基于多变量符号转移熵的生理电信号分析-信号与信息处理专业论文.docxVIP

万方数据 万方数据 南京邮电大学学位论文原创性声明 本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。 尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过 的研究成果，也不包含为获得南京邮电大学或其它教育机构的学位或证书而使用过的材料。 与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。 本人学位论文及涉及相关资料若有不实，愿意承担一切相关的法律责任。 研究生签名： 日期： 南京邮电大学学位论文使用授权声明 本人授权南京邮电大学可以保留并向国家有关部门或机构送交论文的复印件和电子文 档；允许论文被查阅和借阅；可以将学位论文的全部或部分内容编入有关数据库进行检索； 可以采用影印、缩印或扫描等复制手段保存、汇编本学位论文。本文电子文档的内容和纸质 论文的内容相一致。论文的公布（包括刊登）授权南京邮电大学研究生院办理。 涉密学位论文在解密后适用本授权书。 研究生签名： 导师签名： 日期： 摘要 生理电信号是人体各种生理参数的重要指标，在临床治疗和诊断中有重要的作用。复杂 度理论已成为研究生理电信号的热点，而符号转移熵是一种反映系统混乱程度的非线性指标， 在生理电信号特征提取的研究中发挥着越来越重要的作用。但是符号转移熵一般都是用来衡 量单个变量或者两个变量之间的动力学特征及方向性信息，忽略了多个变量之间相互作用。 本文主要做了以下工作： 一、在原有的多变量转移熵的基础上提出了多变量符号转移熵。由于传统的符号动力学 使用的是静态划分的方式，虽然保留了动力学特征，但是时间序列的非平稳特性受到了严重 影响，因此对传统时间序列静态划分方法做出了改进，即在原本就有的符号转移熵的基础上， 创新性的将时间序列使用动态自适应分割的方式进行符号化。 二、应用多变量符号转移熵算法对癫痫脑电以及注意力脑电进行分析，实验中通过选取 最佳导联对和最佳数据长度来确定最终的多变量符号转移熵值，实验结果证明该算法能够有 效区分正常人以及癫痫病人，有效区分脑电中的计数状态和闭眼状态。同时，对算法叠加叠 加高斯噪声验证了该算法的稳健性。 三、应用改进的多变量符号转移熵对正常人和冠心病患者的心电信号进行分析。在实验 中通过选取最佳的导联对，来判断改进的算法能够显著区分正常人和冠心病患者，对原始心 电时间序列叠加上高斯噪声后该算法依然可靠有效。 关键词: 生理电信号，多变量符号转移熵，动态自适应，传统符号化 I Abstract Physiological signals as important indicators of various physiological parameters in the human body, it plays an important role in the clinical diagnosis and treatment. Use of complexity theory to study the physiological signals has become a hot spot. The symbolic transfer entropy is a nonlinear system indicator to reflect the degree of chaos, which can be used as a characteristic of physiological signals. It is playing an increasingly important role in the study of physiological electrical signal feature extraction. But symbolic transfer entropy is generally used to measure the dynamic characteristics and directional information between one or two variables and ignores the interaction between multivariate. In this thesis, the main work and contributions include: Firstly, this paper adopts multivariable symbols transition entropy based on the multivariable transfer entropy. Because of the symbolic dynamics using traditio