抑郁症脑电信号特征提取及分类研究

摘要

精神抑郁症是一种常见的、慢性复发性疾病，表现为心境显著和持久的低落，伴有相应的思维和行为的改变。研究表明，抑郁症患者脑电信号(EEG)在节律、波形幅度和功率谱等参数中存在着不同于健康人的特征。自发脑电信号含有丰富的频率成分，不同的生理状态和病因下某些频段的能量在头皮不同区域的分布会发生变化，因’此可以提取不同频段上的能量作为分类器的特征参数实现抑郁症自发脑电信号的分.类。本文使用小波分析和特征向量法对抑郁症患者及健康人脑电信号进行特性分析和特征提取，结合支持向量机分类器实现两类信号的准确分类。具体内容如下： 1.通过小波变换和小波包变换对原始采样信号进行多尺度小波分解，得到的不同尺度的频带分量，提取EEG在不同频段上的能量特征。小波变换是一种多尺度信号分析方法，具有良好的时频局部化特性，非常适合于分析像EEG这样非平稳信号的瞬态特性和时变特性。小波包分解具有任意多尺度特点，避免了小波变换固定时频分解的缺陷(如高频段频率分辨率低)，为时频分析提供了极大的选择余地，更能反映信号的本质和特征。 2.将特征向量功率谱估计法应用到抑郁症脑电信号的特征提取中，我们对试验对象的脑电信号功率谱幅度进行统计分析，选取功率谱幅度的最大值、最小值、平均值和标准偏差作为信号的分类特征参数。特征向量法功率谱估计是基于矩阵特征分解的一种非参数建模谱估计方法，它主要适用于混有白噪声的正弦信号的频率估计及功率谱估计，甚至对于信噪比很低的信号，也能取得很高的谱分辨率。 3.在完成抑郁症患者和健康人脑电信号特征提取的基础上，我们使用支持向量机对这两类信号进行分类研究。支持向量机是根据统计学理论提出的一种机器学习方法，它集成了最大间隔超平面、Mercer核、凸二次规划和松弛变量等多项技术。支持向量机的方法根据结构风险最小化原则，提高学习机的泛化能力，它将优化问题转化为求解一个凸二次规划的问题，二次规划所得的解是唯一的且为全局最优解，这样就不存在一般神经网络的局部极值问题。支持向量机由于较好地解决了小样本、非线性、高维数、局部极小点等实际问题，在若干具有挑战性的应用中，获得了目前为止最好的性能。支持向量机已经逐渐成为解决模式分类问题的首选工具。 实验结果表明，采用以上三种特征提取方法提取的特征参数作为分类器的输入向量均可以取得理想的效果，抑郁症脑电信号分类准确率达87％以上。该研究成果将为精神抑郁症的病理临床诊断提供一种新的途径，为下一步基于自发脑电的抑郁症疾病诊断实用系统开发奠定基础。

目录

文摘

英文文摘

声明

1 绪论

1.1课题研究背景和意义

1.2 国内外研究概况及发展趋势

1.3本文主要研究工作及创新点

1.3.1本文主要研究工作

1.3.2本文主要创新点

1.3.3本文组织结构

2脑电信号分析基础

2.1脑电信号基础知识

2.1.1脑电信号产生机理及采集方法

2.1.2脑电信号的特征及应用

2.2脑电信号主要分析方法

2.2.1 时域、频域及时频分析

2.2.2非线性动力学分析

2.2.3小结

3基于小波分析的抑郁症脑电信号特征提取

3.1基于小波变换的脑电信号分析和特征提取

3.1.1 小波变换

3.1.2小波多分辨率分解基本理论

3.1.3小波变换特征提取方法

3.2抑郁症脑电信号的小波分解、特征提取及实现

3.2.1 实验数据

3.2.2脑电信号的小波分解

3.2.3特征提取过程

3.2.4实验结果

3.3基于小波包变换的脑电信号特征提取

3.3.1离散序列的小波包变换

3.3.2小波包的分解算法

3.4抑郁症脑电信号小波包分解、特征提取及实现

3.4.1 实验数据

3.4.2脑电信号的小波分解

3.4.3特征提取过程

3.4.4实验结果

3.5 小结

4基于特征向量估计的抑郁症脑电信号特征提取

4.1特征向量估计原理

4.1.1相关阵的特征分解

4.1.2基于MUSIC算法的功率谱估计

4.1.3基于特征向量的功率谱估计

4.2特征向量法抑郁症脑电信号的特征提取及实现

4.2.1 抑郁症脑电信号谱估计实现

4.2.2特征提取结果

4.3 小结

5支持向量机在抑郁症脑电信号分类中应用及实现

5.1 脑电信号模式识别技术

5.2支持向量机理论

5.2.1最优分类面与广义最优分类面

5.2.2支持向量机介绍

5.2.3支持向量机的性能与特点

5.2.4支持向量机现有实现算法及应用

5.3基于支持向量机的抑郁症脑电信号分类识别

5.3.1 结合小波变换和支持向量机的抑郁症脑电信号分类

5.3.2结合小波包变换和支持向量机的抑郁症脑电信号分类

5.3.3结合特征向量法和支持向量机的抑郁症脑电信号分类

5.3.4实验结果分析

6总结与展望

参考文献

攻读学位期间取得的研究成果

致谢