基于隐马尔可夫模型和符号条件熵的异常生理信号研究-电子与通信工程专业论文.docx

万方数据 万方数据 南京邮电大学学位论文原创性声明 本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。 尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过 的研究成果，也不包含为获得南京邮电大学或其它教育机构的学位或证书而使用过的材料。 与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。 本人学位论文及涉及相关资料若有不实，愿意承担一切相关的法律责任。 研究生签名： 日期： 南京邮电大学学位论文使用授权声明 本人授权南京邮电大学可以保留并向国家有关部门或机构送交论文的复印件和电子文 档；允许论文被查阅和借阅；可以将学位论文的全部或部分内容编入有关数据库进行检索； 可以采用影印、缩印或扫描等复制手段保存、汇编本学位论文。本文电子文档的内容和纸质 论文的内容相一致。论文的公布（包括刊登）授权南京邮电大学研究生院办理。 涉密学位论文在解密后适用本授权书。 研究生签名： 导师签名： 日期： 摘要 异常生理电信号的收集和分析对于评估病患人体机能的状态具有重要的意义，并且能够 帮助医生更好地进行疾病的诊断和治疗。本文在前人工作的基础上，从实际应用和理论分析 两个角度分别对异常脑电信号和异常心电信号进行研究，具体的工作有如下几个部分： （1）基于隐马尔可夫模型的癫痫脑电信号识别算法 癫痫脑电的采集需要医生长期观测患者的脑电图，并且根据经验做出判断。自动化的癫 痫脑电识别方法可以减轻医生工作量，减少主观因素的影响。本文使用 AR 模型对脑电信号 进行特征提取，隐马尔可夫模型（Hidden Markov Model，HMM）作为正常脑电和癫痫脑电 的分类工具，可以准确区分正常脑电和癫痫脑电。仿真结果表明，癫痫脑电的识别率可达 90%。 使用隐马尔可夫模型建模的方法对正常脑电信号和癫痫脑电的识别率较高，算法可以达到癫 痫脑电自动识别的要求。 （2）基于符号条件熵的心电信号冗余信息分析 论文从混沌理论普适性的角度出发，提出了一种使用符号条件熵的冗余信息计算方法， 分析正常 ECG 和心肌梗塞异常 ECG 中含有的冗余信息，数值计算证明心肌梗塞异常 ECG 中 含有的冗余信息相比于正常 ECG 来说更大，这表明冗余信息可以作为区分心电信号是否异常 的一个指标。 （3）基于 Java 平台的生理电信号分析系统的设计与实现 论文将上述两种脑电、心电生理电信号的分析算法通过 java 语言进行了编程实现。首先， 分析系统可以对癫痫异常脑电信号和正常脑电信号进行区分，并且显示出识别率；其次，分 析系统可以计算输入的心电信号的冗余信息。该系统在脑机接口设备的开发和临床心功能评 估中有一定的参考价值和辅助作用。 关键词: 癫痫脑电，心电信号，隐马尔可夫模型，AR 模型，冗余信息，Java I Abstract In order to accuratly predict and diagnose health of body organs and help doctors do better in the diagnosis and treatment of disease, effective way to collect and analyze the biological electrical signals of patient is needed. In this paper, we carry on the research on abnormal EEG and ECG from the perspective of practice and theoretical respectively which based on previous work. This paper’s main work are divided into the following several parts: Firstly, epilepsy EEG recognition algorithm based on HMM. The collection of epilepsy EEG usually costs lots of doctor’s time to observe epilepsy patients’ encephlogram, which will bring in subjectivity. An automatic EEG identification method helps lessen doctors’ workload and reduce the influence of subjective factors. Thi