集成学习方法癫痫发作期分类系统设计(附件)
癫痫作为一种病因复杂的脑部疾病，困扰着许多的患者。通过借助集成学习分类器对正常人和患者的脑电信号进行分类，有效的区分癫痫的发作期与发作间期，达到对癫痫的疾病诊断和发作预报的目的。本文主要研究基于集成学习方法癫痫发作期的分类系统设计，分为两部分。首先对癫痫脑电信号进行特征提取，选用时域分析的方法对癫痫脑电信号进行特征提取。其次是分类，提出用Adaboost算法进行分类，提高分类的准确度以达到癫痫病发作预报的最终目的。通过Adaboost算法、Totalboost算法、LPBoost算法进行比较。最后的仿真结果表明了Adaboost算法能够有效提高分类器的分类精度。关键词 癫痫，集成学习方法，分类，脑电信号
目 录
1 绪论 1
1.1 课题研究的背景和意义 1
1.2 国内外的研究现状 1
1.3 课题的主要工作 3
2脑电信号简介 5
2.1脑电图 5
2.2脑电信号的采集 6
2.3脑电信号的分析 7
3 脑电信号的特征提取 8
3.1特征提取的指标 8
3.2方法的选择及介绍 8
4 集成学习方法脑电信号的分类 9
4.1 Boosting算法概述 9
4.2 Adaboost算法及思路 10
4.3 LPboost算法和Totalboost算法 13
5癫痫发作期分类系统实验仿真 14
5.1数据选择 16
5.2特征提取 16
5.3信号的分类 17
结 论 23
致 谢 24
1 绪论
1.1 课题研究的背景和意义
癫痫是一种复杂的脑部疾病，它是脑部持久的产生癫痫的症状，继而引发其他学科如神经学等方面的后果[1]。从发作时间上来看癫痫主要分为发作间期、发作前期、发作期和发作后期四个时期[2]。在多数的发展中国家有接近6000万的人患有癫痫，而发达国家也有近1000万的患者，这是一个庞大的数字[3]。癫痫可以发作于人的各年龄阶段，特别是青年时期发作率最高，在我国，有60%的患者发病起源 *好棒文|www.hbsrm.com +Q: #351916072#
于儿童时期，每10万儿童中就有接近200人发病。癫痫的发病率也日益增高，因此得到许多学者专家的关注与研究[4]。根据调查显示，由于逐年升高的癫痫发病率严重影响了人们生活，社会的关注度也增高不少。表面上看一个正常的人突发癫痫可能只在几秒之间，但是通过各方学者的不断努力发现癫痫是能够预报的，一般在病人发病的前几个小时，就有一些症状显现出来。如血流的变化，ECG中RR间期的变化等[5]。临床上针对癫痫患者，一般通过手术或者服用抗癫痫的药物，不过这不能根治癫痫，并且有一定副作用。癫痫发病的原因复杂多样，多年以来困扰人类健康、阻碍社会发展，尽管目前的治疗水平已经提高了许多，但还是有许多患者不能得到有效的治疗，甚至还有患者至今难以确诊。如果能够对癫痫发作期间做进一步的研究与分类，提高癫痫发作期的分类进度，从而对癫痫进行较为准确的预报，那么患者或者医护人员就有充足的时间对癫痫做出应对和保护措施。进而降低癫痫对于患者的伤害，使患者远离痛苦[6]。因此我们对癫痫发作期进行分类是非常必要的。
1.2 国内外的研究现状
1875年，首个在动物脑上获得电活动记录的是英国的R.Canton学者。
1965?年,一个癫痫病人的外科手术的皮层脑电图引发了Cooper等人对癫痫发作的关注，但是这种方法在实际中难以应用。
20世纪70开始，EEG中的一些可见特征引发人们的关注，如棘波等，由此对癫痫进行研究的重点变为了对这些特征值的研究。90年代初，非线性动力学技术进入人们的视野。lasemidis?研究人员发现，在研究癫痫病人脑电信号的时候，随着发作的临近，出现了最优李雅普诺夫指数的瞬时下降。1991年，这个研究组进一步证实了开始于发作前7.5分钟的相变化。1994?年,相关维数(correlation?dimension?，CD)开始用于预报癫痫的发作。通过一系列的研究,发现发作产生的可重复性的数据的重复率降低了,由此可对癫痫发作进行预报。另外,通过研究他们还发现,相同步在癫痫发作开始的前几小时内再一次出现[7]。在1998年,Litt 等人通过与其他研究小组的合作,应用智能系统的方法(intelligent system techniques ，IST)预报癫痫。他们从原始的最有可能对癫痫进行预报的数据子集中提取许多量化特征，然后对这些特征进行融合,最终找到在不同时间范围内( 如10 min.1h、1d )预报发作开始的概率的最优解[9]。
脑电信号分类一般要先对信号进行特征提取，然后对提取的样本进行分类。特征提取是对原始数据进行压缩的重要手段，也是脑电信号分类的重要依据。目前特征提取主要分为以下几类：时域分析、频域分析和时频分析[10]。时域分析就是对波形的特征进行提取,先对原始数据进行峰值检测和周期的检测，然后通过直方图进行分析 、相关分析、利用求方差进行分析 、对峰值检测进行分析、零截点分析及波形参数分析、求平均值分析等等，由幅度直方图可以提取平均值、方差、标准差等特征 。频域分析方法则是着重于波形的各频段的功率，由于人的脑电信号处于变换波动的状态，因而一般将脑电信号分为不同的组成频率来进行谱分析。一般用频域分析方法特征提取的步骤是先将EEG分割成等长的、相对平稳的几段，然后计算每一段的谱函数，再从中提取出特征量。目前频域分析主要有谱估计、双谱分析等方法。但是这两种方法都有一些不足的地方，它们对预处理的要求比较高，同时也不够稳定。近几年时频分析的应用也愈发多了起来,它结合了时域、频域的特点，从信号的时间与频率上同时入手可以更为全面的描述信号特征，如小波分析等。
脑电信号的分类的方法有许多种，例如统计分类、神经网路分析、数据的聚类、支持向量机等。随着科技的发展，从20世纪90年代开始，机器学习的应用也变得愈发广泛。人们开始在癫痫脑电信号的分类中引入机器学习，逐步形成先特征提取后分类器分类的分析方式。机器学习比较灵活，它可以不看基础模型，根据不同患者的不同病情，有针对性的建立模型来区分癫痫的发作期与发作间期，免去许多冗杂的实验过程。
目 录
1 绪论 1
1.1 课题研究的背景和意义 1
1.2 国内外的研究现状 1
1.3 课题的主要工作 3
2脑电信号简介 5
2.1脑电图 5
2.2脑电信号的采集 6
2.3脑电信号的分析 7
3 脑电信号的特征提取 8
3.1特征提取的指标 8
3.2方法的选择及介绍 8
4 集成学习方法脑电信号的分类 9
4.1 Boosting算法概述 9
4.2 Adaboost算法及思路 10
4.3 LPboost算法和Totalboost算法 13
5癫痫发作期分类系统实验仿真 14
5.1数据选择 16
5.2特征提取 16
5.3信号的分类 17
结 论 23
致 谢 24
1 绪论
1.1 课题研究的背景和意义
癫痫是一种复杂的脑部疾病，它是脑部持久的产生癫痫的症状，继而引发其他学科如神经学等方面的后果[1]。从发作时间上来看癫痫主要分为发作间期、发作前期、发作期和发作后期四个时期[2]。在多数的发展中国家有接近6000万的人患有癫痫，而发达国家也有近1000万的患者，这是一个庞大的数字[3]。癫痫可以发作于人的各年龄阶段，特别是青年时期发作率最高，在我国，有60%的患者发病起源 *好棒文|www.hbsrm.com +Q: #351916072#
于儿童时期，每10万儿童中就有接近200人发病。癫痫的发病率也日益增高，因此得到许多学者专家的关注与研究[4]。根据调查显示，由于逐年升高的癫痫发病率严重影响了人们生活，社会的关注度也增高不少。表面上看一个正常的人突发癫痫可能只在几秒之间，但是通过各方学者的不断努力发现癫痫是能够预报的，一般在病人发病的前几个小时，就有一些症状显现出来。如血流的变化，ECG中RR间期的变化等[5]。临床上针对癫痫患者，一般通过手术或者服用抗癫痫的药物，不过这不能根治癫痫，并且有一定副作用。癫痫发病的原因复杂多样，多年以来困扰人类健康、阻碍社会发展，尽管目前的治疗水平已经提高了许多，但还是有许多患者不能得到有效的治疗，甚至还有患者至今难以确诊。如果能够对癫痫发作期间做进一步的研究与分类，提高癫痫发作期的分类进度，从而对癫痫进行较为准确的预报，那么患者或者医护人员就有充足的时间对癫痫做出应对和保护措施。进而降低癫痫对于患者的伤害，使患者远离痛苦[6]。因此我们对癫痫发作期进行分类是非常必要的。
1.2 国内外的研究现状
1875年，首个在动物脑上获得电活动记录的是英国的R.Canton学者。
1965?年,一个癫痫病人的外科手术的皮层脑电图引发了Cooper等人对癫痫发作的关注，但是这种方法在实际中难以应用。
20世纪70开始，EEG中的一些可见特征引发人们的关注，如棘波等，由此对癫痫进行研究的重点变为了对这些特征值的研究。90年代初，非线性动力学技术进入人们的视野。lasemidis?研究人员发现，在研究癫痫病人脑电信号的时候，随着发作的临近，出现了最优李雅普诺夫指数的瞬时下降。1991年，这个研究组进一步证实了开始于发作前7.5分钟的相变化。1994?年,相关维数(correlation?dimension?，CD)开始用于预报癫痫的发作。通过一系列的研究,发现发作产生的可重复性的数据的重复率降低了,由此可对癫痫发作进行预报。另外,通过研究他们还发现,相同步在癫痫发作开始的前几小时内再一次出现[7]。在1998年,Litt 等人通过与其他研究小组的合作,应用智能系统的方法(intelligent system techniques ，IST)预报癫痫。他们从原始的最有可能对癫痫进行预报的数据子集中提取许多量化特征，然后对这些特征进行融合,最终找到在不同时间范围内( 如10 min.1h、1d )预报发作开始的概率的最优解[9]。
脑电信号分类一般要先对信号进行特征提取，然后对提取的样本进行分类。特征提取是对原始数据进行压缩的重要手段，也是脑电信号分类的重要依据。目前特征提取主要分为以下几类：时域分析、频域分析和时频分析[10]。时域分析就是对波形的特征进行提取,先对原始数据进行峰值检测和周期的检测，然后通过直方图进行分析 、相关分析、利用求方差进行分析 、对峰值检测进行分析、零截点分析及波形参数分析、求平均值分析等等，由幅度直方图可以提取平均值、方差、标准差等特征 。频域分析方法则是着重于波形的各频段的功率，由于人的脑电信号处于变换波动的状态，因而一般将脑电信号分为不同的组成频率来进行谱分析。一般用频域分析方法特征提取的步骤是先将EEG分割成等长的、相对平稳的几段，然后计算每一段的谱函数，再从中提取出特征量。目前频域分析主要有谱估计、双谱分析等方法。但是这两种方法都有一些不足的地方，它们对预处理的要求比较高，同时也不够稳定。近几年时频分析的应用也愈发多了起来,它结合了时域、频域的特点，从信号的时间与频率上同时入手可以更为全面的描述信号特征，如小波分析等。
脑电信号的分类的方法有许多种，例如统计分类、神经网路分析、数据的聚类、支持向量机等。随着科技的发展，从20世纪90年代开始，机器学习的应用也变得愈发广泛。人们开始在癫痫脑电信号的分类中引入机器学习，逐步形成先特征提取后分类器分类的分析方式。机器学习比较灵活，它可以不看基础模型，根据不同患者的不同病情，有针对性的建立模型来区分癫痫的发作期与发作间期，免去许多冗杂的实验过程。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jxgc/zdh/1602.html
