脑电非线性时间序列仿真研究

摘要

人脑是复杂的非线性动力学系统，脑科学研究已成为21世纪最重要的研究热点之一。自上世纪20年代脑电(EEG)被发现以来，人类便开始利用脑电对大脑进行无创伤性研究，从而脑电在许多领域都起到了重要作用。在生物医学中，脑电被作为医疗诊断和疾病治疗的有效手段；在认知研究中，脑电作为研究人类思维起源的主要工具；在脑．机接口(BCI)中，脑电作为人机交互的主要媒介。为了能够更有效地将脑电运用于这些领域，高效正确的分析方法是必须的，此外，方法能否对脑电和脑电所刻画的系统做出合理且有意义的解释是在理论和实践中需要考虑的重要标准。传统的方法从频谱和统计学的角度研究脑电时间序列，能够对脑电的部分特征给出详细的解释，为脑电在这些领域中的有效应用作出了一定贡献。然而，这些方法无法对大脑的非线性动力学性质进行深入有效的理解。本文从非线性动力学和定性仿真的角度研究脑电，给出了相应的分析方法和实验结果。在本文中，作者从以下5个方面对脑电非线性时间序列进行仿真研究： (1)在构建癫痫状态大脑的结构化模型的基础上，提出了一种从癫痫行为的定性仿真(QSIM)构建模糊推理系统(FIS)的方法，将QSIM模型中的量化空间和FIS的语言变量对应起来，并且在定性行为的仿真过程中建立有效的模糊规则库。 (2)脑电非线性动力学研究的基础需要重构系统的相空间模型。运用Takens的延迟坐标法重构系统相空间模型需要确定两个关键参数：嵌入延迟和嵌入维。本文对确定参数的两种方法进行优化和改进，分别给出了C-C方法和Cao方法的高效实现。 (3)基于重构的系统相空间模型，对刻画脑电复杂性、稳定性等非线性特征的不变量进行对比研究，对它们的非线性特征表达能力和计算性能进行详细比较，实验结果表明在区分大脑的不同生理状态的脑电分析应用中，排列熵(PE)和Hurst指数(HE)是两种最具实用价值的非线性不变量。 (4)在脑电非线性时间序列的重构相空间中，基于系统的非线性动力学特征，定义系统在相空间中的定性状态和定性行为的概念，提出对相空间轨迹进行定性建模的方法，并给出了提取定性状态的算法。在定性行为的刻画中，给出三种不同的表示方法，分别反映了系统定性行为的不同侧面。 (5)以脑电非线性时间序列的非线性特征和定性行为作为分类方法的输入，给出脑电分类和识别的集成分析方法。该集成方法在自适应训练阶段确定分类模型自身参数的同时，还能够自动选出最具代表性的脑电通道，有效的通道选择策略对于提高分类模型的时间性能和识别精度具有重要意义。在医疗诊断中，这种自学习方法还能够自动识别和判断病灶区域，在脑疾病诊断和治疗中具有突出的参考价值。在BCI应用中，自学习分类方法还能对特定的脑功能区域进行有效定位。 本文给出的方法都经过了实验验证，同时还进行了相关方法的对比分析和讨论。本文用到的脑电数据一部分来源于国内外的公共数据库，这些数据已经被许多文献所使用；另一部分来自安徽医科大学第一附属医院神经内科。本文给出的方法在这些数据集上的分析均能给出较满意的结果。 本文提出的方法并不局限于脑电时间序列的分析，可以通过适当的扩展应用到其他时间序列的非线性分析中。如定性状态和定性行为的研究方法可以应用到由一般非线性系统所输出的非线性时间序列的分析中。

目录

文摘

英文文摘

论文说明：插图、表格

中国科学技术大学学位学位论文相关声明

第1章绪论

1.1引言

1.2研究背景与发展现状

1.2.1脑电在脑科学研究中的意义

1.2.2脑电分析的常规方法

1.2.3仿真技术在脑电研究中的意义

1.3研究内容简介

1.3.1研究目标

1.3.2研究思路

1.3.3本文组织结构

参考文献

第2章定性推理与定性仿真

2.1引言

2.2定性推理概述

2.2.1定性推理解决的问题

2.2.2定性推理的优势

2.2.3各类定性推理方法介绍

2.2.4定性推理的应用

2.3 QSIM定性仿真算法介绍

2.3.1 QSIM算法中的基本概念

2.3.2 QSIM算法中的约束

2.3.3定性微分方程

2.3.4定性状态转移

2.3.5定性仿真结果输出

2.3.6 QSIM仿真过程

2.4分段定性仿真

2.4.1判断约束和赋值约束

2.4.2 PQSIM约束过滤

2.5本章小结

参考文献

第3章基于定性仿真的脑电模糊推理

3.1引言

3.2模糊系统概述

3.2.1模糊集

3.2.2模糊推理系统

3.3基于QSIM/PQSIM的模糊推理系统构建

3.3.1建立QSIM模型

3.3.2 QSIM定性仿真演化

3.3.3建立模糊规则

3.3.4模糊系统优化

3.4基于定性仿真的癫痫脑电模糊分析

3.4.1癫痫病症的PQSIM模型

3.4.2癫痫定性模型的定性仿真结果

3.4.3癫痫脑电模糊规则的构建

3.4.4癫痫脑电模糊系统优化

3.4.5实际癫痫脑电的发作识别

3.5本章小结

参考文献

第4章脑电时间序列非线性动力学分析

4.1引言

4.2重构系统相空间

4.2.1嵌入理论

4.2.2延迟坐标嵌入相空间重构

4.3延迟时间选取

4.3.1相关积分和相关维

4.3.2 C-C方法选择延迟时间

4.3.3对C-C算法的讨论和改进

4.3.4 C-C算法的实验结果

4.4嵌入维选取

4.4.1伪最近邻方法(FNN)

4.4.2 Cao算法的改进和讨论

4.4.3 Cao算法的实验结果

4.5时间序列的非线性特征不变量

4.5.1相关维

4.5.2最大Lyapunov指数

4.5.3 Hurst指数

4.5.4近似熵

4.5.5奇异值分解熵

4.5.6排列熵

4.5.7替代数据分析

4.6睡眠脑电的非线性分析

4.6.1实验数据来源

4.6.2睡眠脑电非线性分析结果

4.6.3睡眠脑电分析结果的定性分析

4.7非线性特征量比较分析

4.7.1实验数据来源

4.7.2醉酒脑电和正常脑电非线性分析的实验结果

4.7.3非线性特征量的比较和讨论

4.8本章小结

参考文献

第5章脑电时间序列建模与仿真

5.1引言

5.2系统相空间动力学

5.2.1系统动力学的基本概念

5.2.2系统相空间

5.2.3非线性系统吸引子结构

5.2.4重构相空间中的系统吸引子

5.3系统重构相空间中的定性建模和分析

5.3.1相空间中定性分析的基本概念

5.3.2相空间轨迹的定性化分析

5.4相空间定性状态提取

5.4.1 K均值聚类

5.4.2模糊C均值聚类

5.4.3定性状态提取算法

5.5相空间中定性状态的投影表示

5.5.1等距映射方法

5.5.2局部线性嵌入方法

5.6相空间定性行为表示

5.6.1符号序列表示法

5.6.2时序定性状态图

5.6.3定性状态转移图

5.6.4定性行为表示方法的比较

5.7时间序列的定性行为仿真

5.7.1仿真结果

5.7.2分析讨论

5.8癫痫脑电时间序列的定性行为

5.8.1数据来源

5.8.2仿真结果

5.8.3分析讨论

5.9本章小结

参考文献

第6章脑电时间序列集成分析方法

6.1引言

6.2基于学习的非线性模型和算法

6.2.1人工神经网络

6.2.2支持向量机

6.2.3遗传算法

6.3基于GA-MLPNN的脑电分类

6.3.1问题描述

6.3.2脑电数据获取

6.3.3特征提取

6.3.4集成的GA和MLPNN方法

6.3.5 GA-MLPNN的分类结果

6.4基于GA-SVM的癫痫脑电识别

6.4.1问题描述

6.4.2癫痫脑电数据描述

6.4.3癫痫脑电的定性行为描述

6.4.4通道选择

6.4.5 SVM参数优化

6.4.6 GA操作设定

6.4.7 GA-SVM结构流图

6.4.8 GA-SVM分类算法

6.4.9癫痫发作的识别结果

6.5两种分类方法的比较

6.5.1基于GA-MLPNN的癫痫脑电识别结果

6.5.2 GA-MLPNN和GA-SVM的比较

6.6本章小结

参考文献

第7章结论与展望

7.1工作总结

7.2研究展望

参考文献

附录

附录A缩略语

附录B德国波恩癫痫研究室的癫痫数据库

附录C MIT-BIH睡眠脑电EDF数据库

附录D UCI KDD脑电数据库

附录E第三届BCI竞赛脑电数据集

附录F医院采集的癫痫脑电

附录G计算机实验平台配置

参与工作和完成论文

A参与项目

B已发表文章

C已投稿件

致谢