一、阵发性40Hz脑电信号的自动检测（论文文献综述）
冯阳洋[1]（2021）在《基于变分模式分解和深度森林的脑电信号识别》文中提出脑电信号作为一种机理十分复杂的随机信号,包含着许多有价值的信息,通过脑电信号可以监测大脑的功能、认知、思维等高级中枢活动,它是研究人类大脑功能状态的一个重要渠道。建立一个有效识别脑电信号的模型,对于帮助医生进行诊断和治疗具有重要的现实意义。本文以波恩大学脑电信号为研究对象,提出了基于变分模式分解和深度森林算法相结合的脑电信号识别模型,并提出对脑电信号的固有模态函数提取四个维度下的特征信息,此外,将主成分分析方法应用到脑电信号的特征降维中,提高了分类精度。论文的主要研究工作如下:（1）基于变分模式分解算法良好的噪声鲁棒性、非迭代分解和自适应选择频带的优点以及克服错误分类问题的能力,采用变分模式分解算法对脑电信号数据集进行信号分解处理。本文结合分解后的剩余能量与原始能量的比值,最后将最优的变分模式分解个数K值确定为12。（2）在脑电信号分类过程中,提取了多个维度的特征作为分类算法的输入特征,以全面概括脑电信号的输入信息。在对经变分模式分解所得的脑电信号固有模态函数进行特征提取时,为了让所提取的特征更具有代表性,分别提取了1个脑电信号的集中趋势特征、10个脑电信号的离散程度特征、2个脑电信号的分布情况特征、4个脑电信号的时域和频域特征。（3）为了降低数据维度和提高预测精度,采用特征降维的方法对所提取的多个维度下的特征进行筛选。首先介绍了基于随机森林和主成分分析的特征筛选和降维方法,并在各分类模型下比较两种降维方法在提高脑电信号分类精度上面的性能。结果表明,基于主成分分析的特征个数比基于随机森林的特征个数少,且在深度森林算法下,基于主成分分析的脑电信号分类准确度也有所提高。（4）为了对癫痫脑电信号进行有效识别,本文将波恩大学的脑电信号重组成三个分类集,分别是:健康受试者和癫痫患者发作期的脑电信号、癫痫患者发作间期和发作期的脑电信号、健康受试者和癫痫患者发作间期及发作期的脑电信号。采用决策树、装袋算法、随机森林、支持向量机和深度森林等机器学习算法,分别在五折交叉验证和十折交叉验证下对三个分类集进行癫痫脑电信号的识别,并得到了各算法的识别精度。结果显示,利用主成分分析降维后所得的特征作为输入特征,基于变分模式分解和深度森林的脑电信号识别算法具有最高的识别正确率。综上,本文以脑电信号为研究对象,探讨了一种检测癫痫发作的新模型,利用变分模式分解、主成分分析和深度森林相结合的方法进行癫痫检测,不仅有助于深入挖掘癫痫患者的大脑活动状态,而且可以为医生的临床诊断和决策提供重要的参考性意见,本文提出的方法具有医学研究参考价值。
尤洋[2]（2021）在《基于复数域分析的致痫区脑电信号识别算法研究》文中提出癫痫是一种以具有持续性致痫倾向为特征的脑神经系统疾病。全球约1500万的癫痫患者为药物难治性癫痫,需要手术切除致痫区来控制或治愈癫痫。准确定位致痫区是手术治疗成功的关键。脑电图可以直观反映大脑电生理活动,是术前诊断致痫区的必要手段。临床医生通过视觉检查患者24小时长程脑电图来定位致痫区,但视觉检测耗时耗力且具有主观性和经验性,使得基于数字信号处理的致痫区辅助诊断技术成为当下癫痫研究领域的热点。该技术最关键的任务是依据癫痫活动时脑电的特点,设计基于信号处理和模式识别的致痫区脑电信号识别算法。一方面力求克服人工视觉诊断的弊端,极大地提高致痫区辅助定位的准确率和效率,缓解癫痫患者的痛苦;另一方面也为后续癫痫辅助诊断系统的开发奠定基础。然而癫痫样放电模式复杂多变,要实现准确且高效的致痫区脑电信号识别仍是一个艰巨的挑战。本文针对目前致痫区脑电信号识别算法准确性、算法效率和泛化性能较差的问题,结合癫痫脑电信号非线性、非平稳的特点,设计基于复数域分析的致痫区脑电信号识别算法,并探索相应算法在致痫区辅助定位中的有效性。本文的主要研究工作和创新性成果如下:（1）针对基于实数域的分析方法对脑电相位信息表征不足的问题,提出了基于柔性解析小波变换的致痫区脑电识别算法。利用柔性解析小波变换获得复数域下的复值脑电小波系数,同步保留脑电幅值和相位信息。引入复值分布熵实现对复值脑电系数的幅值-相位非线性信息的同步挖掘。将柔性解析小波变换灵活的时频表征特性、复值分布熵和对数能量熵的非线性分析能力相结合,有效且更充分地挖掘了潜在病理信息,增强了分析算法的识别性能。在伯尔尼-巴塞罗那脑电数据集3750对焦点和非焦点脑电信号的识别中获得了95.26%的识别准确率、96.35%的特异性和94.21%的敏感性,初步验证了复数域分析方法在致痫区脑电信号识别中的有效性。（2）针对传统时频分析方法对脑电节律信息挖掘能力较差的问题,提出了基于复值脑电节律特征的致痫区脑电识别算法。该算法将双树复小波变换与希尔伯特变换相结合以获得复数域下脑电节律的调幅和调相信息;然后结合标准差、奇异值和复值模糊分布熵从多角度捕捉复值脑电节律包含的病理信息,更深入地揭示焦点和非焦点脑电信号的节律特性;最后利用Logit Boost算法对决策树分类器进行集成,并增强分类器识别结果的可靠性和稳定性。实验结果表明,δ+θ节律对致痫区识别贡献率最大,特征差异度最大,在3750对焦点和非焦点脑电信号上取得了98.83%的识别准确率、0.976的马修斯相关系数和8.1ms的单样本识别时间。由此说明所提识别算法能够更充分地挖掘脑电节律信息,并且在识别性能和计算复杂度之间达到了平衡,提高了致痫区辅助定位的准确性和效率,进一步表明基于复数域分析的脑电识别算法的优越性。（3）针对传统脑电特征提取算法特征学习稳定性和泛化性差的问题,提出了基于幅-相融合矩阵和深度特征学习网络的致痫区脑电识别算法。基于前述的研究结论,直接对脑电信号进行低通滤波获得0-8Hz脑电频段。对脑电信号进行希尔伯特变换获得其解析信号,并由此得到脑电幅值矩阵和相位矩阵。引入多尺度引导滤波融合对幅值矩阵和相位矩阵进行数据层融合以获取包含深层信息的幅-相融合矩阵。利用主成分分析网络直接从幅-相融合矩阵中进行自动特征学习,解决个体差异为特征设计带来的困难,克服传统人工设计特征的经验性和局限性。利用伯尔尼-巴塞罗那和波恩两个脑电数据集对所提算法进行验证。对致痫区脑电信号的识别准确率为100%,马修斯相关系数为1;对7种不同癫痫检测任务均可获得99%以上的识别准确率和0.975的马修斯相关系数。实验结果表明所提识别算法保证了识别准确率和计算效率,并且在不同癫痫诊断任务场景下具有较好的泛化能力和鲁棒性。综上,本文以焦点和非焦点脑电信号为研究对象,围绕基于脑电信号的致痫区辅助定位技术中最关键的致痫区脑电信号识别算法构建问题展开研究。利用脑电信号的复数域表征算法实现了准确、高效的致痫区识别,对致痫区辅助定位技术的实用化进程起到了积极有效地推进作用,为下一步癫痫辅助诊断智能系统的研制奠定了理论基础。
李朝嵩[3]（2021）在《基于经验模态分解和公共空间模式的癫痫发作检测研究》文中认为癫痫是一种由于脑部神经细胞阵发性异常放电而导致功能性障碍的慢性神经系统疾病。目前,全世界的癫痫患者数量已超过6000万,并且癫痫在我国已成为仅次于头痛的第二大神经疾病。癫痫发作具有突发性与反复性,严重损害了患者的身心健康,甚至可能危及生命。脑电图具有记录大脑神经元电活动的能力,是癫痫疾病分析与诊断过程中的重要工具。神经科专家可通过连续观察脑电图记录确定癫痫发作事件的起止时间、发作初期最受影响的大脑区域等信息。然而,癫痫患者的长期脑电图监测通常会持续几小时甚至几天,这使得诊断过程极其耗时。现实中,很难有足够的神经科医生检查所有脑电图记录,并且随着脑电图通道数量增加,问题会变得更加严重。此外,临床脑电信号包含大量伪迹,这严重阻碍了专家对脑电图的目视检查,并可能造成发作事件审查遗漏的现象。随着科技发展,繁复的人工诊断可由计算机技术辅助完成。因此,使用信号处理和机器学习方法实现癫痫发作自动检测具有重要意义,其可减轻专家负担,并有效提高癫痫发作的识别率。本文将经验模态分解和公共空间模式方法相结合,提出了一种面向多类脑电信号的癫痫发作检测算法。经验模态分解是一种完全由数据驱动的时频分析方法,已经广泛应用于时间序列的特征提取、预测分析等领域。公共空间模式是一种基于统计方法的信号处理工具,是信号特征提取的重要方法之一。本实验首先使用小波变换和经验模态分解依次对脑电图记录进行滤波与时频分解;其次,运用公共空间模式对多通道时频表达式实现降维,并提取方差作为表征癫痫发作的唯一特征;之后基于集成学习思想,将10个支持向量机模型集成为一个支持向量机组用以训练与分类;最后对分类结果实行后处理,以降低分类误检率、获得更高的准确率。本文首先使用国际开源的德国弗莱堡颅内脑电数据与美国CHB-MIT头皮脑电数据对提出的方法进行评估。在弗莱堡数据库的688-h颅内脑电检测中,获得的平均灵敏度与特异性分别为98.86%与98.96%。在CHB-MIT数据库的977-h头皮脑电检测中,获得的平均灵敏度和特异性分别为97.34%和97.50%。其次,我们与山东大学第二医院合作,共同组建了临床头皮脑电数据库SH-SDU,检测方法取得了 93.67%的平均灵敏度与96.06%的平均特异性。此外,本项研究发现公共空间模式中的空间滤波器具有识别有关癫痫发作脑电通道的能力,这有助于确定与发作初期最相关的大脑区域。这些令人满意的结果表明,本文提出的方法可为临床应用中的癫痫发作检测提供参考。
张春玲[4]（2021）在《基于先验模板的脑电高频振荡节律的特征提取方法》文中研究表明癫痫是比较常见的神经系统疾病之一,并且是影响所有年龄段人群的脑部疾病。最新的研究表明,对服用抗癫痫药物的治疗无效的患者,可通过手术治疗癫痫。而术前准确定位癫痫发作的始发区是进行癫痫手术的关键。高频振荡节律和癫痫样放电一样都可用来定位致病灶,且高频振荡节律定位的效果要优于癫痫样放电。因此近年来,高频振荡节律被广泛的应用于癫痫外科手术,成为了术前癫痫致病灶的定位指标。本文在研究癫痫脑电的高频振荡节律的特征提取的基础上,创新性提出了两种高频振荡节律的提取算法。一是基于多元特征融合的特征提取与定位癫痫始发区的方法,解决了单一特征量不能完全表征癫痫脑电信号的特性问题;二是基于先验模板的高频振荡节律特征的提取方法,实现对癫痫始发区的准确定位,简化了信号处理的步骤。这两种算法提高了临床医生对癫痫的诊断效率,也给医生提供一些预测信息,使得医生的预测效率有所提升。首先,本文对高频振荡节律数据的预处理进行了研究。预处理的过程包括归一化处理、IIR滤波器滤波和50Hz倍频工频陷波器滤波以及采用盲源分离方法去除伪迹等。通过对数据的预处理,为下文的特征提取和分析奠定了基础。其次,脑电数据处理最重要的一步是提取特征。本文从时域、频域等方面对高频振荡节律的特征进行了提取,主要提取的特征是功率谱密度、短时能量估计值和模糊熵。根据这三个特征,提出了一种基于多元特征提取与定位癫痫始发区的方法,将这三个特征提取方法结果综合分析,融合支持向量机（Support Vector Machine,SVM）的分类技术,将假阳性的数据剔除,筛选出疑似癫痫致病灶导联,然后再经过专家的判定,得到最终的定位。最后,在根据多元特征提取与定位癫痫始发区算法得到最终的致病灶导联后,把这部分的特征对应的导联数据作为先验模板,提出一种基于先验模板匹配的定位致病灶的算法。通过使用前面建立的模板,使用两种方式来匹配筛选待测数据。一种方式是使用波形形状模板的方式去匹配待检测的导联数据,另外一种方式是使用特征模板去匹配待检测导联的特征量。如果模板与待检测的导联数据相关性较高,说明待检测的导联可是疑似癫痫发作的始发区。该算法提高了信号处理的效率,得到的数据也可用于提高医生的诊断和预测效率。
马宗亮[5]（2021）在《基于贝叶斯卷积神经网络的癫痫检测》文中进行了进一步梳理癫痫症（Epilepsy）作为一种常见的神经性疾病,其主要致病原因是由于大脑神经元异常放电。其主要特征为反复地癫痫发作,即为或长或短的严重抽出症状。癫痫的定义是患者在无诱发原因下持续重复的癫痫发作。它通常会导致短期的脑功能障碍,在神经病学中已经称为第二大常见疾病,其患病率仅次于头痛,严重危害患者的身心健康。作为癫痫临床诊断的有效方法,脑电图（EEG）起着不可替代的作用。大脑在活动时,大量神经元同步发生电位。它可以通过较为精密的电子设备,从头皮的各个部位准确记录其自发性生物电信号,进而通过放大器进行放大,将得到的波形进行记录。然而,通过脑电进行癫痫检测往往需要医护人员用肉眼进行判断。通常临床的长程脑电需要持续做24h左右,对如此长的脑电图进行判断不仅需要大量的时间和精力,而且在判断时医生的能力和精力有很大的差异,同时也具有很强的主观性。尤其是在某些非典型的脑电图波形中可能存在较大的差异。随着信息技术的普及以及各种机器学习算法的研究,癫痫自动检测也取得了长足的发展,从最初的半波脑电特征提取,逐渐演变到后来的时域、频域、时频域、非线性等特征提取方法的进一步改进,并与支持向量机（SVM）、随机森林（rf）等机器学习算法相结合对癫痫信号进行分类,使得分类的准确率大大提高,这是目前较为通用的一种检测方法。再到近年来随着人工智能技术被再次开发逐渐火热,研究者们将各种深度神经网络如人工神经网络（NN）、长短时记忆网络（LSTM）、卷积神经网络（CNN）等应用到癫痫检测领域。本文提出了一种基于S变换和贝叶斯卷积神经网络的癫痫分类检测算法。其中S变换是一种多尺度的时频域的特征提取方法,它既与傅里叶变换有着直接关系,可以由快速傅里叶变换计算出,同时又有着傅里叶变换没有的优点,在不同的频率其分辨率也不同,与小波变换也有着密切的关系。贝叶斯卷积网络是一种基于卷积神经网络的变种,其将概率模型引入深度神经网络的权重之中,对癫痫诊断领域加入了不确定因素,使分类网络更符合人脑的认知情况。本方法先通过S变换对信号进行预处理,得到信号的功率谱时频域特征图。然后使用贝叶斯卷积神经网络对得到的时频域特征图进行分类,最后使用平滑滤波器和领子技术进行后处理。该方法在来自21位患者的总共509小时的EEG数据中获得了 99.03%的平均灵敏度,97.74%的特异性和97.75%的准确性。敏感性和特异性分别高达100%和99.94%。事件检测的灵敏度为96.67%,错误检测率为0.38。它为基于人工智能的癫痫检测提供了新的方法和思路。
卜雨翔[6]（2021）在《基于柔性干电极和人工智能的房颤自动检测与预测方法研究》文中提出心房颤动（简称房颤）是一种常见且危害极大的心律失常。房颤发作时,心房杂乱无章的颤动会造成心排出量减少并加快血栓的形成,脱落的血栓则容易造成血管堵塞,严重时可能会引起缺血性脑卒中和心肌梗死等危及生命的疾病。房颤的患病率和发病率随着年龄的增长而增加,因此,随着人口老龄化的问题日益凸显,房颤对于人类健康的威胁也愈发严峻。动态心电图是临床上常用的心律失常诊断方式,但是由于其所采用的湿电极的记录性能会随记录时间增加而下降以及监护仪体积较大等问题,不适用于长时程心电监护,而房颤在发作之初通常表现为阵发性房颤,短时间的心电图检查往往不能有效地用于房颤诊断。新型的柔性干电极由于避免了导电凝胶的使用,可以应用于长时程心电监护,搭配人工智能算法的穿戴式心电监护设备近年来也显现出了其在临床房颤监护中应用潜力。但是,目前的相关研究往往仅关注于新型电极材料、穿戴式心电监护设备的研发,亦或是仅关注于基于公开数据库的房颤自动检测与预测算法研究,学术界缺乏针对该类问题的系统性研究。针对上述问题,本文的工作内容及创新点如下:（1）提出和研究了基于丝网印刷的新型柔性干电极用于生物电信号检测,并对湿电极和干电极的电极-皮肤接触面等效电路模型进行了建模和对比分析,设计了一种具有分层结构的柔性干电极的制备方案。通过对所研制的柔性干电极进行清洗测试、拉伸测试和接触阻抗测量等实验分析,全面评估了柔性干电极的电气和机械性能。同时,通过不同运动状态下的心电信号检测实验以及长时程心电信号检测实验,对柔性干电极的心电信号检测性能进行了评估,验证了柔性干电极可以在不使用医用粘合剂与导电凝胶的情况下达到与Ag/Ag Cl湿电极类似的记录效果。（2）提出和构建了基于柔性干电极和深度学习的房颤自动检测方法,基于前期的深度学习算法研究成果和本文所提出的4个待优化的心电贴导联配置方案进行了协同设计。通过包含40例房颤患者的临床试验评估,验证了本文提出的房颤自动检测方法在临床应用中的泛化能力,其平均准确率达到了93.1%。（3）提出和构建了一种基于RR间期滑动窗口和深度学习方法的房颤发作预测算法模型,基于公开数据库AFPDB的测试结果显示,该模型的最佳灵敏度、特异度和准确率分别达到93.67%、92.06%、92.86%。同时,通过提取46类不同的心率变异性特征,对采用不同心电信号分段方式时不同机器学习模型的房颤发作预测性能进行了对比评估。综上所述,本文对基于柔性干电极和人工智能的房颤自动检测与预测方法进行了研究,提出了一套基于柔性干电极的穿戴式心电监护系统及临床房颤自动检测方法,彻底解决了传统湿电极的导电凝胶所带来的问题,为临床心律失常的自动化精确诊断提供了新的技术手段,有助于推动生物电检测技术的发展和理论体系的完善。由于本课题研究时间和临床实验样本有限,本文只进行了初步的探讨和分析,本课题所得出的相关结果和结论有待将来进一步开展更大规模的临床试验来进行评估验证。
谢多艺[7]（2020）在《基于时频分析及高频振荡节律检测的癫痫始发区定位研究》文中提出随着人工智能与生物医学工程的飞速发展,机器学习技术已逐渐成为医疗领域医生诊断、分析病情的重要工具。癫痫是一种常见的神经系统疾病,临床患者数量众多。对于药物难治性癫痫患者,神经外科手术的成功率很大程度取决于癫痫始发区的精准定位。在术前评估中,癫痫脑电信号中的高频振荡节律已成为定位癫痫始发区的重要电生理标志物。由于高频振荡节律的微弱性、瞬时性,且癫痫脑电中混杂其他伪迹和噪声,基于医生肉眼判断的传统高频振荡检测方法十分耗时且主观性强。本文基于时频分析研究高频振荡的自动检测方法,并在此基础上实现癫痫始发区的准确定位。针对癫痫脑电数据特点,本文深入研究小波变换等信号时频分析技术及无监督聚类算法。本文使用无标签的多导联癫痫脑电数据,建立了基于高斯混合聚类算法的高频振荡检测模型。该模型结合临床专家经验对原始脑电数据进行预处理,利用滑动窗口对脑电信号分段计算时域信息。在高频振荡预检测后,通过Morlet小波时频图分析高频振荡与伪迹信号的能量分布差异,提取高低频带功率比、频谱峰度、频谱质心等时频域特征作为检测模型输入端。同时本文结合K-Means++及Fuzzy C-Means（FCM）等算法优化检测模型的初始化参数,降低检测模型运算复杂度,提高模型的检测精度。在得到性能良好的高频振荡检测模型后,本文通过分析发作期、发作间期、睡眠期等多时段癫痫脑电中检出的高频振荡分布特点,聚焦各时段癫痫脑电之间的关联,设计癫痫始发区定位决策模型。针对癫痫发作期脑电数据难以使用的问题,模型引入了致痫指数等量化指标,并结合多时段高频振荡检测结果共同建立导联分类阈值,实现癫痫始发区的准确定位。最后,使用临床专业医生对癫痫始发区的判定作为评估标准,验证了本文所提模型良好的定位性能,该模型能较为准确地定位癫痫始发区并辅助医生缩小致痫灶范围,具有良好的应用价值。
孙雪娇[8]（2020）在《穿戴式癫痫发作监测系统的关键技术研究与实现》文中提出穿戴式癫痫发作监测系统（Wearable Seizure Monitoring System,WSMS）对癫痫的辅助治疗和健康管理具有重要意义。目前,WSMS的实现方法主要利用加速度、肌肉活动等非脑电信号进行癫痫发作检测,应用范围仅局限于惊厥性发作类型。脑电作为捕捉大脑皮层电活动的关键生物信号,为癫痫发作检测提供必要的信息,可检测包括非惊厥性发作在内的几乎所有类型的癫痫发作。因此,基于脑电的WSMS已成为该领域的研究热点,但在检测性能、功耗、便携性方面无法达到临床要求。鉴于此,本文对基于脑电的WSMS实现所涉及到的关键技术展开研究,包括癫痫发作检测算法设计、基于FPGA的检测算法硬件实现与优化、癫痫管家安卓客户端软件开发以及验证平台搭建等。本文的主要工作如下:（1）针对痫样脑电数据非平衡特点所造成的漏检问题,采用基于K-means的痫样脑电平衡算法,对多数类发作间期脑电样本进行数据融合,改善类别边界样本误删问题的同时有效降低非平衡度。经CHB-MIT数据集的训练和测试,验证了非平衡处理方法的有效性。（2）针对广义Hurst指数（Generalized Hurst Exponent,GHE）方法对时间窗口内脑电信号波动状态描述的局限性,引入指数移动平均（Exponential Moving Average,EMA）思想,提出EMA-GHE特征提取算法用于计算痫样脑电信号的长期相关性特征,并结合随机森林（Random Forest,RF）分类器,设计适用于WSMS的癫痫发作检测算法。为验证算法鲁棒性,采用基于片段的评价标准进行测试,平均检出率为98.89%、平均误检率为1.65%;为验证算法满足WSMS高检测精度、低时延的要求,采用基于事件的评价标准进行测试,平均检测率为98.18%、平均误检率为0.0259次/h、平均检测时延0.32s。（3）提出基于FPGA的癫痫发作检测算法硬件实现与优化方法,完成基于Vivado HLS的癫痫发作检测算法IP核设计,包括数据位宽选择、EMA-GHE特征提取以及基于随机森林模型的预测模块,并针对算法的并行特性采用复用策略以及流水线设计完成IP核的优化。实验结果表明Vivado HLS下的IP核优化设计方法实现从算法设计到硬件实现的“完美”映射。（4）搭建WSMS验证平台,主要包括痫样脑电数据传输模块、发作检测模块安卓客户端反馈及报警模块。实验结果表明本文搭建的验证平台能够实现癫痫发作监测功能。
马丽娜[9]（2020）在《用于痫样脑电在线检测的Gm-C小波滤波器实现理论与方法研究》文中指出癫痫是一种由脑内神经元异常放电引起的慢性脑功能障碍综合症,其临床诊断通常由医生对电子设备记录的脑电图（Electroencephalogram,EEG）进行痫样波形（Epileptiform Waveform,EW）检测。穿戴式动态脑电（Wearable Ambulatory EEG,WAEEG）可通过无线方式传送EEG至基站,是现今癫痫诊断技术的前沿研究方向。然而,无线数据传送的功耗较高,致使WAEEG电池的使用寿命缩短,无法满足长程记录的要求。为突破这一瓶颈,WAEEG的在线数据缩减技术应运而生,其核心任务是痫样脑电检测算法（Epileptic Event Detection Algorithm,EEDA）的低功耗硬件设计。由于可在EW检测精度及计算复杂度之间取得较好平衡,基于连续小波变换（Continuous Wavelet Transform,CWT）的EEDA成为在线数据缩减技术的研究焦点,其中用于实现CWT的低功耗模拟小波滤波器（Analog Wavelet Filter,AWF）设计是该方法成功实施的关键。在此背景下,本文针对用于WAEEG在线数据缩减的EEDA和运算跨导放大器-电容（Gm-C）小波滤波器实现理论与方法进行研究,主要工作如下:1.对痫样脑电检测算法进行了研究,提出一种基于多尺度小波基融合的EW检测法,构造出用于痫样特征表示的融合小波基模型,并在该模型基础上设计高性能EEDA。为更好地选择两融合小波基尺度,本文将尺度选取转换为带有上下限的参数寻优问题,并利用遗传算法进行尺度寻优,以期匹配到EEDA的最优小波基模型。实验结果表明,所提出的EEDA可在低算法复杂度及50%数据缩减的前提下,将EW检测灵敏度提升至92%。2.对模拟小波基的逼近方法进行了研究,提出一种基于混合遗传算法的频域采样逼近法。根据小波的幅频特性构建小波逼近的数学模型,并利用融合了拟牛顿法及遗传算法优点的混合遗传算法进行参数求解。仿真结果表明,相比已有方法,本文提出的逼近法在时延、系统稳定性及逼近精度等方面均有明显的性能提升。为验证模拟小波基在EW检测中的优良性能,采用本文设计的EEDA进行对比实验,其EW检测灵敏度可达92%。3.对超低功耗Gm-C小波滤波器设计进行了研究。AWF的性能优劣取决于滤波器实现结构的好坏及核心模块Gm单元的性能高低。因此,本文利用基于LC梯形仿真的滤波器结构来综合获得的小波逼近函数,并通过拟牛顿法求解电容参数;此外,采用简单差分对Gm单元实现pS量级跨导器,以处理超低频脑电信号;最后基于SMIC 0.18μm CMOS工艺对AWF进行设计。仿真结果表明,所构造LC梯形Gm-C小波滤波器可实现高精度EW检测,且具有功耗低、芯片面积小等优点。
丁思佳[10]（2020）在《基于小波变换和自适应权重融合的癫痫脑电信号分析》文中进行了进一步梳理癫痫发作是一种常见的慢性神经系统疾病,具有反复性和突发性等特点,因此需要医生对病人进行长时间的观察,既耗时,效率又低,且视觉检测缺乏标准的制约,故癫痫脑电信号的自动检测具有重要的临床价值.随着神经科学和现代信息技术的快速发展,脑电信号在生理学、精神病学和认知科学等方面具有广阔的学术价值和应用前景.在临床诊断方面,由于脑电信号包含了大量的生理和病理信息,对其作深入的研究可以帮助临床医生提高对各种脑疾患和神经系统疾患诊断和检测的准确性.国内外对脑电信号的研究日益增多,到目前为止,已经有很多方法被应用于此.本文对脑电信号的研究主要分为以下两个方面:一方面,本文提出了一种基于小波变换和全变差正则化的两步去噪策略.根据脑电信号的采集过程,我们采集到的脑电信号常常会受到人的生理电信号产生的噪声或检测系统自身噪声的干扰,且这些噪声的存在会大大影响脑电信号的识别的准确度,因此,对脑电信号进行去噪处理是对脑电信号进行研究的首要环节.小波变换是脑电信号去噪中常用的一种方法,但小波去噪处理也存在一些不可避免的缺陷.全变差正则化在图像处理领域应用比较广泛,常被用于边缘检测,而在一维信号去噪中,全变差正则化可以弥补小波去噪的一些缺陷,故本文将两者结合,提出了一种两步去噪策略,并利用算法实验验证了该方法的可行性.最后,通过真实脑电信号去噪实验验证了本文提出的去噪方法具有更好的去噪效果.另一方面,本文提出了一种鲁棒的自适应权重融合模型用于脑电信号的特征学习.由于脑电信号中蕴含着丰富的生理及病理信息,无论是在临床医疗诊断和检测中,还是在工程应用中,脑电信号特征的有效提取和准确分类都具有重要的意义.由脑电信号的非线性非平稳特性,且脑电信号具有丰富的频率成分,本文建立一种基于脑电信号频率信息的自适应权重融合模型,并利用模型优化来自动的提取对分类最有用的脑电特征,最后利用前馈神经网络进行识别分类.此外,本文在脑电信号实验部分进行了二分类识别、三分类识别和五分类识别,并与已有文献相比具有更好的分类结果.
二、阵发性40Hz脑电信号的自动检测（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、阵发性40Hz脑电信号的自动检测（论文提纲范文）
（1）基于变分模式分解和深度森林的脑电信号识别（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.3 论文创新点 |
| 1.4 研究内容及论文框架 |
| 1.4.1 研究内容 |
| 1.4.2 论文框架 |
| 1.5 本章小结 |
| 第2章 基本理论 |
| 2.1 脑电信号分解方法 |
| 2.1.1 固有模态函数 |
| 2.1.2 变分模式分解 |
| 2.2 脑电信号分类算法 |
| 2.2.1 决策树 |
| 2.2.2 Bagging |
| 2.2.3 随机森林 |
| 2.2.4 支持向量机 |
| 2.2.5 深度森林 |
| 2.3 特征降维方法 |
| 2.3.1 基于RF的特征筛选 |
| 2.3.2 基于PCA的特征降维 |
| 2.4 分类评价指标 |
| 2.5 本章小结 |
| 第3章 基于变分模式分解的脑电信号研究 |
| 3.1 脑电信号 |
| 3.1.1 脑电信号概述 |
| 3.1.2 脑电信号的特性研究 |
| 3.1.3 脑电信号波形分析 |
| 3.2 数据来源 |
| 3.3 脑电信号的描述性统计分析 |
| 3.4 信号的变分模式分解 |
| 3.4.1 确定分解个数 |
| 3.4.2 脑电信号的变分模式分解 |
| 3.5 本章小结 |
| 第4章 脑电信号的特征提取 |
| 4.1 基于VMD的信号集中趋势特征提取方法 |
| 4.2 基于VMD的信号离散程度特征提取方法 |
| 4.3 基于VMD的信号分布情况特征提取方法 |
| 4.4 基于VMD的时域和频域特征提取方法 |
| 4.5 本章小结 |
| 第5章 脑电信号识别研究 |
| 5.1 脑电信号的重组 |
| 5.2 基于深度森林算法的未降维脑电信号分类 |
| 5.2.1 基于原始数据的脑电信号分类 |
| 5.2.2 基于VMD的脑电信号分类 |
| 5.3 基于深度森林算法的特征降维脑电信号分类 |
| 5.3.1 基于VMD和随机森林特征重要性筛选的脑电信号分类 |
| 5.3.2 基于VMD和主成分分析的脑电信号分类 |
| 5.4 方法比较 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
| 攻读硕士学位期间研究成果 |
（2）基于复数域分析的致痫区脑电信号识别算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 脑电信号和癫痫脑电信号 |
| 1.1.3 致痫区诊断的临床方法 |
| 1.1.4 本文的研究意义 |
| 1.2 致痫区脑电信号识别算法研究现状 |
| 1.3 存在的问题 |
| 1.4 论文的研究内容和组织结构 |
| 1.4.1 论文的研究内容 |
| 1.4.2 论文的组织结构 |
| 第2章 致痫区脑电信号识别算法框架及数据来源 |
| 2.1 致痫区脑电信号识别算法框架 |
| 2.1.1 预处理 |
| 2.1.2 特征提取 |
| 2.1.3 特征选择 |
| 2.1.4 分类识别 |
| 2.2 致痫区定位脑电数据集 |
| 2.3 脑电信号识别算法性能评价准则 |
| 2.4 本章小结 |
| 第3章 基于柔性解析小波变换的致痫区脑电识别算法 |
| 3.1 引言 |
| 3.2 小波变换和柔性解析小波变换 |
| 3.2.1 小波变换 |
| 3.2.2 柔性解析小波变换 |
| 3.3 基于柔性解析小波变换和熵特征的致痫区脑电识别算法 |
| 3.3.1 基于熵的脑电信号特征提取 |
| 3.3.2 基于Kruskal-Wallis检验的特征选择 |
| 3.3.3 基于支持向量机的分类识别 |
| 3.4 实验结果与分析 |
| 3.4.1 柔性解析小波变换的参数选择 |
| 3.4.2 复值分布熵的参数选择 |
| 3.4.3 本章脑电识别算法性能分析与讨论 |
| 3.5 本章小结 |
| 第4章 基于复值脑电节律特征的致痫区脑电识别算法 |
| 4.1 引言 |
| 4.2 双树复小波变换 |
| 4.3 希尔伯特变换 |
| 4.4 基于双树复小波-希尔伯特变换的致痫区脑电识别算法 |
| 4.4.1 混合特征提取 |
| 4.4.2 基于集成分类器的分类识别 |
| 4.5 实验结果与分析 |
| 4.5.1 双树复小波变换滤波器组选取 |
| 4.5.2 本章脑电识别算法性能分析与讨论 |
| 4.6 本章小结 |
| 第5章 基于幅-相融合矩阵和深度学习网络的致痫区脑电识别算法 |
| 5.1 引言 |
| 5.2 多尺度引导滤波融合 |
| 5.2.1 引导滤波融合 |
| 5.2.2 多尺度引导滤波融合 |
| 5.3 主成分分析网络 |
| 5.4 基于幅-相融合矩阵和主成分分析网络的致痫区脑电识别算法 |
| 5.4.1 构造折叠信号矩阵 |
| 5.4.2 基于支持向量机的分类识别 |
| 5.5 实验结果与分析 |
| 5.5.1 主成分分析网络的超参数选择 |
| 5.5.2 本章脑电识别算法性能分析与讨论 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文的研究总结 |
| 6.2 未来的研究展望 |
| 参考文献 |
| 作者简介及科研成果 |
| 致谢 |
（3）基于经验模态分解和公共空间模式的癫痫发作检测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 背景概述 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 癫痫发作检测研究 |
| 1.2.2 目前存在的不足 |
| 1.3 本文创新点 |
| 1.4 研究内容及规划 |
| 第2章 预处理与特征提取 |
| 2.1 预处理 |
| 2.1.1 小波变换 |
| 2.1.2 经验模态分解 |
| 2.2 特征提取 |
| 2.2.1 公共空间模式 |
| 2.2.2 方差特征向量 |
| 2.3 本章小结 |
| 第3章 支持向量机与支持向量机组 |
| 3.1 支持向量机 |
| 3.2 支持向量机组 |
| 3.3 本章小结 |
| 第4章 实验内容与结果 |
| 4.1 实验数据 |
| 4.1.1 德国弗赖堡脑电数据库 |
| 4.1.2 美国CHB-MIT脑电数据库 |
| 4.1.3 中国SH-SDU临床脑电数据库 |
| 4.2 实验流程 |
| 4.3 后处理 |
| 4.4 与癫痫发作最相关的通道识别 |
| 4.5 评价标准与实验结果 |
| 4.5.1 评价标准 |
| 4.5.2 基于弗莱堡颅内脑电数据库的检测性能 |
| 4.5.3 基于CHB-MIT头皮脑电数据库的检测性能 |
| 4.5.4 基于SH-SDU临床脑电数据库的检测性能 |
| 4.5.5 与癫痫发作最相关的通道识别结果 |
| 4.6 分析与讨论 |
| 4.7 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
| 学位论文评阅及答辩情况表 |
（4）基于先验模板的脑电高频振荡节律的特征提取方法（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 脑电高频振荡信号的研究进展 |
| 1.2.2 高频振荡节律特征提取算法与检测算法研究进展 |
| 1.3 本论文主要贡献和创新点 |
| 1.4 课题来源与论文结构安排 |
| 第二章 癫痫脑电数据的特点与处理算法分析 |
| 2.1 癫痫脑电数据的特点 |
| 2.2 癫痫脑电数据的采集 |
| 2.3 高频振荡节律特征提取与定位SOZ算法分析 |
| 2.4 本章小结 |
| 第三章 高频振荡节律信号的预处理算法分析 |
| 3.1 脑电数据的伪迹 |
| 3.1.1 伪迹的分类 |
| 3.1.2 伪迹消除方法 |
| 3.2 高频振荡节律信号的预处理 |
| 3.2.1 数据归一化 |
| 3.2.2 IIR滤波器的设计 |
| 3.2.3 梳状滤波器的设计 |
| 3.2.4 盲源分离法去除伪迹 |
| 3.3 预处理的仿真结果分析 |
| 3.4 本章小结 |
| 第四章 基于脑电多元特征融合的特征提取算法 |
| 4.1 频域特征提取 |
| 4.2 时域特征提取 |
| 4.3 基于熵的特征提取 |
| 4.4 多元特征融合的特征提取 |
| 4.5 算法结果分析 |
| 4.6 本章小结 |
| 第五章 基于先验模板匹配的定位癫痫SOZ算法 |
| 5.1 先验模板的选取与数据库建立 |
| 5.2 先验模板匹配算法 |
| 5.2.1 先验波形模板匹配 |
| 5.2.2 先验特征模板匹配 |
| 5.3 算法结果分析 |
| 5.4 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读学位期间取得与学位论文相关的成果 |
| 致谢 |
（5）基于贝叶斯卷积神经网络的癫痫检测（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 概述 |
| 1.1.2 脑电图介绍 |
| 1.1.3 癫痫脑电 |
| 1.2 研究现状 |
| 1.2.1 癫痫检测方法 |
| 1.2.2 癫痫检测方法现状 |
| 1.3 本文主要内容及结构安排 |
| 第2章 脑电信号特征提取方法与S变换 |
| 2.1 脑电信号时频特征提取方法 |
| 2.1.1 概述 |
| 2.1.2 短时傅里叶变换 |
| 2.1.3 连续小波变换 |
| 2.2 S变换 |
| 2.3 S变换在脑电信号特征提取中的应用 |
| 2.4 本章小结 |
| 第3章 人工神经网络(NN)与贝叶斯卷积神经网络 |
| 3.1 深度学习与神经网络 |
| 3.1.1 M-P模型 |
| 3.1.2 多层感知机与人工神经网络 |
| 3.1.3 卷积神经网络(CNN) |
| 3.2 贝叶斯反向传播 |
| 3.3 贝叶斯卷积神经网络 |
| 3.4 本章小结 |
| 第4章 实验数据与方法 |
| 4.1 实验数据 |
| 4.2 实验模型与方法 |
| 4.2.1 预处理 |
| 4.2.2 实验网络模型 |
| 4.2.3 后处理方法 |
| 4.3 实验结果 |
| 4.3.1 系统评估标准 |
| 4.3.2 基于时间段的评估方法 |
| 4.3.3 基于发作事件的评估方法 |
| 4.4 结果分析与讨论 |
| 4.5 本章小结 |
| 第5章 总结和展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 学位论文评阅及答辩情况表 |
（6）基于柔性干电极和人工智能的房颤自动检测与预测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 柔性电干电极与心电监护设备 |
| 1.2.2 人工智能方法在医学信号处理中的应用 |
| 1.2.3 房颤自动检测算法 |
| 1.2.4 房颤自动预测算法 |
| 1.3 本文的主要研究内容 |
| 1.4 本文的章节安排 |
| 第二章 基于丝网印刷技术的柔性生物电干电极研制 |
| 2.1 引言 |
| 2.2 电极-皮肤理论模型 |
| 2.2.1 电极-皮肤接触面等效电路模型 |
| 2.2.2 电极-皮肤接触阻抗测量原理 |
| 2.3 分层丝网印刷技术 |
| 2.3.1 丝网印刷技术的工作原理与流程 |
| 2.3.2 丝网印刷技术的分类与应用 |
| 2.4 柔性干电极的设计与工程测量 |
| 2.4.1 柔性干电极的设计与制造 |
| 2.4.2 柔性干电极的工程测量方法与结果 |
| 2.5 本章总结 |
| 第三章 基于柔性干电极的体表心电信号检测技术研究 |
| 3.1 引言 |
| 3.2 体表心电信号产生与检测的原理 |
| 3.2.1 体表心电信号产生的原理 |
| 3.2.2 体表心电信号检测的原理 |
| 3.3 穿戴式单导联心电贴与心电背心研制 |
| 3.3.1 单导联体表心电信号检测设备 |
| 3.3.2 心电信号主动去噪方法 |
| 3.4 柔性干电极与Ag/AgCl湿电极的心电检测性能对比评估 |
| 3.4.1 心电信号检测实验方案 |
| 3.4.2 心电信号检测性能评估指标 |
| 3.4.3 心电信号检测性能评估结果与讨论 |
| 3.5 本章总结 |
| 第四章 基于深度学习与导联配置优化的房颤自动检测算法研究 |
| 4.1 引言 |
| 4.2 房颤自动检测算法介绍 |
| 4.3 深度学习算法与心电贴导联配置的协同设计 |
| 4.3.1 协同设计与优化 |
| 4.3.2 协同设计评估结果与讨论 |
| 4.4 房颤自动检测算法的小样本临床试验与性能评估 |
| 4.4.1 针对房颤自动检测算法泛化能力验证的小样本临床试验 |
| 4.4.2 不同电极类型和运动状态下的房颤自动检测算法性能评估实验 |
| 4.5 本章总结 |
| 第五章 基于机器学习/深度学习的房颤发作预测算法研究与探讨 |
| 5.1 引言 |
| 5.2 房颤发作预测数据库建库 |
| 5.2.1 阵发性房颤发作预测挑战数据库介绍 |
| 5.2.2 专用数据库建库 |
| 5.3 基于机器学习的房颤发作预测算法 |
| 5.3.1 心率变异性特征 |
| 5.3.2 机器学习模型搭建与性能评估 |
| 5.4 基于深度学习的房颤发作预测算法 |
| 5.4.1 基于滑动窗口的模型输入 |
| 5.4.2 深度学习模型搭建与性能评估 |
| 5.5 本章总结 |
| 第六章 全文总结与展望 |
| 6.1 本文创新点及工作总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（7）基于时频分析及高频振荡节律检测的癫痫始发区定位研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 高频振荡特性研究 |
| 1.2.2 高频振荡自动检测方法研究 |
| 1.2.3 癫痫始发区定位方法研究 |
| 1.3 研究内容与创新点 |
| 1.3.1 论文的主要内容 |
| 1.3.2 论文的主要创新点 |
| 1.4 论文结构安排 |
| 第二章 高频振荡检测关键技术 |
| 2.1 高频振荡信号理论基础 |
| 2.2 癫痫脑电信号处理技术 |
| 2.2.1 希尔伯特变换 |
| 2.2.2 小波变换 |
| 2.3 无监督聚类算法 |
| 2.3.1 K-means聚类算法 |
| 2.3.2 高斯混合聚类算法 |
| 2.3.3 K-means与GMM算法对比 |
| 2.4 箱型图 |
| 2.5 本章小结 |
| 第三章 高频振荡自动检测算法研究 |
| 3.1 癫痫脑电信号特征分析 |
| 3.1.1 癫痫脑电实验数据介绍 |
| 3.1.2 癫痫脑电信号特点 |
| 3.2 高频振荡自动检测流程设计 |
| 3.3 高频振荡初始筛选 |
| 3.3.1 癫痫脑电信号预处理 |
| 3.3.2 高频振荡备选事件集构建 |
| 3.3.3 高频振荡初步筛选仿真结果 |
| 3.4 高频振荡时频特征提取 |
| 3.4.1 Morlet小波时频图分析 |
| 3.4.2 高频振荡时频域特征提取 |
| 3.4.3 仿真结果及分析 |
| 3.5 基于无监督聚类的高频振荡检测模型设计 |
| 3.5.1 基于FCM算法的高频振荡检测模型参数初始化 |
| 3.5.2 基于FCM初始化的GMM聚类算法 |
| 3.5.3 基于AIC、BIC信息准则的聚类数目优化 |
| 3.5.4 仿真结果与分析 |
| 3.6 本章小结 |
| 第四章 基于多时段高频振荡的癫痫始发区定位 |
| 4.1 多时段高频振荡分布特点 |
| 4.1.1 发作期高频振荡分布情况 |
| 4.1.2 发作间期高频振荡分布情况 |
| 4.1.3 睡眠期高频振荡分布情况 |
| 4.2 癫痫始发区定位决策模型 |
| 4.2.1 基于致痫指数的癫痫发作期导联判别决策 |
| 4.2.2 基于多时段癫痫脑电检测结果的定位决策模型设计 |
| 4.3 定位性能评估 |
| 4.4 定位性能对比分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文工作总结 |
| 5.2 工作的不足和展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（8）穿戴式癫痫发作监测系统的关键技术研究与实现（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 穿戴式癫痫发作监测系统的研究现状 |
| 1.2.2 癫痫发作自动检测算法的研究现状 |
| 1.2.3 癫痫发作检测算法硬件实现的研究现状 |
| 1.3 本文研究目标及内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.4 本文结构安排 |
| 2 癫痫发作自动检测算法研究 |
| 2.1 脑电信号概述 |
| 2.1.1 脑电信号特征 |
| 2.1.2 痫样脑电信号特征 |
| 2.2 癫痫发作自动检测基本原理 |
| 2.2.1 预处理 |
| 2.2.2 特征提取 |
| 2.2.3 分类 |
| 2.3 基于GHE和 EMA相融合的特征提取算法研究 |
| 2.3.1 基于GHE的脑电信号Hurst指数评估 |
| 2.3.2 基于EMA-GHE的特征提取算法设计 |
| 2.4 面向高精度和低复杂度的分类器设计 |
| 2.4.1 分类器选择 |
| 2.4.2 随机森林分类器的超参数优化 |
| 2.5 非平衡痫样脑电信号处理 |
| 2.5.1 痫样脑电信号非平衡处理的基本方法 |
| 2.5.2 基于K-means的痫样脑电数据平衡方法 |
| 2.6 实验结果与分析 |
| 2.6.1 数据集选择 |
| 2.6.2 分类性能评价方法 |
| 2.6.3 实验仿真与结果分析 |
| 2.7 本章小结 |
| 3 癫痫发作检测算法的硬件设计与优化 |
| 3.1 FPGA硬件资源 |
| 3.2 基于Vivado HLS的 FPGA开发 |
| 3.2.1 Vivado HLS设计流程 |
| 3.2.2 Vivado HLS接口综合 |
| 3.2.3 Vivado HLS优化策略 |
| 3.3 癫痫发作检测算法IP核设计 |
| 3.3.1 基于EMA-GHE特征提取模块的IP核设计 |
| 3.3.2 基于RF模型的分类器预测模块IP核设计 |
| 3.4 癫痫发作检测算法IP核优化方法 |
| 3.4.1 复用策略 |
| 3.4.2 流水线优化 |
| 3.5 实验结果与分析 |
| 3.5.1 FPGA平台检测算法的精度分析 |
| 3.5.2 FPGA平台检测算法的资源分析 |
| 3.6 本章小结 |
| 4 癫痫管家安卓客户端软件设计 |
| 4.1 蓝牙开发 |
| 4.2 数据存储技术 |
| 4.3 实验结果与分析 |
| 4.4 本章小结 |
| 5 穿戴式癫痫发作监测系统的验证平台搭建 |
| 5.1 实验环境 |
| 5.2 实验步骤 |
| 5.2.1 上位机与FPGA通信设计 |
| 5.2.2 缓存结构设计 |
| 5.2.3 基于FPGA的癫痫发作自动检测算法片上实现 |
| 5.3 实验结果与分析 |
| 5.3.1 系统功能分析 |
| 5.3.2 功耗分析 |
| 5.4 本章小结 |
| 6 结论 |
| 6.1 工作总结 |
| 6.2 未来展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（9）用于痫样脑电在线检测的Gm-C小波滤波器实现理论与方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题研究的背景 |
| 1.2 课题研究的意义 |
| 1.2.1 连续小波变换 |
| 1.2.2 小波变换的模拟滤波器实现 |
| 1.3 研究现状及存在的问题 |
| 1.3.1 痫样脑电检测技术研究现状 |
| 1.3.2 模拟小波滤波器研究现状 |
| 1.4 本文的研究内容和组织结构 |
| 2 基于小波变换的痫样脑电检测算法研究 |
| 2.1 引言 |
| 2.2 小波变换-模极大值EW检测法 |
| 2.2.1 理论基础 |
| 2.2.2 算法原型 |
| 2.3 基于多尺度小波基融合的模极大值EW检测法 |
| 2.3.1 多尺度小波基融合EW检测 |
| 2.3.2 小波尺度的优化选择 |
| 2.4 EW检测实验 |
| 2.4.1 性能评价指标 |
| 2.4.2 k-fold交叉尺度优化选取 |
| 2.4.3 性能分析 |
| 2.5 本章小结 |
| 3 模拟小波基逼近方法研究 |
| 3.1 引言 |
| 3.2 Marr小波基的频域逼近 |
| 3.3 基于混合遗传算法的频域采样逼近法 |
| 3.3.1 Marr小波基逼近的数学模型构建 |
| 3.3.2 混合遗传算法 |
| 3.3.3 优化算法测试 |
| 3.4 基于混合遗传算法的小波基逼近实例 |
| 3.5 电路级EW检测实验分析 |
| 3.5.1 电路级EEDA |
| 3.5.2 实验结果 |
| 3.6 本章小结 |
| 4 超低功耗Gm-C小波滤波器设计 |
| 4.1 引言 |
| 4.2 基于LC梯形仿真的Gm-C小波滤波器优化结构设计 |
| 4.2.1 小波滤波器的综合实现 |
| 4.2.2 LC梯形拓扑结构 |
| 4.2.3 Marr小波的LC梯形滤波器设计实例 |
| 4.3 极低跨导值Gm单元设计 |
| 4.4 Gm-C小波滤波器芯片设计 |
| 4.4.1 版图设计 |
| 4.4.2 仿真分析 |
| 4.5 版图级EW检测实验分析 |
| 4.6 本章小结 |
| 5 结论 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（10）基于小波变换和自适应权重融合的癫痫脑电信号分析（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 脑电信号的基本知识 |
| 1.1.1 脑电信号的基本性质 |
| 1.1.2 脑电信号的节律频带 |
| 1.2 癫痫脑电信号的特点 |
| 1.3 癫痫检测的背景及意义 |
| 1.4 国内外研究现状 |
| 1.5 本文的工作及安排 |
| 1.6 本章小结 |
| 第二章 基本方法介绍 |
| 2.1 信号基本去噪方法 |
| 2.1.1 小波阈值去噪 |
| 2.1.2 小波自适应阈值迭代去噪 |
| 2.1.3 全变差去噪 |
| 2.2 脑电信号的基本研究方法 |
| 2.2.1 时域分析方法 |
| 2.2.2 频域分析方法 |
| 2.2.3 时频分析方法 |
| 2.2.4 非线性动力学 |
| 2.3 优化算法 |
| 2.3.1 交替方向乘子法 |
| 2.3.2 坐标下降法 |
| 2.4 前馈神经网络 |
| 2.5 本章小结 |
| 第三章 小波变换和全变差正则化相结合的脑电信号去噪 |
| 3.1 基于小波变换和全变差正则化的两步去噪策略 |
| 3.1.1 模型建立与求解 |
| 3.1.2 评价指标 |
| 3.2 算法实验 |
| 3.2.1 仿真信号去噪 |
| 3.2.2 脑电信号去噪 |
| 3.3 本章小结 |
| 第四章 基于自适应权重融合模型的癫痫脑电信号的识别分类 |
| 4.1 模型的建立与求解 |
| 4.2 癫痫脑电检测实验 |
| 4.2.1 癫痫脑电特征提取 |
| 4.2.2 癫痫脑电信号分类 |
| 4.2.3 模型的鲁棒性测试 |
| 4.3 本章小结 |
| 总结和展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间的研究成果 |
| 攻读硕士期间获奖及荣誉情况 |
四、阵发性40Hz脑电信号的自动检测（论文参考文献）
- [1]基于变分模式分解和深度森林的脑电信号识别[D]. 冯阳洋. 长春工业大学, 2021(08)
- [2]基于复数域分析的致痫区脑电信号识别算法研究[D]. 尤洋. 吉林大学, 2021(01)
- [3]基于经验模态分解和公共空间模式的癫痫发作检测研究[D]. 李朝嵩. 山东大学, 2021(12)
- [4]基于先验模板的脑电高频振荡节律的特征提取方法[D]. 张春玲. 广东工业大学, 2021
- [5]基于贝叶斯卷积神经网络的癫痫检测[D]. 马宗亮. 山东大学, 2021(12)
- [6]基于柔性干电极和人工智能的房颤自动检测与预测方法研究[D]. 卜雨翔. 电子科技大学, 2021(01)
- [7]基于时频分析及高频振荡节律检测的癫痫始发区定位研究[D]. 谢多艺. 北京邮电大学, 2020(05)
- [8]穿戴式癫痫发作监测系统的关键技术研究与实现[D]. 孙雪娇. 北京交通大学, 2020(03)
- [9]用于痫样脑电在线检测的Gm-C小波滤波器实现理论与方法研究[D]. 马丽娜. 北京交通大学, 2020(03)
- [10]基于小波变换和自适应权重融合的癫痫脑电信号分析[D]. 丁思佳. 河南大学, 2020(02)