一种基于时间序列参数的癫痫脑电分类.docVIP

一种基于时间序列参数的癫痫脑电分类.doc

  1. 1、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。。
  2. 2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  3. 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  4. 4、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  5. 5、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  6. 6、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  7. 7、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
一种基于时间序列参数的癫痫脑电分类   摘 要:时间序列分析是一种采用参数模型对所观测的随机数据进行分析和处理的数据处理方法,具有简便高效的应用特点,因此应用广泛。该文采用时间序列分析方法对癫痫脑电分析,采用基于AIC准则和FPE准则进行适用性检验并建立AR模型,其中模型参数应用Burg算法和Marple算法进行估计,建立时间序列模型后,采用RBF神经网络依据模型参数对脑电信号进行分类。   关键词:时间序列 AR模型 癫痫脑电 RBF   中图分类号:R318.08 文献标识码:A 文章编号:1672-3791(2017)01(c)-0251-03   癫痫,是一种常见的神经系统疾病。现代医学诊断癫痫时一般应用脑电图机采集大脑的生理电信号来进行诊断,脑电信号是人体大脑进行活动时的生物放电的电信号,脑电信号的特征反映了大脑活动的特点。随着计算机技术的进一步发展,采集更加准确的脑电信号成为研究癫痫的有力工具同时也为研究癫痫机理提供新的契机。由于脑电信号具有明显的节律性和非平稳性的特点,因此基于波形特征的脑电信号特征提取方法价值不高,一般采用复杂的时频域方法进行脑电信号提取。而小波分析和AR模型是两种比较合适的提取特征量方法。该文将采用AR模型对脑电信号建模,建模参数作为脑电信号的特征量参数,应用RBF神经网络对脑电信号进行分类。   1 数据的采集、检验   1.1 数据采集   该文研究的数据来自于波恩大学癫痫脑电数据库,从其中挑选两组数据来进行数据处理,建立相应的AR模型并以AR模型参数为特征量进行癫痫脑电判断。所处理的两组数据已经进行了带通滤波和去伪迹的预处理,因此,先对数据进行平稳化验证。采用逆序检验方法检验均值或者方差的显著性。依据数据的长度,将时间序列均匀分成64段,每段子序列长度为64。求出各个子序列均值μj,64个均值构成序列μ1,μ2…μ64。求出该序列逆序综合A,其中Aj 为μj 的逆序数。则逆序总数的理论平均值为:   AR模型参数估计方法一般分为两种:(1)直接估计法;(2)递推估计法,其中递推估计法又主要分为矩阵递推估计法、参数递推估计法以及实时递推估计法。该文采用参数递推估计法中Burg法、Marple法,通过两种方法比较得出最佳参数估计。Burg算法基本思想主要利用向前滤波误差和向后滤波误差求出平均误差功率为最小时,再按照Levinson算法计算。Marple算法是通过参数递推方法由低阶U-C方程的解计算高阶U-C方程解的算法。由图2可知,FPE(P),AIC(p),BIC(p)大致在?A次为30时取得最小值,故模型定阶为30。   3 RBF神经网络分类   3.1 神经网络   人工神经网络模型是建立在现代神经生理学和心理学的研究基础上,模仿人的大脑神经元结构特性而建立的一种非线性动力学网络系统,它由大量简单非线性处理单元(类似人脑的神经元)高度并联、互联而成,具有一定的对人脑某些基本特性的简单数字模拟能力。在处理实际工程应用问题时,常常应用人工神经网络来处理分类问题,因此该文应用RBF神经网络(径向基函数神经网络)作为分类器对癫痫脑电进行分类。   3.2 RBF神经网络特点   RBF与其他神经网络有一定区别,RBF只有一个隐层,这样神经网络结构比较简单,并且隐层元模型和输出层神经元的模型不同,保证了神经网络的复杂性。其中隐层节点激活函数为径向基函数,输出层节点激活函数为线性函数,二者相互配合。隐层节点激活函数的非线性变换把线性不可分问题转化为线性可分问题,再通过输出层的线性函数模型来解决问题。见图3。   RBF神经网络两种模型:   (1)正规化网络RN(通用逼近器)。正规化网络的基本思想:加入一个含有解的先验知识的约束来控制映射函数的光滑性,如果输入―输出映射函数是光滑的,则重建问题的解是连续的,意味着相似的输入对应着相似的输出。一般函数都可表示成一组基函数的线性组合RBF网络相当于用隐层单元的输出构成一组基函数,然后用输出层来进行线性组合,以完成逼近功能。这就是正规化网络的逼近器思想。   (2)广义网络GN(模式分类)。广义网络的基本思想:用径向基函数作为隐单元的“基”,构成隐含层空间。隐含层对输入向量进行变换,将维空间的模式变换到高维空间内,使得在低维空间内的线性不可分问题在高维空间内线性可分。RBF网络用隐层单元先将非线性可分的输入空间设法变换到线性可分的特征空间(通常是高维空间),然后用输出层来进行线性划分,完成分类功能。这就是广义网络的模式分类思想。   该文采用正规化网络RN模型的RBF神经网络方法,对脑电AR模型参数进行逼近和分类,从而判断一组脑电数据是否为癫痫脑电数据。如图4、图5所示,从图中可以看出两组数据进行训练和测试后结果,对比

文档评论(0)

yingzhiguo + 关注
实名认证
文档贡献者

该用户很懒,什么也没介绍

版权声明书
用户编号:5243141323000000

1亿VIP精品文档

相关文档