theta脑电波分类方法研究.doc
约43页DOC格式手机打开展开
theta脑电波分类方法研究,theta脑电波分类方法研究1.85万字自己原创的毕业论文，仅在本站独家出售，重复率低，推荐下载使用摘要睡眠是人的一项重要的生理活动，是生命所必需的过程，是机体复原、整合和巩固记忆的重要环节，是健康生活不可缺少的组成部分，它占据了人一生大约三分之一的时间。因此，研究人类的睡眠状况对于提高人的生活质量以及对各类脑部疾病的...
内容介绍
此文档由会员 淘宝大梦 发布
Theta脑电波分类方法研究
1.85万字
自己原创的毕业论文，仅在本站独家出售，重复率低，推荐下载使用
摘要 睡眠是人的一项重要的生理活动，是生命所必需的过程，是机体复原、整合和巩固记忆的重要环节，是健康生活不可缺少的组成部分，它占据了人一生大约三分之一的时间。因此，研究人类的睡眠状况对于提高人的生活质量以及对各类脑部疾病的判断与诊疗都具有十分重大的意义。
本文通过对人类脑电波特征与分类的研究与探讨，结合人在各个睡眠周期脑电信号的不同表现、各类波形的不同含量，分析了不同脑电波对人类睡眠质量及周期的影响。并将其中的θ波作为研究对象。
为了能在含有大量噪声的脑电信号中提取到θ脑电波的特征信号，文中对现有脑电信号的各种分析处理方法进行了全面的阐述与比较，在明确各种方法的特点和优劣的基础上，决定采用快速傅里叶变换的算法（FFT）作为θ波特征提取的方法。
以核函数为核心的支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小化原则的基础上的，根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷，以期获得最好的推广能力。
本文以脑电信号为研究对象，以支持向量机方法为研究手段，在深入分析和讨论支持向量机原理与核函数的基础上，用支持向量机来对所给样本进行训练，进而获得所需的对θ脑电波分类的功能。
最后，通过对一组脑电数据进行实际分析来对研究方法进行验证。具体做法是在Matlab上对θ波进行提取与分析，并在LIBSVM上分别用不同的核函数对正负样本进行训练、分类，经过对分类结果的平均准确度进行比较，确定使用RBF核函数来实现对θ波脑电波的分类。
关键词： 睡眠脑电 θ脑电波 特征提取 支持向量机
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 录
第一章 脑电与睡眠的基本知识 1
1.1 脑电图简介 1
1.2 脑电波的特征与分类 1
1.2.1脑电信号的特点 2
1.2.2人的四种脑电波分类 3
1.3 睡眠脑电 5
1.3.1 睡眠及其作用 5
1.3.2 睡眠脑电的特征及分期 5
1.4 本课题的研究意义以及目的和任务 7
1.4.1 研究意义 7
1.4.2研究目的和任务 8
第二章 脑电信号的分析与处理方法 10
2.1 脑电信号处理方法概述 10
2.1.1时域分析法 10
2.1.2频域分析法 10
2.1.3 时频分析法 12
2.2傅里叶变换及其性质 14
2.2.1 一般傅里叶变换 14
2.2.2 离散傅里叶变换 14
2.2.3 快速傅里叶变换 15
2.3 特征提取 17
2.3.1脑电特征提取的定义 17
2.3.2脑电特征提取的常用方法 17
第三章 支持向量机的认识及应用 19
3.1 常用的分类识别方法 19
3.1.1 分类识别的基本概念 19
3.1.2 常用分类识别方法简介 19
3.2 支持向量机 20
3.2.1 支持向量机概述 20
3.2.2 支持向量机的方法 20
第四章 θ脑电波分类的实验 27
4.1 实验整体思路 27
4.2 数据获取 27
4.2.1 几种脑电波的波形 27
4.2.2 脑电数据的获取 28
4.3 特征提取 29
4.4 分类决策 30
4.4.1 SVM核函数的选择 30
4.4.2 RBF核函数参数的选择 33
第五章 总结与展望 37
致 谢 38
参考文献 39
1.85万字
自己原创的毕业论文，仅在本站独家出售，重复率低，推荐下载使用
摘要 睡眠是人的一项重要的生理活动，是生命所必需的过程，是机体复原、整合和巩固记忆的重要环节，是健康生活不可缺少的组成部分，它占据了人一生大约三分之一的时间。因此，研究人类的睡眠状况对于提高人的生活质量以及对各类脑部疾病的判断与诊疗都具有十分重大的意义。
本文通过对人类脑电波特征与分类的研究与探讨，结合人在各个睡眠周期脑电信号的不同表现、各类波形的不同含量，分析了不同脑电波对人类睡眠质量及周期的影响。并将其中的θ波作为研究对象。
为了能在含有大量噪声的脑电信号中提取到θ脑电波的特征信号，文中对现有脑电信号的各种分析处理方法进行了全面的阐述与比较，在明确各种方法的特点和优劣的基础上，决定采用快速傅里叶变换的算法（FFT）作为θ波特征提取的方法。
以核函数为核心的支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小化原则的基础上的，根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷，以期获得最好的推广能力。
本文以脑电信号为研究对象，以支持向量机方法为研究手段，在深入分析和讨论支持向量机原理与核函数的基础上，用支持向量机来对所给样本进行训练，进而获得所需的对θ脑电波分类的功能。
最后，通过对一组脑电数据进行实际分析来对研究方法进行验证。具体做法是在Matlab上对θ波进行提取与分析，并在LIBSVM上分别用不同的核函数对正负样本进行训练、分类，经过对分类结果的平均准确度进行比较，确定使用RBF核函数来实现对θ波脑电波的分类。
关键词： 睡眠脑电 θ脑电波 特征提取 支持向量机
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 录
第一章 脑电与睡眠的基本知识 1
1.1 脑电图简介 1
1.2 脑电波的特征与分类 1
1.2.1脑电信号的特点 2
1.2.2人的四种脑电波分类 3
1.3 睡眠脑电 5
1.3.1 睡眠及其作用 5
1.3.2 睡眠脑电的特征及分期 5
1.4 本课题的研究意义以及目的和任务 7
1.4.1 研究意义 7
1.4.2研究目的和任务 8
第二章 脑电信号的分析与处理方法 10
2.1 脑电信号处理方法概述 10
2.1.1时域分析法 10
2.1.2频域分析法 10
2.1.3 时频分析法 12
2.2傅里叶变换及其性质 14
2.2.1 一般傅里叶变换 14
2.2.2 离散傅里叶变换 14
2.2.3 快速傅里叶变换 15
2.3 特征提取 17
2.3.1脑电特征提取的定义 17
2.3.2脑电特征提取的常用方法 17
第三章 支持向量机的认识及应用 19
3.1 常用的分类识别方法 19
3.1.1 分类识别的基本概念 19
3.1.2 常用分类识别方法简介 19
3.2 支持向量机 20
3.2.1 支持向量机概述 20
3.2.2 支持向量机的方法 20
第四章 θ脑电波分类的实验 27
4.1 实验整体思路 27
4.2 数据获取 27
4.2.1 几种脑电波的波形 27
4.2.2 脑电数据的获取 28
4.3 特征提取 29
4.4 分类决策 30
4.4.1 SVM核函数的选择 30
4.4.2 RBF核函数参数的选择 33
第五章 总结与展望 37
致 谢 38
参考文献 39
