论文基于脑电信号的耳鸣识别算法，本文是算法研究方面在职开题报告范文与脑电信号和耳鸣和算法类毕业论文格式范文.
摘 要 目的：研究耳鸣患者的脑电信号特征,利用生物信号处理的方法对耳鸣患者的脑电信号与正常人脑电信号进行分类识别,为临床诊断耳鸣疾病提供一种辅助手段.方法：首先,利用小波变换消噪算法在Matlab 7.0 平台上对颞叶区静息态脑电信号进行预处理；然后对脑电信号进行EMD 分解,提取对应IMF 分量的能量作为特征值；最后采用SVM 分类算法对患者与正常被试者的脑电信号进行分类识别.结果：利用19 例静息态脑电信号对算法进行验证,其中有11 例正常被试者的脑电信号被识别出来,3 例患者的脑电信号被识别出来,总识别率达到73.68%.结论：颞叶区静息态脑电信号与耳鸣疾患之间有一定的关联性,可以依据脑电信号来识别耳鸣疾病,对临床诊断具有一定的辅助作用.
关键词 耳鸣；脑电信号；小波变换；EMD ；SVM
中图分类号 TP3 文献标识码 A 文章编号 1674-6708（2018）214-0105-03
耳鸣是在外界没有相应声源或电刺激存在的情况下,患者主观感觉耳内或者颅内有声响的现象.耳鸣是一种常见的临床症状,其发病率呈逐年上升的趋势,耳鸣常伴有烦燥、睡眠质量差、注意力难以集中等症状.因此,借助医疗技术来辅助诊断耳鸣病例和监测耳鸣治疗效果具有重要的临床意义.目前,耳鸣的病因与诱因尚不明确,主要根据患者的病史、症状、听觉系统的测试、影像学检查、评估量表和心理声学评估等进行临床诊断与分析,由于耳鸣的产生和延续与患者的心理因素有密切关系,所以在临床中缺乏客观检测和评估耳鸣的方法,临床中的主观判断可能为耳鸣确诊带来误差.文献表明,中枢神经系统特别是大脑皮层与耳鸣的产生和维持有关.因此,利用脑电信号(EEG) 来分析耳鸣疾患具有一定的研究依据.具有多分辨率的小波变换是分析非平稳信号时频局化的有效方法；经验模态分解(Empirical Mode Decomposition, EMD）对于分析非线性、非平稳的EEG 具有较明显的优势.本文根据EEG 的特点,采用小波变换去除EEG 中的眼电伪迹,再利用EMD 算法提取脑电信号的特征,构建特征值表作为支持向量机(Support VectorMachine,SVM) 的输入,利用SVM 分类器识别正常与患者的脑电信号.算法流程图如图1 所示.
1 脑电信号预处理
本文研究对象为耳鸣病程1 个月以上的持续性耳鸣患者,脑电数据来源于中山大学孙逸仙纪念医院耳鼻喉科,共39 例静息态脑电信号,其中包括患者13 例,正常被试者26 例,年龄18 ～ 56 岁,所有被试者在检测前签署了知情同意书,所有患者已在临床确诊为耳鸣.设备为便携式64 通道脑电测量仪,采样频率1kHz,根据大脑皮层功能分区筛选出10 导数据,主要分布于负责听觉功能的颞叶区.
原始信号中含有明显的眼电干扰,利用小波消噪技术对原始信号进行预处理,方法如下：选取sym5 小波作为小波基函数,对信号进行7 层分解；然后运用局部阈值法处理含噪信号的各子频带；最后重构出处理后的信号,结果如图2 所示,图中显示幅值明显的眼电噪声得到较好地抑制,且去噪后信号最大限度地保留了原始信号的有用成分.
2 脑电信号特征提取
经验模态分解（EMD）是用于处理非线性和非平稳信号的一种分析方法.EMD 分解算法基于一个假设：
任意给定的信号均可以由几个不同的简单固有模态函数（IMF）构成,且任意两个IMF 分量之间相互独立.在此假设基础上,EMD 分解能把任意信号f(t) 分解成一系列IMF 分量,记为,最后剩余量r (t) n 是一个单调函数或只有一个极值.
利用EMD 算法提取EEG 特征值的方法如下：
1）对去噪后的EEG 进行EMD 分解,得到多个IMF 分量如图3 所示；各IMF 分量的频谱图如图4所示,实验结果表明EEG 经EMD 分解后其频谱主要集中在1 c 和2 c .
2）将各IMF 分量与原信号做相关性分析如图5所示,结合其相关系数绝对值及各分量的频谱图,最终筛选出与原信号最为相似的两个IMF 分量1 c 和2 c ,并求其能量.
3） 因每例被试者选取了10 个导联的EEG,每一个导联的EEG 经过筛选后得到两个IMF 分量,故每一例得到20 个能量值,构成20 维特征向量E.
3 基于SVM 分类模型的耳鸣识别SVM 是一种有效地实现有序风险最小化的模式识别方式,也是基于小样本的一种学习方法,SVM克服了BP 网络过学习、欠学习及训练需要大量数据样本的缺点,即使训练样本数量很少也能进行训练并可获得良好的分类.
SVM 的基本思想：在某特征空间中找到一个最优的分类超平面,使得不同的训练集正确分开,且要求到超平面距离最近的不同样本集之间的间隔最大,从而达到最大的泛化能力.线性可分的最优分类超平面如图6 所示,其中实线为决策面将不同样本分开,虚线是距离决策面最近且平行于决策面的点,支持向量为两虚线的间隔最大时虚线上的点.
SVM 是最优超平面和二次规划等技术相结合的方法,且泛化能力较强、鲁棒性较好,从而使误差非常小,较好解决实验数据量不足、非线性和多维数据等问题.
因为EEG 的非线性特性,所以对耳鸣EEG 信号进行分类是线性不可分的问题.针对此类问题,利用SVM 中一些非线性映射（核函数）将原输入空间映射到高维特征空间,然后在高维特征空间中构造一个最优的分类超平面作为决策曲面,使不同类样本集之间的间隔被最大化,如图7 所示.
利用SVM 分类器对已构造20 维的EEG 特征向量进行分类识别,算法具体步骤如下：
1）从39 例样本中选取20 例样本（随机选取正常10 例、耳鸣10 例）作为训练集、19 例样本（随机选取正常16 例、耳鸣3 例）作为测试集,并对不同类样本进行类别标签.本文的正常标为1,耳鸣标为2 ；
7）测试分类.利用已建立的SVM 模型对19 例测试集进行预测,其中3 例异常全部被识别出来,16 例正常中有11 例被识别出来,正确识别率为73.68%.
4 讨论
本文利用EMD 算法对EEG 进行分解从而提取IMF 分量的能量作为特征值,利用SVM 进行算法验证,19 例测试样本中有14 例判断正确,其中异常全部被检测出来,可见静息态EEG 与耳鸣疾患之间有一定的关联性,继续进行深入研究,有望依据EEG 来识别耳鸣疾病,进行疗效监控,对临床诊断起到一定的辅助作用.
参考文献
[1]李桓,汪志山.耳鸣的诊断和治疗进展[J].河北医科大学学报,2011,32（11）：1354-1357.
[2]陈英,王建明.耳鸣诊断方法的新进展[J].中国当代医药,2014,21（13）：183-185.
[3]金玲,赵小虎,王培军,等.耳鸣的功能性磁共振成像研究[J].中国耳鼻喉头颈外科,2011,18（4）：174-177.
[4]陆苗,邹俊忠,张见.基于IMF能量熵的脑电情感特征提取研究[J],生物医学工程研究,2016,35（2）：71-74.
[5]杨海弟,郑亿庆,欧永康等.耳鸣患者静息态fMRI的局部区域一致性研究[J].中华耳科学杂志2014,12（2）：203-206.
[6]杨晨.基于经验模式分解(EMD)的脑信号研究[D].南京：南京邮电大学,2015.
[7]王琬.基于支持向量机的脑电信号识别[D].武汉：华中科技大学,2007.
[8]黄瑞梅,张振.基于支持向量机的癫痫脑电信号模式识别研究[J].生物医学工程学杂志,2013,30（5）：919-924.
[9]赵建林,周卫东.SVM和小波分析方法在脑电分类中的应用[J].生物医学工程学杂志,2011,28（2）：277-279.
[10]庄玮.基于支持向量机的脑电信号分类方法研究[J].科学技术与工程,2014,14（9）：73-77.
简而言之:此文为一篇关于对不知道怎么写脑电信号和耳鸣和算法论文范文课题研究的大学硕士、算法研究本科毕业论文算法研究论文开题报告范文和文献综述及职称论文的作为参考文献资料.
参考文献：
1、 基于PCA与ICA的人脸识别算法与应用 摘要论文研究了基于线性子空间的人脸识别的两个无监督的的线性特征提取方法主成分分析（PCA）、独立成分分析（ICA） 通过使用matlab语言在不同人脸库上进行的仿真实验得出了一些有意义的结论 比较了P.
2、 救治脑卒中：正确识别和快速抢救是关键 编者按“脑卒中”就是人们人常生活中常常说的“中风” “卒”为突然之意,“中”为打击之意 卒中作为一个形象.
3、 智慧加油站如何补脑 智慧加油站未来发展应采用合作模式,整合终端平台,有效发挥网络外部性优势 近年来,面对成品油市场主体多元化、竞争白热化、销售形势复杂化……新形势、新挑战,智慧加油站的应势而出,可视为油气行业发展过程中&.
4、 精准治疗，1分钟缓解耳鸣访上海交大医学院附属仁济医院耳鼻咽喉头颈外科教授金晓杰 耳鸣的治疗是一大难题,因为其发生跟耳蜗微循环障碍有关,而这种微循环障碍是很难治疗和恢复的 上海交大医学院附属仁济医院耳鼻咽喉头颈外科教授金晓杰介绍,我们平时治疗耳鸣常用扩血管药物、抗凝药物以及中成药物.
5、 FAST，早期识别脑卒中 脑卒中,又叫脑中风,是目前临床上死亡率、致残率相当高的疾病之一 而到了冬、春季节,脑卒中更是急诊科的常见病,可以说,冬、春季,每10个进入急诊科抢救室的病人,至少有5个都是脑卒中 为什么进入冬季,脑卒.
6、 11种脑发育关键营养素，你给孩子吃对了吗？ 美国儿科学会2018发布了一条有关生命最初1000天脑发育关键营养素的最新政策,强荐11种脑发育关键营养素 作为中国的准妈妈、新妈妈,对此该怎样正确理解怎样补充以及需要注意些什么本期营养专家为我们做了.