基于人工智能的癫痫分类算法及电路研究设计.pdfVIP

目录

摘要I

AbstractII

第一章绪论1

1.1课题背景与研究意义1

1.2国内外研究现状3

1.3研究内容与结构7

第二章癫痫脑电信号研究的基本理论10

2.1脑电信号10

2.1.1癫痫脑电信号概述11

2.1.2癫痫脑电信号研究12

2.2癫痫脑电信号预处理14

2.2.1经验模态分解14

2.2.2变分模态分解16

2.3机器学习18

2.3.1支持向量机18

2.3.2随机森林21

2.3.3XGBoost23

2.4深度学习24

2.4.1卷积神经网络25

2.4.2循环神经网络26

2.4.3Transformer30

2.5模型评估方法和评价指标31

2.6高层次综合34

2.7本章小结35

第三章基于优化变分模态分解的癫痫脑电信号36

3.1癫痫脑电信号数据库36

3.2VMD算法的参数优化37

3.3癫痫脑电信号的重构40

3.4本章小结44

第四章基于重构信号的特征提取45

4.1时域特征45

4.2频域特征47

4.3时频域特征49

4.4非线性动力学特征52

4.5本章小结56

第五章癫痫脑电信号的分类识别及电路设计57

5.1数据集重构57

5.2机器学习58

5.2.1特征选择方法58

5.2.2模型参数优化61

5.2.3实验结果与分析63

5.3深度学习67

5.3.1模型结构设计67

5.3.2实验结果与分析71

5.4电路设计74

5.5本章小结81

第六章总结和展望82

6.1工作总结82

6.2未来展望83

参考文献85

致谢92

攻读硕士学位期间的研究成果93

摘要

癫痫是由于神经元的过度异常放电所引起一种非传染性的神经系统疾病，其发病迅

速且频繁，会导致不自主的抽搐、意识丧失等不可逆的伤害。脑电图是诊断癫痫的主要

数据，但传统的人工分析耗时且依赖医生经验。因此，本文研究了基于人工智能的癫痫

脑电信号的自动化分类算法以及基于XilinxVitis工具的高层次综合（High-LevelSynthesis，

HLS）的逻辑电路设计，提出了一些创新方法，旨在提高癫痫疾病诊断的准确性和效率。

在脑电信号预处理方面，结合频域分析法和非线性动力学的分析方法，通过引入综

合中心频率和样本熵特性的优化变分模态分解（OptimizedVariationalModeDecomposition，

OVMD）方法，实现了对原始信号的自适应分解和重构。这一改进有效剔除了高频生理

性噪声的影响，提高了信号的稳定性，尤其增强了特征的敏感性。

在特征提取方面，本文采用了线性和非线性相结合的分析方法，从多个领域的不同

角度提取最具代表性的特征，进而构成能够全面反映原始信号不同特性的复合特征矩阵。

针对复合特征矩阵维数较高的问题，使用递归特征消除交叉验证（RecursiveFeature

EliminationwithCross-Validation，RFECV）和机器学习相结合的算法确定最优特征子集。

在分类识别方面，使用降维后的最优特征子集验证了经过遗传算法参数寻优后的十

种机器学习模型在不同数据集上的二分类和多分类性能。其中，随机森林、XGBoost和

AdaBoost分别取得了98.54%、98.57%和98.