svm癫痫脑电信号分类系统设计
癫痫是常见的一种脑部疾病，通过借助支持向量机的分类器对正常人和患者的脑电信号进行分类，对癫痫的疾病诊断起到辅助判断作用，具有实践的价值和理论学习的意义。本文主要研究基于支持向量机癫痫脑电信号的分类系统设计，针对癫痫脑电信号在分类中支持向量机的分类精确度的问题，提出了GS参数寻优结合网格式搜索法和交叉验证法来提高分类器的分类精确率，拟通过在支持向量机进行分类训练时的最高的验证精确率来寻找到分类精确率最高时的最佳的参数c和参数g。选择最佳的参数c和参数g建立分类模型进行分类预测，将寻优前后的分类结果进行对比，验证GS参数寻优后分类器的分类精确率提高。关键词 癫痫，支持向量机，分类，参数寻优，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 2
1.3 课题的主要工作 3
2 支持向量机SVM原理 4
2.1 SVM的基本原理 4
2.2 最优分类面 5
2.3 核函数 7
3 CSVM算法及RBF核函数 8
3.1 CSVM算法 8
3.2 RBF核函数 12
4 参数选择优化 13
4.1 c参数和g参数 13
4.2 参数寻优 14
5 基于CSVM癫痫脑电信号分类系统设计 15
5.1 实验数据处理 15
5.2 基于CSVM的分类方式 16
5.3 实验结果分析对比 17
结 论 25
致 谢 26
参考文献： 27
1 绪论
1.1 课题研究的背景和意义
癫痫是一种十分常见的神经系统的疾病，在很多发达国家中，癫痫已经成为了脑血管病第二高发的神经系统疾病，根据世界卫生组织最新的调查结果显示：全世界范围内癫痫病患者的数量高达5%，而在中国约有7%的人患有终生性的癫痫。癫痫病在发作前并没有显著的征兆，目前在癫痫上的治疗仍然没有什么非常有效的手段，癫痫的彻底根治仍有极大困难。癫痫的发作具有突发性，症状会毫无征兆的出现，也会在发作后一段 *好棒文|www.hbsrm.com +Q: #351916072#
时间突然停止。
癫痫的长期复发，不仅会对患者的身体带来极大的痛苦，而且会在一定程度上会给患者造成精神和心理上障碍。因此，癫痫的发病原因和治疗方法一直都是神经病学的研究热点的主要问题。癫痫病的发作与大脑密切相关，脑电图包含了大量癫痫发作时丰富的生理和病理资料。癫痫在研究脑电信号活动的动态变化为癫痫系统的研究和开发奠定了基础和可能性。因此，脑电信号癫痫发作的自动和准确检测可以帮助临床医师对癫痫患者进行有效的监测和控制，可以提高患者的生活质量，在临床医学诊断上具有重要意义。
1.2 国内外的研究现状
随着科学技术的不断发展，近年来人们对大脑的研究不断的深入，通过对脑电信号的处理判断出大脑病变的类型和范围，在脑电信号癫痫的自动检测技术上进行了大量实验和研究，发现支持向量机[1]（Support Vector Machine，SVM）作为一种基于机器学习方法的小样本分类器，不仅克服了神经网络，在学习和训练时实验数据的缺乏，需要大量的数据样本才能获得更好的分类能力的缺点，而且支持向量机具有传播良好的分类能力的优点，具有使自发性脑电信号[2]分类可以取得较好的效果的能力，被广泛用于排查异常癫痫脑电信号[3]。支持向量机的核心内容自1992年提出以来，经历了持续改进，不断的发展，现如今已相对成熟。支持向量机的分类器是基于统计学习理论[4]最成功的实现，虽然支持向量机的发展时间很短，但是基于统计学习理论的基础让它具有了坚实的理论依据，近年来不断涌出的大量的理论和成果，使其应用十分广泛。
Vapnik等人[5]最先提出了支持向量机的数学模型的理论，提出从最初的实验数据样本中选择一小组数据，即从数据集中选择一小组数据作为特征子集，然后通过这一小组的特征子集的特征来划分剩下的整个数据集。该特征子集称为支持向量[6]（Support Vector，SV），其作用类似于作为分类边界特征来进行整个数据集的分类。这一理论的提出为支持向量机的发展打下了坚实的基础。
通过对支持向量机进行了更加深入的研究和实验，1990年，Grace Boser等人[7]最终在统计学的方法的使用的理论基础上建立了一套较为完善的机器学习的理论——统计学习理论[8]。统计学习理论于1995年正式提出，统计学习理论的提出为日后支持向量机的不断成熟奠定了坚实的基础。
当支持向量机理论的提出，很好的解决了线性可分方面的问题，然而当遇到线性不可分的数据样本时，当时的支持向量机理论在处理分类数据样本时分类的精确度极低，对线性不可分的数据样本无法进行有效的分类处理。为了解决支持向量机遇到线性不可分数据样本时分类器精确率不高的问题，Kimeldorf[9]提出通过应用线性不等约束条件来构造的核空间的理论[10]，解决了部分的线性不可分问题，核理论的提出让支持向量机理论得到了极大的完善。
1998年，Weston等人[11]正式提出了基于支持向量机在数据样本多分类[12]的应用，这是支持向量机在多分类方面问题的第一次提出。随后不久多分类问题成为了研究的热点问题，经过学者们的不断努力，支持向量机在多分类方面的理论已十分完善，应用多分类上的方法也十分丰富，现如今，支持向量机在处理多分类问题上的应用十分的广泛。
目前，台湾大学的林志仁教授[14]开发出了一种新的工具包（Libsvm）[13]，支持向量机内部复杂的数学公式一直是使用者们学习的难点，Libsvm工具包的出现为支持向量机的应用提供了非常有效便捷的条件，使用者们不再需要学习支持向量机内部核心较为复杂的数学公式和原理，Libsvm的出现让使用者可以跳过公式学习的阶段，直接使用SVM的功能，这一工具包的出现使得支持向量机的应用范围十分的广泛，现如今许多常用的SVM工具包都来自林教授。
近年来，基于SVM的方法和设计[15]已经开始不断的应用在图像的识别、语音的识别、信号的处理和基因序列图的识别等多种的识别分类的系统中。支持向量机在解决线性分类的简单分类问题和通过使用不同的内核函数来解决非线性分类问题的方法，在通过图像过滤视频字幕及提取图像的分类和检索[16]等方面也有着非常广泛的应用。
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 2
1.3 课题的主要工作 3
2 支持向量机SVM原理 4
2.1 SVM的基本原理 4
2.2 最优分类面 5
2.3 核函数 7
3 CSVM算法及RBF核函数 8
3.1 CSVM算法 8
3.2 RBF核函数 12
4 参数选择优化 13
4.1 c参数和g参数 13
4.2 参数寻优 14
5 基于CSVM癫痫脑电信号分类系统设计 15
5.1 实验数据处理 15
5.2 基于CSVM的分类方式 16
5.3 实验结果分析对比 17
结 论 25
致 谢 26
参考文献： 27
1 绪论
1.1 课题研究的背景和意义
癫痫是一种十分常见的神经系统的疾病，在很多发达国家中，癫痫已经成为了脑血管病第二高发的神经系统疾病，根据世界卫生组织最新的调查结果显示：全世界范围内癫痫病患者的数量高达5%，而在中国约有7%的人患有终生性的癫痫。癫痫病在发作前并没有显著的征兆，目前在癫痫上的治疗仍然没有什么非常有效的手段，癫痫的彻底根治仍有极大困难。癫痫的发作具有突发性，症状会毫无征兆的出现，也会在发作后一段 *好棒文|www.hbsrm.com +Q: #351916072#
时间突然停止。
癫痫的长期复发，不仅会对患者的身体带来极大的痛苦，而且会在一定程度上会给患者造成精神和心理上障碍。因此，癫痫的发病原因和治疗方法一直都是神经病学的研究热点的主要问题。癫痫病的发作与大脑密切相关，脑电图包含了大量癫痫发作时丰富的生理和病理资料。癫痫在研究脑电信号活动的动态变化为癫痫系统的研究和开发奠定了基础和可能性。因此，脑电信号癫痫发作的自动和准确检测可以帮助临床医师对癫痫患者进行有效的监测和控制，可以提高患者的生活质量，在临床医学诊断上具有重要意义。
1.2 国内外的研究现状
随着科学技术的不断发展，近年来人们对大脑的研究不断的深入，通过对脑电信号的处理判断出大脑病变的类型和范围，在脑电信号癫痫的自动检测技术上进行了大量实验和研究，发现支持向量机[1]（Support Vector Machine，SVM）作为一种基于机器学习方法的小样本分类器，不仅克服了神经网络，在学习和训练时实验数据的缺乏，需要大量的数据样本才能获得更好的分类能力的缺点，而且支持向量机具有传播良好的分类能力的优点，具有使自发性脑电信号[2]分类可以取得较好的效果的能力，被广泛用于排查异常癫痫脑电信号[3]。支持向量机的核心内容自1992年提出以来，经历了持续改进，不断的发展，现如今已相对成熟。支持向量机的分类器是基于统计学习理论[4]最成功的实现，虽然支持向量机的发展时间很短，但是基于统计学习理论的基础让它具有了坚实的理论依据，近年来不断涌出的大量的理论和成果，使其应用十分广泛。
Vapnik等人[5]最先提出了支持向量机的数学模型的理论，提出从最初的实验数据样本中选择一小组数据，即从数据集中选择一小组数据作为特征子集，然后通过这一小组的特征子集的特征来划分剩下的整个数据集。该特征子集称为支持向量[6]（Support Vector，SV），其作用类似于作为分类边界特征来进行整个数据集的分类。这一理论的提出为支持向量机的发展打下了坚实的基础。
通过对支持向量机进行了更加深入的研究和实验，1990年，Grace Boser等人[7]最终在统计学的方法的使用的理论基础上建立了一套较为完善的机器学习的理论——统计学习理论[8]。统计学习理论于1995年正式提出，统计学习理论的提出为日后支持向量机的不断成熟奠定了坚实的基础。
当支持向量机理论的提出，很好的解决了线性可分方面的问题，然而当遇到线性不可分的数据样本时，当时的支持向量机理论在处理分类数据样本时分类的精确度极低，对线性不可分的数据样本无法进行有效的分类处理。为了解决支持向量机遇到线性不可分数据样本时分类器精确率不高的问题，Kimeldorf[9]提出通过应用线性不等约束条件来构造的核空间的理论[10]，解决了部分的线性不可分问题，核理论的提出让支持向量机理论得到了极大的完善。
1998年，Weston等人[11]正式提出了基于支持向量机在数据样本多分类[12]的应用，这是支持向量机在多分类方面问题的第一次提出。随后不久多分类问题成为了研究的热点问题，经过学者们的不断努力，支持向量机在多分类方面的理论已十分完善，应用多分类上的方法也十分丰富，现如今，支持向量机在处理多分类问题上的应用十分的广泛。
目前，台湾大学的林志仁教授[14]开发出了一种新的工具包（Libsvm）[13]，支持向量机内部复杂的数学公式一直是使用者们学习的难点，Libsvm工具包的出现为支持向量机的应用提供了非常有效便捷的条件，使用者们不再需要学习支持向量机内部核心较为复杂的数学公式和原理，Libsvm的出现让使用者可以跳过公式学习的阶段，直接使用SVM的功能，这一工具包的出现使得支持向量机的应用范围十分的广泛，现如今许多常用的SVM工具包都来自林教授。
近年来，基于SVM的方法和设计[15]已经开始不断的应用在图像的识别、语音的识别、信号的处理和基因序列图的识别等多种的识别分类的系统中。支持向量机在解决线性分类的简单分类问题和通过使用不同的内核函数来解决非线性分类问题的方法，在通过图像过滤视频字幕及提取图像的分类和检索[16]等方面也有着非常广泛的应用。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jxgc/zdh/2382.html
