学位论文 > 优秀研究生学位论文题录展示

基于脑电信号的KNN及Na（？）ve Bayes分类器在OPTIMI系统中的研究

作　者: 郑芳
导　师: 胡斌
学　校: 兰州大学
专　业: 计算机软件与理论
关键词: 心理疾病脑电信号数据挖掘在线预测
分类号: TP212
类　型: 硕士论文
年　份: 2012年
下　载: 28次
引　用: 0次
阅　读: 论文下载

内容摘要

随着社会压力增大,心理疾病发病率持续升高,它对于健康乃至正常社会生活的负面影响也愈加凸现。然而,目前各国的心理卫生医疗服务均存在专业医护人员缺乏、治疗手段有限、治疗方案即时性与可达性差等不足,因此迫切需要能够及时预警心理疾病病发风险并提供便携及时的在线干预方案的系统。欧盟框架七计划国际合作项目“心理疾病在线预测与干预系统”(OPTIMI)致力于结合各类传感器技术与计算机化认知行为疗法研发此类系统。本文基于研究项目,讨论了OPTIMI系统的系统架构、传感器设计及基于脑电的K最近邻和朴素贝叶斯分类器在该系统中的应用,并进行了面向中国、西班牙、瑞士三个国家的校准实验。为基于脑电信号预测高心理压力人群的抑郁风险,出于实现简单、计算复杂度低、可用于线性及非线性脑电特征数据的考虑,本研究采用数据挖掘中的K最近邻分类器(K=1,2,3)及朴素贝叶斯分类器评估了不同脑电特征的性能,分析了分类准确率与分类可扩展性,同时评估了由双尾T检验结果构建的Fisher线性判别分析应用于非线性特征的分类准确率与类似研究比较,本研究的创新性在于：(1)首次在非实验室环境下,面向三个国家的压力人群进行校准试验,利用脑电特征预测抑郁风险；(2)创新地将Renyi熵等脑电特征应用于分类方法中,且由分类准确率证明效果显著；(3)评估了基于不同脑电特征组合的K最近邻分类器(K=1,2,3)与朴素贝叶斯分类器的分类准确类、可扩展性；(4)与相关研究对比表明线性判别分析应用于非线性脑电特征时仍有较高的分类准确率；(5)考察数据集扩展对基于不同脑电信号特征的分类准确率的影响,筛选出适于类似、更大容量数据集的稳定特征。校准试验数据分析结果表明多种脑电信号特征组合均能准确预测抑郁风险,且基于不同人群的多天均值分类准确率多数达90%以上,一天4秒脑电数据准确率多数达80%以上;多种特征组合在数据集扩展后仍保持分类准确率不变或升高,使准确率稳定在90%以上。数据分析结果表明脑电技术为可靠的心理疾病预测及干预方案效果的监控提供了新的方法。

全文目录

中文摘要  4-5
Abstract  5-6
目录  6-8
第一章引言  8-13
  1.1 心理疾病的危害  8
  1.2 心理疾病干预与预防  8-9
  1.3 脑电信号与心理疾病  9-10
  1.4 分类方法介绍  10-11
  1.5 论文主要工作  11-13
第二章相关研究现状  13-22
  2.1 抑郁症、压力与应对缺陷  13-16
  2.2 现有心理疾病预测与干预系统  16-19
  2.3 脑电信号在心理疾病领域的应用  19-20
  2.4 分类方法在脑电信号数据分析中的应用  20-22
第三章心理疾病在线预测与干预系统介绍与实验设计  22-29
  3.1 心理疾病在线预测与干预系统(OPTIMI)  22-25
  3.2 试验对象选择  25-26
  3.3 试验方案设计  26
  3.4 数据采集  26-27
  3.5 脑电信号去噪  27-29
第四章数据清理  29-32
  4.1 脑电信号质量分析  29-30
  4.2 脑电数据可用性统计  30-31
  4.3 传感器使用记录与数据质量对照分析  31-32
第五章脑电信号特征性能及分类方法适用性分析  32-43
  5.1 采用的脑电特征及特征提取算法介绍  32-36
    5.1.1 Renyi熵  32-33
    5.1.2 CO复杂度  33-34
    5.1.3 关联维数  34
    5.1.4 最大Lyapunov指数  34-35
    5.1.5 LZ复杂度  35
    5.1.6 Alpha、Beta、Theta波段绝对功率  35-36
    5.1.7 Alpha、Beta、Theta波段最大功率  36
    5.1.8 Alpha、Beta、Theta波段相对功率  36
    5.1.9 Alpha、Beta、Theta波段主频  36
    5.1.10 额叶Alpha不对称性  36
  5.2 脑电特征应用于K最近邻分类器及朴素贝叶斯分类器的准确率  36-43
    5.2.1 基于校准试验所有多天均值数据的单个脑电特征分类准确率  37-39
    5.2.2 基于校准实验一天均值数据的单个脑电特征分类准确率  39-43
第六章 K最近邻与朴素贝叶斯分类器算法与验证分析  43-58
  6.1 K最近邻分类器  43-44
  6.2 朴素贝叶斯分类器  44-45
  6.3 分类准确率的评估  45
  6.4 K最近邻分类器(K=1,2,3)及朴素贝叶斯分类器应用于多脑电特征组合的分类准确率  45-51
    6.4.1 基于校准试验多天均值数据的分类准确率分析  46-49
    6.4.2 基于校准试验一天4秒数据的分类准确率分析  49-51
  6.5 K最近邻分类器(K=1,2,3)及朴素贝叶斯分类器分类可扩展性  51-58
    6.5.1 基于校准试验多天均值数据的分类可扩展性分析  51-52
    6.5.2 基于校准试验一天4秒数据的分类可扩展性分析  52-58
第七章相关性分析与Fisher线性判别分析  58-61
  7.1 基于预实验的多元方差分析与双尾T检验  58
  7.2 基于初步实验的多元方差分析、双尾T检验及Fisher线性判别分析  58-61
第八章结论与展望  61-65
  8.1 数据分析总结  61-63
  8.2 用于分类的稳定特征筛选  63
  8.3 结论与展望  63-65
参考文献  65-70
在学期间的研究成果  70-71
致谢  71

基于脑电信号的KNN及Na（？）ve Bayes分类器在OPTIMI系统中的研究

内容摘要

全文目录

相似论文