基于复杂网络的脑电和心电信号分析

《基于复杂网络的脑电和心电信号分析》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、国家自然科学基金项目（资助号：NO.61473203，61104148）天津市自然科学基金项目（资助号：NO.16JCYBJC18200）基于复杂网络的脑电和心电信号分析ComplexNetworkAnalysisofEEGandECGSignals工程领域：控制工程作者姓名：蔡清指导教师：高忠科教授企业导师：刘勇高级工程师天津大学电气与自动化工程学院二零一七年十一月摘要生理信号反映了人体的各项机能，包括情绪、疲劳、健康状况等，典型的生理信号包括脑电(EEG)、心电(ECG)等。针对脑电心电信号的研究可以加深对人体的了解。复杂网络已成为数据分析的关键理论，其可有效挖掘蕴含

2、在生理信号中的重要信息。本文发展可视图复杂网络用于分析心电RR间隔信号、癫痫脑电信号和疲劳驾驶脑电信号。心电信号能够最直观的反应心脏的运行状况，准确及时的辨识出异常心电信号具有重大意义。本课题组先前提出的有限穿越可视图方法具有很好的抗噪特性，本文采用该方法从RR间隔心电信号中构建对应于健康人、充血性心力衰竭患者、心房颤动患者的有限穿越可视图复杂网络，结合随机森林分类网络指标，准确率高达93.5%。长期频繁发作的癫痫会严重损害患者的身心智力健康。因此，分析正常脑电信号和癫痫发作脑电信号有助于人们认识癫痫疾病从而发展治疗癫痫疾病的新方法。本文发展多尺度水平有限穿越可视图，实现

3、对癫痫发作时脑电及正常阶段脑电的分类，准确率为100%。癫痫发作间隔和癫痫发作时期的脑电信号的分类相较于正常和癫痫发作时期的脑电信号的分类具有更大的难度。本文提出自适应最优核时频可视图理论，分析了癫痫发作间隔和癫痫发作时期的脑电信号。结果表明，该方法能够有效的辨别这两类脑电信号，准确率超过98%。疲劳驾驶是导致车祸的重要原因，脑电信号是检测疲劳的有效信息源。本文设计了疲劳驾驶行为实验，获取正常和疲劳状态下的多通道脑电信号。在此基础上，提出了多层水平有限穿越可视图理论，用于从脑电信号中探测疲劳状态。结果表明该方法能够有效的辨识人类驾驶时正常和疲劳的两种脑状态，该方法也为多元

4、时间序列复杂网络分析提供了新思路。关键词关键词：关键词：：：脑电(EEG)，心电(ECG)，复杂网络，多尺度有限穿越可视图，自适应最优核时频分布,多层有限穿越可视图IABSTRACTPhysiologicalsignalsreflectvariousfunctionsofthehumanbody,includingemotion,fatigueandhealthystate.ThemosttypicalandcommonusedphysiologicalsignalsincludeEEG,ECG.etal.Complexnetworkhasbecomeacrucialth

5、eoryfordataanalysis,whichallowsexcavatingimportantinformationunderlyingphysiologicalsignals.ThisdissertationdevelopsvisibilitygraphtheoryforanalyzingtheRRintervalsignals,theepilepticEEGsignalsandthefatiguedrivingEEGsignals.ECGsignalsdirectlyreflectthestateoftheheart.Anaccurateandtimelyide

6、ntificationofabnormalECGsignalisofgreatsignificance.Wepreviouslyintroducedanovellimitedpenetrablevisibilitygraph,whichpresentsagoodanti-noiseability.Thisdissertationfirstlydevelopsanoveltime-dependentlimitedpenetrablevisibilitygraph(TDLPVG)toinfercomplexnetworksfromRRintervaltimeseries.Th

7、eresultssuggestthatourTDLPVGmethodallowscharacterizingthetime-varyingbehaviorsandclassifyingheartstatesofhealthy,congestiveheartfailureandatrialfibrillationfromRRintervaltimeseries.CombiningrandomforestclassifierandourTDLPVGmethod,ahighclassificationaccuracyof93.5%h