Theta腦電波分類方法研究

1.85萬(wàn)字
自己原創(chuàng)的畢業(yè)論文，僅在本站獨(dú)家出售，重復(fù)率低，推薦下載使用

摘要 睡眠是人的一項(xiàng)重要的生理活動(dòng)，是生命所必需的過(guò)程，是機(jī)體復(fù)原、整合和鞏固記憶的重要環(huán)節(jié)，是健康生活不可缺少的組成部分，它占據(jù)了人一生大約三分之一的時(shí)間。因此，研究人類的睡眠狀況對(duì)于提高人的生活質(zhì)量以及對(duì)各類腦部疾病的判斷與診療都具有十分重大的意義。
本文通過(guò)對(duì)人類腦電波特征與分類的研究與探討，結(jié)合人在各個(gè)睡眠周期腦電信號(hào)的不同表現(xiàn)、各類波形的不同含量，分析了不同腦電波對(duì)人類睡眠質(zhì)量及周期的影響。并將其中的θ波作為研究對(duì)象。
為了能在含有大量噪聲的腦電信號(hào)中提取到θ腦電波的特征信號(hào)，文中對(duì)現(xiàn)有腦電信號(hào)的各種分析處理方法進(jìn)行了全面的闡述與比較，在明確各種方法的特點(diǎn)和優(yōu)劣的基礎(chǔ)上，決定采用快速傅里葉變換的算法（FFT）作為θ波特征提取的方法。
以核函數(shù)為核心的支持向量機(jī)方法是建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則的基礎(chǔ)上的，根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折衷，以期獲得最好的推廣能力。
本文以腦電信號(hào)為研究對(duì)象，以支持向量機(jī)方法為研究手段，在深入分析和討論支持向量機(jī)原理與核函數(shù)的基礎(chǔ)上，用支持向量機(jī)來(lái)對(duì)所給樣本進(jìn)行訓(xùn)練，進(jìn)而獲得所需的對(duì)θ腦電波分類的功能。
最后，通過(guò)對(duì)一組腦電數(shù)據(jù)進(jìn)行實(shí)際分析來(lái)對(duì)研究方法進(jìn)行驗(yàn)證。具體做法是在Matlab上對(duì)θ波進(jìn)行提取與分析，并在LIBSVM上分別用不同的核函數(shù)對(duì)正負(fù)樣本進(jìn)行訓(xùn)練、分類，經(jīng)過(guò)對(duì)分類結(jié)果的平均準(zhǔn)確度進(jìn)行比較，確定使用RBF核函數(shù)來(lái)實(shí)現(xiàn)對(duì)θ波腦電波的分類。
關(guān)鍵詞： 睡眠腦電 θ腦電波 特征提取 支持向量機(jī)


Study on the Classification method of Theta wave
Abstract Sleep is an important physiological activities，which is essential to our life. It occupies about a third of a person's life time, and it is an integral part of the healthy life. Therefore, the study of human’s sleep is very important for improving the quality of human life and the judgment and treatment to various types of brain diseases.
The paper bases on the human brain wave’s feature and classification, combines human’s different EEG performance during different sleep cycle, analyzes the impact of various types of brain waves on human sleep quality and cycle. And treat theta waves as the object of study.
In order to extract the feature of θ wave in the environment of a lot of interferences and noises, the paper analyzes and compares the present treatment of various types of EEG analysis. And then, choose FFT as the way to extract the feature of θ waves.
To the kernel function as the core of support vector machines is established by statistical learning theory and structural risk minimization. It bases on limited sample information to find the best compromise between complexity and learning ability of the model to obtain the ability to obtain the best promotion.
This paper is based on EEG and support vector machines. In-depth analysis and discussion of the principles of support vector machine and kernel functions, we use the SVM to train the given samples to obtain the function of finding the θ wave.
Finally, through a set of EEG data analysis to verify the research method. Specific approach is to extract and analyze the theta wave in Matlab, and in the LIBSVM using different kernel functions to train the positive and negative samples. After the classification results of the average accuracy comparison, determined using the RBF kernel function to achieve the classification of theta brain waves
Keywords: Sleep EEG θ wave Feature Extraction Support Vector Machine

目 錄
第一章 腦電與睡眠的基本知識(shí) 1
1.1 腦電圖簡(jiǎn)介 1
1.2 腦電波的特征與分類 1
1.2.1腦電信號(hào)的特點(diǎn) 2
1.2.2人的四種腦電波分類 3
1.3 睡眠腦電 5
1.3.1 睡眠及其作用 5
1.3.2 睡眠腦電的特征及分期 5
1.4 本課題的研究意義以及目的和任務(wù) 7
1.4.1 研究意義 7
1.4.2研究目的和任務(wù) 8
第二章 腦電信號(hào)的分析與處理方法 10
2.1 腦電信號(hào)處理方法概述 10
2.1.1時(shí)域分析法 10
2.1.2頻域分析法 10
2.1.3 時(shí)頻分析法 12
2.2傅里葉變換及其性質(zhì) 14
2.2.1 一般傅里葉變換 14
2.2.2 離散傅里葉變換 14
2.2.3 快速傅里葉變換 15
2.3 特征提取 17
2.3.1腦電特征提取的定義 17
2.3.2腦電特征提取的常用方法 17
第三章 支持向量機(jī)的認(rèn)識(shí)及應(yīng)用 19
3.1 常用的分類識(shí)別方法 19
3.1.1 分類識(shí)別的基本概念 19
3.1.2 常用分類識(shí)別方法簡(jiǎn)介 19
3.2 支持向量機(jī) 20
3.2.1 支持向量機(jī)概述 20
3.2.2 支持向量機(jī)的方法 20
第四章 θ腦電波分類的實(shí)驗(yàn) 27
4.1 實(shí)驗(yàn)整體思路 27
4.2 數(shù)據(jù)獲取 27
4.2.1 幾種腦電波的波形 27
4.2.2 腦電數(shù)據(jù)的獲取 28
4.3 特征提取 29
4.4 分類決策 30
4.4.1 SVM核函數(shù)的選擇 30
4.4.2 RBF核函數(shù)參數(shù)的選擇 33
第五章 總結(jié)與展望 37
致 謝 38
參考文獻(xiàn) 39