基于熵測度與支持向量機的腦電信號分類方法研究.pdf

1、腦電圖(EEG)是檢查診斷癲癇的基本工具，對生理學研究與醫(yī)學應用是非常重要的，是大腦皮層或頭皮表面大腦神經組織細胞總體電活動的反應，包含了大量的大腦活動與功能的信息。大腦的電活動通常表現(xiàn)出復雜的行為與非線性動力學特性。癲癇俗稱羊角風，是一種慢性神經紊亂疾病，它發(fā)作時由于腦神經元突然不正常放電，使中樞神經系統(tǒng)活動異常興奮或抑制，對患者的精神和身體健康造成極大的傷害。對于頭皮腦電圖，癲癇腦電檢測的分析方法主要基于特征提取方法和分類算法。

2、r>　　越來越多的研究表明大腦是復雜的非線性動力學系統(tǒng)，非線性動力學方法被廣泛地應用于分析EEG信號。本文在非線性動力學分析方法上，提出了兩種非線性特征提取方法:基于近似熵和改進近似熵的癲癇腦電特征提取方法和基于樣本熵和改進樣本熵的癲癇腦電特征提取方法。首先，對癲癇腦電信號樣本數據分別求近似熵、改進近似熵、樣本熵、改進樣本熵;然后應用所求的熵測度值作為癲癇腦電信號的特征進行分類。熵測度是一種基于復雜度的非線性時間分析方法，不需要很長的數

3、據就可以估算出穩(wěn)定的熵值，具有很好的抗干擾和抗噪聲能力。熵測度的改進方法采用模糊隸屬度函數解決了Heaviside函數在[0，1]之間沒有值的問題，很大程度上提高了區(qū)分時間序列的效率。
　　根據癲癇發(fā)作時大腦系統(tǒng)復雜度程度與正常大腦復雜度的不同，本文研究了兩種腦電信號分類方法。一種是直接利用四種不同的熵測度值作為特征，選取合適的分類閾值對癲癇發(fā)作間歇期和癲癇發(fā)作期腦電進行分類，另一種是采用熵測度方法和支持向量機(SVM)相結合的癲

4、癇腦電信號分類方法，將近似熵值、樣本熵值、改進的近似熵值和改進的樣本熵值作為分類器的分類特征進行分類。
　　隨著統(tǒng)計學習理論的不斷發(fā)展與完善，SVM（支持向量機）作為一種新穎的回歸分類工具得到廣泛應用。SVM綜合考慮了VC維和結構風險的影響，被廣泛地應用于分析癲癇腦電信號，對分析高維數非線性系統(tǒng)具有良好的性能。對于線性不可分樣本，將其非線性變換后映射到高維特征空間，在這個特征空間中存在一個最優(yōu)分類面或超平面能將特征空間分為兩個區(qū)域

5、。為提高癲癇腦電自動檢測分類的精度，我們將支持向量機作為分類器，應用到癲癇腦電自動檢測分類算法中來，而支持向量機的分類特征即為前述所提取出的近似熵、樣本熵、改進的近似熵和改進的樣本熵。
　　實驗結果表明兩種非線性特征提取方法提取的特征均能有效的區(qū)分癲癇腦電發(fā)作間歇期和發(fā)作期信號。基于近似熵的單特征分類算法的總體分類正確率在0.15倍的標準差到2倍標準差區(qū)間內不斷升高，最高分類準確率達87.25％。在分類正確率上，SVM非線性分類比