文提出一种基于共空间模式算法（CSP）提取的空域特征和支持向量机（SVM）二重分类模式的癫痫脑电信号自动识别技术,该技术的主要原理是首先提取出脑电信号的各项特征,包括时域的标准差、时频分析的小波包能量、熵特征和基于共空间模式算法的空域特征,然后将以上特征组成特征向量,使得脑电信号中的信息做到互相补充,最后送入支持向量机分类器中进行二重分类,得到脑电信号样本在正常时期、发作间期和发作期三个时期上的具体分类结果和识别率。本研究中主要的创新之处有以下几点:（1）提出了时域、时频分析和非线性动力学相结合的特征提取方法。各个领域的特征相互补充,以愈加全面的描述出脑电信号蕴含的特征信息,从而提高脑电信号各时期的识别率。（2）引入基于共空间模式算法提取的空域特征,弥补了癫痫脑电信号在空域上的信息描述。共空间模式算法的主要步骤是进行空间滤波,很适合处理多维的脑电信号,它能够同步利用脑电信号的空间相关性,有效提取出不同通道上脑电信号的空域特征。最终实验结果表明,空域特征的引入大大提高了脑电信号三个时期的识别效果。（3）为了提高脑电信号三个时期的识别效率,满足医疗应用中的实时性要求,在模式识别阶段提出一种全新的基于支持向量机的二重分类模式。该分类模式提出的依据是:实际癫痫发作的过程始终是由正常期到发作间期再到发作期这样一个连续的过程。二重分类仅需对癫痫脑电信号进行两次比对,与传统直接进行三分类的方法相比,能够有效提升识别效率。本文研究中使用的数据库来源于德国波恩大学癫痫研究中心,共包含健康者清醒睁眼、健康者清醒闭眼、癫痫患者发作间期致痫灶外、癫痫患者发作间期致痫灶内和癫痫患者发作期五类脑电信号样本。最终实验结果证明,结合空域特征和其他领域特征能够对脑电信号进行更加全面的表征,并在后期分类识别中作出重大贡献,取得了较高的分类识别率。基于支持向量机的二重分类模式与其他文献中的分类方法相比,具有更高的识别效率,在实际临床医学检测中具有更好的辅助效果。
朱宁宁[7]（2020）在《基于小波包变换和形态成分分析的癫痫棘波检测》文中研究表明癫痫是因脑神经元异常放电引起的反复痫性发作而导致的一种短暂性脑功能失调综合征。由于大脑神经元异常放电的部位不同对患者造成的危害也不同,可能会损害患者的神经、认知功能也可能会引发其意识、情绪障碍。患者在癫痫发作时脑电信号中通常出现棘波、尖波、棘慢复合波、尖慢复合波等异常波形,而由于棘波具有幅度大、时限短、电位呈现垂直上升和下降等较明显的瞬态特征,使得在癫痫异常波形中棘波的检测更有临床诊断价值。本文主要采用小波包变换和形态成分分析两种算法对癫痫患者脑电棘波波形进行了检测并对两种算法的检测效果进行了分析和对比。具体研究内容如下:（1）基于小波包变换的癫痫脑电棘波检测癫痫发作检测要求脑电信号在特定的时间段或频率段有尽可能高的频率或时间分辨率,同时也要求具有较高的棘波检出率。因此本文首先将小波包分解与棘波物理特征（如幅度和频率等）相结合以更好的检测癫痫病人的脑电棘波。具体方法是首先基于小波包变换对癫痫脑电波频率（0-30Hz）进行三层小波包分解;其次根据脑电波的频率范围重构第三层节点频率S（3,0）（0-10.85Hz）、S（3,1）（10.85Hz-21.7Hz）和S（3,2）（21.7Hz-32.55Hz）的脑电信号;最后取棘波的幅度作为检测阈值分别提取癫痫病人在健康期、癫痫发作间期及癫痫发作期的棘波。实验结果表明,当选用的数据采样频率为173.61Hz、信号长度为23.6s时,利用小波包变换和棘波物理特征相结合的算法不仅能够提取不同癫痫病人在不同时期的多种棘波信号（如正相棘波、负相棘波和双向棘波等）,而且该算法的检测准确率在87%以上,其中棘波误检率为12%,棘波漏检率为12.3%。（2）基于形态成分分析的癫痫脑电棘波检测形态成分分析（Morphological component analysis,MCA）的理论基础是假设每一个癫痫脑电信号都可表示成若干个具有不同形态成分的线性组合,并为每一个形态成分找到一个仅能对其进行稀疏表示的冗余字典。本文把采集到的脑电信号视为棘波信号和背景信号两部分的混合,并分别选取DIRAC字典、DCT、LDCT字典对其进行稀疏表示,然后采用匹配追踪算法获取该稀疏表示使其达到较好的检测效果。实验结果表明,当选用DIRAC作为提取癫痫患者脑电的棘波信号字典,DCT作为提取癫痫患者脑电的背景信号字典时,癫痫棘波的提取误检率为11.18%,提取漏检率为8.93%;当选用DIRAC作为提取癫痫患者脑电的棘波信号字典,LDCT作为提取癫痫患者脑电的背景信号字典时,癫痫棘波的提取漏检率为11.08%,整体棘波的提取漏检率为6.01%。可见,基于形态成分分析的癫痫脑电棘波检测算法优于基于小波包变换与棘波物理特征相结合的癫痫脑电棘波检测算法。
丁思佳[8]（2020）在《基于小波变换和自适应权重融合的癫痫脑电信号分析》文中研究表明癫痫发作是一种常见的慢性神经系统疾病,具有反复性和突发性等特点,因此需要医生对病人进行长时间的观察,既耗时,效率又低,且视觉检测缺乏标准的制约,故癫痫脑电信号的自动检测具有重要的临床价值.随着神经科学和现代信息技术的快速发展,脑电信号在生理学、精神病学和认知科学等方面具有广阔的学术价值和应用前景.在临床诊断方面,由于脑电信号包含了大量的生理和病理信息,对其作深入的研究可以帮助临床医生提高对各种脑疾患和神经系统疾患诊断和检测的准确性.国内外对脑电信号的研究日益增多,到目前为止,已经有很多方法被应用于此.本文对脑电信号的研究主要分为以下两个方面:一方面,本文提出了一种基于小波变换和全变差正则化的两步去噪策略.根据脑电信号的采集过程,我们采集到的脑电信号常常会受到人的生理电信号产生的噪声或检测系统自身噪声的干扰,且这些噪声的存在会大大影响脑电信号的识别的准确度,因此,对脑电信号进行去噪处理是对脑电信号进行研究的首要环节.小波变换是脑电信号去噪中常用的一种方法,但小波去噪处理也存在一些不可避免的缺陷.全变差正则化在图像处理领域应用比较广泛,常被用于边缘检测,而在一维信号去噪中,全变差正则化可以弥补小波去噪的一些缺陷,故本文将两者结合,提出了一种两步去噪策略,并利用算法实验验证了该方法的可行性.最后,通过真实脑电信号去噪实验验证了本文提出的去噪方法具有更好的去噪效果.另一方面,本文提出了一种鲁棒的自适应权重融合模型用于脑电信号的特征学习.由于脑电信号中蕴含着丰富的生理及病理信息,无论是在临床医疗诊断和检测中,还是在工程应用中,脑电信号特征的有效提取和准确分类都具有重要的意义.由脑电信号的非线性非平稳特性,且脑电信号具有丰富的频率成分,本文建立一种基于脑电信号频率信息的自适应权重融合模型,并利用模型优化来自动的提取对分类最有用的脑电特征,最后利用前馈神经网络进行识别分类.此外,本文在脑电信号实验部分进行了二分类识别、三分类识别和五分类识别,并与已有文献相比具有更好的分类结果.
马丽娜[9]（2020）在《用于痫样脑电在线检测的Gm-C小波滤波器实现理论与方法研究》文中研究说明癫痫是一种由脑内神经元异常放电引起的慢性脑功能障碍综合症,其临床诊断通常由医生对电子设备记录的脑电图（Electroencephalogram,EEG）进行痫样波形（Epileptiform Waveform,EW）检测。穿戴式动态脑电（Wearable Ambulatory EEG,WAEEG）可通过无线方式传送EEG至基站,是现今癫痫诊断技术的前沿研究方向。然而,无线数据传送的功耗较高,致使WAEEG电池的使用寿命缩短,无法满足长程记录的要求。为突破这一瓶颈,WAEEG的在线数据缩减技术应运而生,其核心任务是痫样脑电检测算法（Epileptic Event Detection Algorithm,EEDA）的低功耗硬件设计。由于可在EW检测精度及计算复杂度之间取得较好平衡,基于连续小波变换（Continuous Wavelet Transform,CWT）的EEDA成为在线数据缩减技术的研究焦点,其中用于实现CWT的低功耗模拟小波滤波器（Analog Wavelet Filter,AWF）设计是该方法成功实施的关键。在此背景下,本文针对用于WAEEG在线数据缩减的EEDA和运算跨导放大器-电容（Gm-C）小波滤波器实现理论与方法进行研究,主要工作如下:1.对痫样脑电检测算法进行了研究,提出一种基于多尺度小波基融合的EW检测法,构造出用于痫样特征表示的融合小波基模型,并在该模型基础上设计高性能EEDA。为更好地选择两融合小波基尺度,本文将尺度选取转换为带有上下限的参数寻优问题,并利用遗传算法进行尺度寻优,以期匹配到EEDA的最优小波基模型。实验结果表明,所提出的EEDA可在低算法复杂度及50%数据缩减的前提下,将EW检测灵敏度提升至92%。2.对模拟小波基的逼近方法进行了研究,提出一种基于混合遗传算法的频域采样逼近法。根据小波的幅频特性构建小波逼近的数学模型,并利用融合了拟牛顿法及遗传算法优点的混合遗传算法进行参数求解。仿真结果表明,相比已有方法,本文提出的逼近法在时延、系统稳定性及逼近精度等方面均有明显的性能提升。为验证模拟小波基在EW检测中的优良性能,采用本文设计的EEDA进行对比实验,其EW检测灵敏度可达92%。3.对超低功耗Gm-C小波滤波器设计进行了研究。AWF的性能优劣取决于滤波器实现结构的好坏及核心模块Gm单元的性能高低。因此,本文利用基于LC梯形仿真的滤波器结构来综合获得的小波逼近函数,并通过拟牛顿法求解电容参数;此外,采用简单差分对Gm单元实现pS量级跨导器,以处理超低频脑电信号;最后基于SMIC 0.18μm CMOS工艺对AWF进行设计。仿真结果表明,所构造LC梯形Gm-C小波滤波器可实现高精度EW检测,且具有功耗低、芯片面积小等优点。
王宏旭[10]（2020）在《多通道EEG信号去噪算法的研究》文中研究指明脑电图是当今流行的疾病诊断工具,常用于监控脑电（简称EEG）信号变化,帮助人们更好地了解大脑的生理结构,医疗工作者可根据经验对脑电图进行分析和诊断,但EEG信号中包含了大量的噪声,所以噪声的去除是EEG数据分析及处理的首要环节。如何从含噪的信号中恢复原信号,实现信噪分离,已成为EEG去噪的重要研究课题。小波分析是近些年多通道EEG信号去噪领域中迅速发展起来的一种新技术,目前被广泛应用于临床诊断和科学研究,很多学者也借助小波函数进行EEG去噪研究。但目前去噪的算法在噪声识别和噪声去除上存在一定的局限,鉴于此,本文在小波去噪算法的基础上,提出了新的小波阈值函数去噪方法,同时应用了贝叶斯估计新的小波阈值函数的系数,并对去噪后的EEG信号进行了卡尔曼滤波分析。主要研究工作如下:基于多通道EEG信号的特点,采用PCA降维技术去掉了多通道EEG信号之间的信息冗余,讨论了傅里叶、小波分解与重构、小波软阈值的去噪算法及影响,构建了新的阈值小波函数,解决了多尺度分解条件下EEG信号去噪效果不理想的问题。通过仿真实验,验证了新的阈值小波函数算法的去噪效果,并从信号的评价指标上,比较了不同的算法对去噪性能的影响。在新的小波阈值去噪算法的基础上,根据多通道EEG信号的拉普拉斯噪声模型,对贝叶斯估计理论进行了解析。从贝叶斯估计算法出发,论证了该算法可有效地估计新阈值函数的小波系数。实验结果表明,贝叶斯估计新阈值小波函数系数的算法相比于新阈值小波函数去噪算法,可有效地解决能量低的问题,从信号的评价指标上分析,能量比提升了12%,均方根误差下降了0.1,信噪比提升了0.2d B,谱峰值和原始信号更加接近。以贝叶斯估计算法去噪后的EEG信号进行实验,通过对噪声信号的状态方程进行评估,从而选择最优的去噪解对观测值进行卡尔曼滤波。实验研究结果表明,相比于贝叶斯估计算法,应用卡尔曼滤波算法可有效地滤除幅值为5mv以下的噪声,且信噪比提升了0.3d B,能量比接近了100%,更好地还原了原始信号特征。
二、脑电棘波识别和噪声消除的小波变换方法（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、脑电棘波识别和噪声消除的小波变换方法（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）基于复数域分析的致痫区脑电信号识别算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 脑电信号和癫痫脑电信号 |
| 1.1.3 致痫区诊断的临床方法 |
| 1.1.4 本文的研究意义 |
| 1.2 致痫区脑电信号识别算法研究现状 |
| 1.3 存在的问题 |
| 1.4 论文的研究内容和组织结构 |
| 1.4.1 论文的研究内容 |
| 1.4.2 论文的组织结构 |
| 第2章 致痫区脑电信号识别算法框架及数据来源 |
| 2.1 致痫区脑电信号识别算法框架 |
| 2.1.1 预处理 |
| 2.1.2 特征提取 |
| 2.1.3 特征选择 |
| 2.1.4 分类识别 |
| 2.2 致痫区定位脑电数据集 |
| 2.3 脑电信号识别算法性能评价准则 |
| 2.4 本章小结 |
| 第3章 基于柔性解析小波变换的致痫区脑电识别算法 |
| 3.1 引言 |
| 3.2 小波变换和柔性解析小波变换 |
| 3.2.1 小波变换 |
| 3.2.2 柔性解析小波变换 |
| 3.3 基于柔性解析小波变换和熵特征的致痫区脑电识别算法 |
| 3.3.1 基于熵的脑电信号特征提取 |
| 3.3.2 基于Kruskal-Wallis检验的特征选择 |
| 3.3.3 基于支持向量机的分类识别 |
| 3.4 实验结果与分析 |
| 3.4.1 柔性解析小波变换的参数选择 |
| 3.4.2 复值分布熵的参数选择 |
| 3.4.3 本章脑电识别算法性能分析与讨论 |
| 3.5 本章小结 |
| 第4章 基于复值脑电节律特征的致痫区脑电识别算法 |
| 4.1 引言 |
| 4.2 双树复小波变换 |
| 4.3 希尔伯特变换 |
| 4.4 基于双树复小波-希尔伯特变换的致痫区脑电识别算法 |
| 4.4.1 混合特征提取 |
| 4.4.2 基于集成分类器的分类识别 |
| 4.5 实验结果与分析 |
| 4.5.1 双树复小波变换滤波器组选取 |
| 4.5.2 本章脑电识别算法性能分析与讨论 |
| 4.6 本章小结 |
| 第5章 基于幅-相融合矩阵和深度学习网络的致痫区脑电识别算法 |
| 5.1 引言 |
| 5.2 多尺度引导滤波融合 |
| 5.2.1 引导滤波融合 |
| 5.2.2 多尺度引导滤波融合 |
| 5.3 主成分分析网络 |
| 5.4 基于幅-相融合矩阵和主成分分析网络的致痫区脑电识别算法 |
| 5.4.1 构造折叠信号矩阵 |
| 5.4.2 基于支持向量机的分类识别 |
| 5.5 实验结果与分析 |
| 5.5.1 主成分分析网络的超参数选择 |
| 5.5.2 本章脑电识别算法性能分析与讨论 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文的研究总结 |
| 6.2 未来的研究展望 |
| 参考文献 |
| 作者简介及科研成果 |
| 致谢 |
（3）面向癫痫脑电信号的多视角聚类模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 面向脑电信号的研究现状介绍 |
| 1.2.2 多视角聚类研究现状介绍 |
| 1.3 主要研究内容及文章结构 |
| 第二章 相关算法概述 |
| 2.1 单视角模糊聚类算法 |
| 2.1.1 经典的模糊C均值聚类算法 |
| 2.1.2 双指数模糊C均值算法 |
| 2.1.3 K-means聚类算法 |
| 2.2 模糊多视角聚类Co-FKM算法 |
| 2.3 性能评估分析指标 |
| 2.3.1 芮氏指标 |
| 2.3.2 归一化互信息 |
| 2.4 本章小结 |
| 第三章 癫痫脑电信号处理及分析 |
| 3.1 癫痫研究概况和特点 |
| 3.2 癫痫病脑电信号特征波 |
| 3.3 脑电信号伪迹的产生原理 |
| 3.4 脑电信号分析方法 |
| 3.4.1 时域分析法 |
| 3.4.2 频域分析法 |
| 3.4.3 时频域分析法 |
| 3.4.4 独立分量分析法 |
| 3.4.5 人工神经网络分析法 |
| 3.4.6 非线性动力学方法 |
| 3.5 脑电信号处理方法 |
| 3.5.1 独立分量分析处理脑电信号 |
| 3.5.2 小波变换分析处理脑电信号 |
| 3.5.3 主成成分分析结合线性判别处理脑电信号 |
| 3.6 经典单视角聚类算法处理脑电信号实验及分析 |
| 3.6.1 实验参数设置以及评价指标 |
| 3.6.2 针对人工模拟数据集的实验及分析 |
| 3.6.3 针对癫痫脑电信号数据集的实验及分析 |
| 3.7 本章小结 |
| 第四章 面向癫痫脑电信号数据的加权双指数多视角模糊聚类算法 |
| 4.1 引言 |
| 4.2 双指数多视角模糊聚类算法 |
| 4.3 实验与分析 |
| 4.3.1 实验参数设置 |
| 4.3.2 针对人工数据集的实验与分析 |
| 4.3.3 针对癫痫脑电信号数据集的实验及分析 |
| 4.3.4 DIC-MV-FCM算法抗噪性分析 |
| 4.3.5 参数敏感性分析 |
| 4.4 本章小结 |
| 第五章 癫痫脑电信号自动识别诊断系统的设计与实现 |
| 5.1 引言 |
| 5.2 需求分析 |
| 5.2.1 可行性分析 |
| 5.2.2 系统设计基本思想 |
| 5.2.3 系统用户用例图 |
| 5.3 系统功能设计 |
| 5.3.1 数据库设计 |
| 5.3.2 系统功能模块设计 |
| 5.4 系统功能实现 |
| 5.4.1 用户登录 |
| 5.4.2 数据导入 |
| 5.4.3 诊断结果 |
| 5.5 本章小结 |
| 主要结论与展望 |
| 主要结论 |
| 展望 |
| 致谢 |
| 参考文献 |
| 附录1:作者在攻读硕士学位期间发表的论文 |
| 附录2:作者在攻读硕士学位期间获得的奖励 |
（4）基于变分模式分解和深度森林的脑电信号识别（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.3 论文创新点 |
| 1.4 研究内容及论文框架 |
| 1.4.1 研究内容 |
| 1.4.2 论文框架 |
| 1.5 本章小结 |
| 第2章 基本理论 |
| 2.1 脑电信号分解方法 |
| 2.1.1 固有模态函数 |
| 2.1.2 变分模式分解 |
| 2.2 脑电信号分类算法 |
| 2.2.1 决策树 |
| 2.2.2 Bagging |
| 2.2.3 随机森林 |
| 2.2.4 支持向量机 |
| 2.2.5 深度森林 |
| 2.3 特征降维方法 |
| 2.3.1 基于RF的特征筛选 |
| 2.3.2 基于PCA的特征降维 |
| 2.4 分类评价指标 |
| 2.5 本章小结 |
| 第3章 基于变分模式分解的脑电信号研究 |
| 3.1 脑电信号 |
| 3.1.1 脑电信号概述 |
| 3.1.2 脑电信号的特性研究 |
| 3.1.3 脑电信号波形分析 |
| 3.2 数据来源 |
| 3.3 脑电信号的描述性统计分析 |
| 3.4 信号的变分模式分解 |
| 3.4.1 确定分解个数 |
| 3.4.2 脑电信号的变分模式分解 |
| 3.5 本章小结 |
| 第4章 脑电信号的特征提取 |
| 4.1 基于VMD的信号集中趋势特征提取方法 |
| 4.2 基于VMD的信号离散程度特征提取方法 |
| 4.3 基于VMD的信号分布情况特征提取方法 |
| 4.4 基于VMD的时域和频域特征提取方法 |
| 4.5 本章小结 |
| 第5章 脑电信号识别研究 |
| 5.1 脑电信号的重组 |
| 5.2 基于深度森林算法的未降维脑电信号分类 |
| 5.2.1 基于原始数据的脑电信号分类 |
| 5.2.2 基于VMD的脑电信号分类 |
| 5.3 基于深度森林算法的特征降维脑电信号分类 |
| 5.3.1 基于VMD和随机森林特征重要性筛选的脑电信号分类 |
| 5.3.2 基于VMD和主成分分析的脑电信号分类 |
| 5.4 方法比较 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
| 攻读硕士学位期间研究成果 |
（5）基于深层神经网络的癫痫脑电不平衡分类研究（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 脑电信号概述 |
| 1.2.1 脑电机理与分类 |
| 1.2.2 典型痫样波形特征 |
| 1.3 癫痫脑电信号分析方法 |
| 1.4 癫痫检测算法研究现状 |
| 1.5 章节安排 |
| 第二章 癫痫脑电信号的不平衡分类 |
| 2.1 不平衡数据分类概述 |
| 2.1.1 不平衡分类问题概述 |
| 2.1.2 不平衡分类问题难点 |
| 2.2 不平衡数据采样方法 |
| 2.2.1 随机过采样 |
| 2.2.2 SMOTE算法 |
| 2.2.3 Borderline-SMOTE算法 |
| 第三章 癫痫发作检测的深层网络模型 |
| 3.1 一维卷积神经网络结构 |
| 3.2 一维卷积神经网络子模块 |
| 3.3 深度网络参数 |
| 第四章 结合不平衡分类与深度学习的癫痫发作检测 |
| 4.1 结合BLSM与1D-CNN模型 |
| 4.1.1 数据预处理 |
| 4.1.2 平衡处理 |
| 4.1.3 特征提取与分类 |
| 4.1.4 后处理 |
| 4.2 实验数据 |
| 4.3 评价标准 |
| 4.4 实验结果与分析 |
| 4.4.1 长短期记忆神经网络 |
| 4.4.2 网络模型优化 |
| 4.4.3 实验结果 |
| 4.4.4 本实验与其他方法的比较 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 未来展望 |
| 参考文献 |
| 硕士期间研究成果 |
| 致谢 |
（6）基于共空间模式算法和支持向量机二重分类的癫痫脑电识别（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 癫痫疾病介绍 |
| 1.2 脑电图及癫痫脑电概述 |
| 1.3 研究意义及国内外研究现状 |
| 1.4 论文的主要研究内容 |
| 1.5 论文的结构安排 |
| 第二章 共空间模式算法与特征提取 |
| 2.1 时域分析 |
| 2.1.1 统计参数 |
| 2.1.2 百分位分析(Percentile analysis) |
| 2.2 频域分析 |
| 2.3 时频域分析 |
| 2.3.1 短时傅里叶变换 |
| 2.3.2 小波变换 |
| 2.3.3 小波包能量 |
| 2.4 非线性动力学分析 |
| 2.4.1 近似熵 |
| 2.4.2 样本熵 |
| 2.4.3 排列熵 |
| 2.4.4 Lempel-Ziv复杂度 |
| 2.5 空域特征 |
| 2.6 本章小结 |
| 第三章 基于支持向量机的二重分类模式 |
| 3.1 线性判别分析 |
| 3.2 K-NN算法 |
| 3.3 决策树 |
| 3.3.1 分类属性的选择 |
| 3.3.2 停止分裂的条件 |
| 3.4 支持向量机 |
| 3.4.1 算法概述 |
| 3.4.2 核函数选择 |
| 3.4.3 基于支持向量机的二重分类 |
| 3.5 本章小结 |
| 第四章 基于特征结合和多分类器并行训练的癫痫脑电识别 |
| 4.1 实验数据 |
| 4.2 实验过程 |
| 4.2.1 癫痫脑电分类过程 |
| 4.2.2 特征提取 |
| 4.3 实验结果及分析 |
| 4.4 本章小结 |
| 第五章 基于空域特征和支持向量机二重分类的癫痫时期分类 |
| 5.1 实验过程 |
| 5.1.1 癫痫脑电分类过程 |
| 5.1.2 空域特征提取 |
| 5.2 实验结果及分析 |
| 5.3 实验方法讨论 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文总结 |
| 6.2 未来工作探究 |
| 参考文献 |
| 致谢 |
| 攻读硕士研究生期间的研究成果 |
| 学位论文评阅及答辩情况表 |
（7）基于小波包变换和形态成分分析的癫痫棘波检测（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 |
| 1.1.1 课题研究背景 |
| 1.1.2 癫痫脑电信号简介 |
| 1.1.3 脑电图简介 |
| 1.1.4 课题研究意义 |
| 1.2 课题研究现状 |
| 1.2.1 脑电信号特征提取研究现状 |
| 1.2.2 小波包变换的国内外研究现状 |
| 1.2.3 形态成分分析的国内外研究现状 |
| 1.3 论文的主要研究内容 |
| 1.4 论文的组织结构 |
| 第2章 基于小波包变换的癫痫棘波检测 |
| 2.1 棘波检测之小波包变换思想 |
| 2.1.1 多分辨率分析 |
| 2.1.2 信号的小波包分解和重构 |
| 2.1.3 信号去噪 |
| 2.2 棘波检测之小波包变换算法实现 |
| 2.2.1 棘波检测步骤 |
| 2.2.2 基于小波包分解的脑电信号频带划分 |
| 2.2.3 重构特定节点频率的棘波信号 |
| 2.2.4 棘波检测阈值选取 |
| 2.3 棘波检测之实验结果分析 |
| 2.3.1 实验数据描述 |
| 2.3.2 仿真结果及分析 |
| 2.4 本章小结 |
| 第3章 基于形态成分分析的癫痫棘波检测算法 |
| 3.1 棘波检测之形态成分分析要素 |
| 3.1.1 信号之稀疏表示 |
| 3.1.2 匹配追踪 |
| 3.1.3 形态成分分解 |
| 3.1.4 字典的选取 |
| 3.2 棘波检测之算法实现 |
| 3.2.1 棘波检测步骤 |
| 3.3 棘波检测之实验结果分析 |
| 3.3.1 实验数据描述 |
| 3.3.2 基于形态成分分析的不同字典的棘波提取和分析 |
| 3.3.3 两种算法的棘波检测对比分析 |
| 3.4 本章小结 |
| 总结与展望 |
| 论文工作总结 |
| 论文研究展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文及收获 |
| 致谢 |
（8）基于小波变换和自适应权重融合的癫痫脑电信号分析（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 脑电信号的基本知识 |
| 1.1.1 脑电信号的基本性质 |
| 1.1.2 脑电信号的节律频带 |
| 1.2 癫痫脑电信号的特点 |
| 1.3 癫痫检测的背景及意义 |
| 1.4 国内外研究现状 |
| 1.5 本文的工作及安排 |
| 1.6 本章小结 |
| 第二章 基本方法介绍 |
| 2.1 信号基本去噪方法 |
| 2.1.1 小波阈值去噪 |
| 2.1.2 小波自适应阈值迭代去噪 |
| 2.1.3 全变差去噪 |
| 2.2 脑电信号的基本研究方法 |
| 2.2.1 时域分析方法 |
| 2.2.2 频域分析方法 |
| 2.2.3 时频分析方法 |
| 2.2.4 非线性动力学 |
| 2.3 优化算法 |
| 2.3.1 交替方向乘子法 |
| 2.3.2 坐标下降法 |
| 2.4 前馈神经网络 |
| 2.5 本章小结 |
| 第三章 小波变换和全变差正则化相结合的脑电信号去噪 |
| 3.1 基于小波变换和全变差正则化的两步去噪策略 |
| 3.1.1 模型建立与求解 |
| 3.1.2 评价指标 |
| 3.2 算法实验 |
| 3.2.1 仿真信号去噪 |
| 3.2.2 脑电信号去噪 |
| 3.3 本章小结 |
| 第四章 基于自适应权重融合模型的癫痫脑电信号的识别分类 |
| 4.1 模型的建立与求解 |
| 4.2 癫痫脑电检测实验 |
| 4.2.1 癫痫脑电特征提取 |
| 4.2.2 癫痫脑电信号分类 |
| 4.2.3 模型的鲁棒性测试 |
| 4.3 本章小结 |
| 总结和展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间的研究成果 |
| 攻读硕士期间获奖及荣誉情况 |
（9）用于痫样脑电在线检测的Gm-C小波滤波器实现理论与方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题研究的背景 |
| 1.2 课题研究的意义 |
| 1.2.1 连续小波变换 |
| 1.2.2 小波变换的模拟滤波器实现 |
| 1.3 研究现状及存在的问题 |
| 1.3.1 痫样脑电检测技术研究现状 |
| 1.3.2 模拟小波滤波器研究现状 |
| 1.4 本文的研究内容和组织结构 |
| 2 基于小波变换的痫样脑电检测算法研究 |
| 2.1 引言 |
| 2.2 小波变换-模极大值EW检测法 |
| 2.2.1 理论基础 |
| 2.2.2 算法原型 |
| 2.3 基于多尺度小波基融合的模极大值EW检测法 |
| 2.3.1 多尺度小波基融合EW检测 |
| 2.3.2 小波尺度的优化选择 |
| 2.4 EW检测实验 |
| 2.4.1 性能评价指标 |
| 2.4.2 k-fold交叉尺度优化选取 |
| 2.4.3 性能分析 |
| 2.5 本章小结 |
| 3 模拟小波基逼近方法研究 |
| 3.1 引言 |
| 3.2 Marr小波基的频域逼近 |
| 3.3 基于混合遗传算法的频域采样逼近法 |
| 3.3.1 Marr小波基逼近的数学模型构建 |
| 3.3.2 混合遗传算法 |
| 3.3.3 优化算法测试 |
| 3.4 基于混合遗传算法的小波基逼近实例 |
| 3.5 电路级EW检测实验分析 |
| 3.5.1 电路级EEDA |
| 3.5.2 实验结果 |
| 3.6 本章小结 |
| 4 超低功耗Gm-C小波滤波器设计 |
| 4.1 引言 |
| 4.2 基于LC梯形仿真的Gm-C小波滤波器优化结构设计 |
| 4.2.1 小波滤波器的综合实现 |
| 4.2.2 LC梯形拓扑结构 |
| 4.2.3 Marr小波的LC梯形滤波器设计实例 |
| 4.3 极低跨导值Gm单元设计 |
| 4.4 Gm-C小波滤波器芯片设计 |
| 4.4.1 版图设计 |
| 4.4.2 仿真分析 |
| 4.5 版图级EW检测实验分析 |
| 4.6 本章小结 |
| 5 结论 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（10）多通道EEG信号去噪算法的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 EEG信号中的噪声 |
| 1.2.1 EEG信号噪声产生的原因 |
| 1.2.2 EEG信号噪声的类别 |
| 1.2.3 EEG信号噪声成分分析 |
| 1.3 多通道EEG去噪国内外研究现状 |
| 1.3.1 国外EEG去噪研究现状 |
| 1.3.2 国内EEG去噪研究现状 |
| 1.4 论文研究的主要内容 |
| 第2章 小波分析基本理论 |
| 2.1 小波变换简介 |
| 2.2 小波变换理论分析 |
| 2.2.1 傅里叶变换 |
| 2.2.2 短时傅里叶变换 |
| 2.2.3 连续小波变换 |
| 2.2.4 离散小波变化 |
| 2.3 常用小波函数介绍 |
| 2.3.1 小波基的选择 |
| 2.3.2 Haar小波 |
| 2.3.3 Meyer小波 |
| 2.3.4 Doubechies小波 |
| 2.4 小波变换的快速算法 |
| 2.5 本章小结 |
| 第3章 基于小波变换的多通道EEG信号去噪算法研究 |
| 3.1 EEG信号去噪实验分析 |
| 3.1.1 实验数据及电极的放置 |
| 3.1.2 实验方法 |
| 3.2 傅里叶去噪原理 |
| 3.3 小波去噪原理 |
| 3.3.1 小波分解与重构去噪原理 |
| 3.3.2 小波阈值去噪原理 |
| 3.3.3 新阈值函数去噪原理 |
| 3.4 仿真结果与分析 |
| 3.4.1 傅里叶算法的EEG去噪结果 |
| 3.4.2 小波分解与重构算法的EEG去噪结果 |
| 3.4.3 小波阈值算法的EEG去噪结果 |
| 3.4.4 新阈值小波函数算法的EEG去噪结果 |
| 3.5 EEG信号去噪效果综合评价 |
| 3.5.1 SNR、RMSE、PER分析 |
| 3.5.2 ROC曲线分析 |
| 3.5.3 频谱分析 |
| 3.6 本章小结 |
| 第4章 基于贝叶斯估计的多通道EEG信号去噪算法研究 |
| 4.1 贝叶斯估计理论 |
| 4.1.1 贝叶斯定理 |
| 4.1.2 先验分布 |
| 4.1.3 后验分布 |
| 4.2 EEG信号噪声模型分析 |
| 4.2.1 噪声的分类 |
| 4.2.2 高斯噪声模型 |
| 4.2.3 非高斯噪声模型 |
| 4.3 基于贝叶斯估计的EEG去噪算法研究 |
| 4.3.1 拉普拉斯最大后验概率分布 |
| 4.3.2 贝叶斯算法建立 |
| 4.3.3 阈值系数的估计 |
| 4.4 基于贝叶斯估计的去噪结果分析 |
| 4.5 EEG去噪效果综合评价 |
| 4.5.1 SNR、RMSE、PER分析 |
| 4.5.2 ROC曲线分析 |
| 4.5.3 频谱分析 |
| 4.6 本章小结 |
| 第5章 基于卡尔曼滤波的EEG信号去噪算法研究 |
| 5.1 卡尔曼滤波的EEG信号算法应用 |
| 5.1.1 AR模型分析 |
| 5.1.2 EEG信号的卡尔曼滤波模型 |
| 5.1.3 卡尔曼滤波模型的参数估计 |
| 5.2 基于卡尔曼滤波流程分析 |
| 5.3 仿真结果及分析 |
| 5.4 EEG去噪效果综合评价 |
| 5.4.1 SNR、RMSE、PER分析 |
| 5.4.2 ROC曲线分析 |
| 5.4.3 频谱分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
| 致谢 |
四、脑电棘波识别和噪声消除的小波变换方法（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]基于复数域分析的致痫区脑电信号识别算法研究[D]. 尤洋. 吉林大学, 2021(01)
- [3]面向癫痫脑电信号的多视角聚类模型研究[D]. 朱佳棋. 江南大学, 2021(01)
- [4]基于变分模式分解和深度森林的脑电信号识别[D]. 冯阳洋. 长春工业大学, 2021(08)
- [5]基于深层神经网络的癫痫脑电不平衡分类研究[D]. 费洪磊. 山东师范大学, 2021(12)
- [6]基于共空间模式算法和支持向量机二重分类的癫痫脑电识别[D]. 王玉潇. 山东大学, 2021(12)
- [7]基于小波包变换和形态成分分析的癫痫棘波检测[D]. 朱宁宁. 江苏科技大学, 2020(03)
- [8]基于小波变换和自适应权重融合的癫痫脑电信号分析[D]. 丁思佳. 河南大学, 2020(02)
- [9]用于痫样脑电在线检测的Gm-C小波滤波器实现理论与方法研究[D]. 马丽娜. 北京交通大学, 2020(03)
- [10]多通道EEG信号去噪算法的研究[D]. 王宏旭. 长春理工大学, 2020(01)