基于卷积神经网络的脑电信号分析方法研究

论文摘要

社会压力越来越大,睡眠呼吸暂停综合症、睡眠呼吸障碍等睡眠障碍疾病不断增加,严重影响了人们的生活和生命健康。同时,此类疾病的隐藏期比较长,如果不进行长期监测一般难以发现,且一旦发病便很难治愈。因此,急需找到一种提前预防和诊断此类疾病的方法。研究表明睡眠分期能够为睡眠障碍疾病的诊断提供判定性的依据。这是因为睡眠障碍疾病患者的脑电波与正常人存在显著差异,两者各睡眠阶段的比例也有很大的不同,因此进行睡眠分期研究具有非常重要的临床意义和应用意义。传统的睡眠分期方法需要大量专业人员长时间手动提取脑电特征,这一过程不仅费时费力而且也带有研究人员强烈的主观意识。卷积神经网络（Convolutional neural network,CNN）的权值共享和局部感受野使得其能自动提取脑电特征信号特征,改变了传统脑电信号分析需要大量人力手动提取脑电特征的缺点。因此,论文从CNN角度出发探索脑电信号分析方法的新思路,论文的主要研究内容如下:（1）原始径向基神经网络（Radial Basis Function,RBF）在选择初始网络中心点时往往依赖研究人员的经验,此外,网络宽度经初始化设置后,便不再修改,两者容易导致网络的计算复杂度高。针对上述不足,论文设计了一种改进RBF神经网络,首先,引入了密度的思想进行初始中心点的选择,若样本点的密度越大,其最终作为分类中心点的几率越高,这样便可准确、高效地选择网络中心点。其次,使用“3?”法则的宽度代替最大网络宽度,有效地降低了算法的计算复杂度。该方法的睡眠分期准确度较原始RBF及其它方法有了明显的提升。（2）原始双谱分析存在特征均值化的不足,易导致分类特征区分度不明显。因此,论文设计了一种基于频域的改进双谱分析方法。先计算多个频道下每30秒脑电数据的双谱估计特征和频域范围,然后选择出现次数最高的频域范围,对其双谱估计特征进行均值计算。该方法不仅降低了算法的复杂度,而且提高了睡眠分期准确度。（3）CNN在提取脑电特征时容易受到数据分割大小的影响,若时间分割过短,则会导致特征不明确,反之,则容易引起特征模糊。针对上述不足,论文将细粒度分割原则与CNN相结合提出了一种改进CNN。首先,针对脑电信号设计了一个七层的CNN,它包含一个输出层,两对卷积层和降采样层,一个全连接层和一个输出层。其次,确定细粒度分割程度的大小k,即将当前的睡眠阶段和后续的k-1个睡眠阶段重新组合成新的脑电序列,然后将重新组合成的新脑电序列代入设计好的CNN,并根据睡眠分期准确度得出最合适的细粒度分割大小。该方法一方面解决了传统脑电信号分析的不足,另一方面,该方法的睡眠分期准确度较原始的CNN及其他方法有了明显的提升。实验结果表明以上三种方法均有效地提高了脑电信号分析效率,为睡眠障碍疾病的诊断提供了更有效的依据,也为脑电信号分析提供了一个崭新的思路。

论文目录

• 摘要
• Abstract
• 第一章 绪论
•   1.1 研究背景和意义
•   1.2 国内外研究现状
•   1.3 研究内容
•   1.4 创新点
•   1.5 论文组织
• 第二章 睡眠分期理论与方法
•   2.1 睡眠分期与脑电信号
•   2.2 睡眠分期
•   2.3 睡眠分期方法
•     2.3.1 RBF神经网络
•     2.3.2 MLP
•     2.3.3 双谱分析
•   2.4 睡眠数据
•   2.5 本章小结
• 第三章 基于改进RBF神经网络的睡眠分期方法
•   3.1 RBF神经网络基本原理
•     3.1.1 反向传播
•     3.1.2 分类
•   3.2 改进RBF神经网络基本原理
•   3.3 基于改进RBF神经网络的睡眠分期方法
•     3.3.1 实验设计
•     3.3.2 实验结果与分析
•   3.4 本章小结
• 第四章 基于改进双谱分析的睡眠分期方法
•   4.1 改进双谱分析基本原理
•   4.2 基于改进双谱分析的睡眠分期方法
•     4.2.1 实验设计
•     4.2.2 实验结果与分析
•   4.3 本章小结
• 第五章 基于改进CNN的睡眠分期方法
•   5.1 CNN基本原理
•     5.1.1 传播
•     5.1.2 分类
•   5.2 改进卷进神经网络基本原理
•     5.2.1 细粒度分割基本原理
•     5.2.2 改进卷积网络基本原理
•   5.3 基于改进神经网络实现睡眠分期
•   5.4 本章小结
• 第六章 总结和展望
•   6.1 全文总结
•   6.2 未来工作展望
• 参考文献
• 攻读硕士学位期间的主要成果
• 致谢

文章来源

类型: 硕士论文

作者: 崔志红

导师: 郑向伟

关键词: 脑电信号分析,睡眠分期,双谱分析,神经网络

来源: 山东师范大学

年度: 2019

分类: 基础科学,医药卫生科技,信息科技

专业: 生物学,生物医学工程,电信技术,自动化技术

单位: 山东师范大学

分类号: TP183;TN911.7;R318

总页数: 52

文件大小: 2841K

下载量: 523