小波变换和神经网络在脑电信号处理中应用研究.pdfVIP

当銮盔耋堡圭兰垡鎏銮 摘 要 脑电信号中包含了大量的生理与病理信息，在临床医学与脑科学的研究中起 着非常重要的作用。本论文在简单介绍神经网络和小波变换的原理基础上，利用 这两种先进的信号处理手段对脑电信号进行了建模，去噪，压缩，特征提取等各 种处理。 对脑电信号建模将有助于信号的进一步处理，本文利用BP和RBF神经网络分 别对脑电信号建立了系统模型，并比较了这两类神经网络在信号建模方面的异同。 脑电信号通常比较微弱，其非平稳性和背景噪声都很强，易受干扰，往往包 含多种干扰成分，如一些工频干扰信号，尖脉冲干扰信号，白噪声等。对于工频 干扰信号，可利用一般的FIR滤波器将其滤除，但是经试验发现，用一般的方法 设计的滤波器并不是太理想。经过研究，本论文提出了一种基于神经网络的滤波 器设计新算法，并将它与常规的用窗函数法设计的滤波器进行了对比，发现基于 神经网络的方法所设计出的滤波器具有通带阻带无波动无过冲等优点，从而具有 更好的性能，在文中给出了试验和结论。 对于尖脉冲，类白噪声等于扰信号，由于它们在全部的脑电数据中均存在， 因此希望直接从时域波形中消除干扰是不现实的做法。通常基于富立叶变换的匹 配滤波技术是脉冲检测和定位的有效方法，但由于脉冲干扰的时域波形经常变化， 故较难找到确定的检测模板。小波变换可以看作是用一组滤波器对信号进行滤波 所得到的结果，对信号进行小波变换，可得到信号在不同尺度上的分解，由于干 扰主要集中在高频端，通过滤除低尺度上的信号段，再对信号重构，即可起到一 定的滤波作用。本论文讨论了用于脑电信号处理的阈值去噪算法，提出了确定阈 值的方法。同时本论文也给出了小波模极大值滤波算法，并针对脑电信号的特点 对其算法细节进行了较大的改进。利用这两种方法滤除噪声都取得了较好的滤波 效果。文中给出了实验结果并将两种方法进行了对比。 为准确判定疾病的不同发作类型，选择合适的药物及治疗方案，通常需要纪 录庞大的脑电信号数据，这给存储带来了压力。为此应该在保证脑电信号主要特 征基本不变的前提下对其进行压缩，以减少其数据量，改善其存储、检索及分类 等问题。对数据进行压缩的方法很多，如一些通用的压缩算法：DPcM／ADPcM，游 程编码等等，但由于这些算法并不是特别针对脑电数据而设计的，所以压缩率不 是很高。为此，本论文提出了利用小波神经网络来对脑电数据进行压缩的算法。 将以小波基函数构造的神经网络应用于脑电信号的压缩表达上，通过调节小波基 参数、权值，网络在大量压缩数据的同时能够很好的恢复原有脑电信号，并较准 确地反映各种波形的位置和强度，从而达到压缩信号与原始信号的最佳匹配。在 对脑电数据进行压缩时，首先将脑电信号分段，然后对每段信号利用小波网络进 行训练，把训|练后得到的权值按一定格式保存起来，将来要利用时，可以再用同 样的小波神经网络，代入权值，即可求得此段信号的原始值。本论文提出利用时 频域匹配和OLS算法相结合的方法来确定小波网络隐层小波基及其个数，并利用 自适应梯度下降算法对小波网络进行训练，取得了较好的效果。 用同一结构的小波神经网络对不同的脑电信号进行压缩 训练 ，所得到的 权值向量将会有所不同，所以本论文提出将权值向量看作对应的脑电信号的特征 矢量，并利用此向量对脑电信号进行特征提取，模式识别等处理。 本论文在研究神经网络和小波分析的基础上，提出了一些新的算法和思路， 并将其应用在脑电信号这一典型的生理信号的处理上。这对于新型的具有更高性 能的脑电分析仪的开发与研制，脑电医疗数据的大规模存储等将具有较大的应用 价值。 关键词：．脑电信号小波变换神经网络小波神经网络 ．当壅套耋堡土主堡墼苎 ABSTRACT are fundamentalfortheclinical ElectroencephalograpⅢ EEG signals of withneural diseases．Therearefourbasic diagnosispatients system