论文总字数：29598字

摘 要

当前人工智能技术应用的主要内容之一是利用现代计算机技术，实现脑疾病的计算机辅助诊断。脑电信号已被广泛运用在对脑部病症的诊断中，脑电图（Electroencephalogram，EEG）是脑电信号的一种常用的记录手段。通常情况下，脑电信号具有典型的随机特征，可认为是标准的随机信号；另一方面，脑电信号在采集过程中，一般均会引入较为广泛的噪声信号。本课题在研究脑电预处理理论的基础上，尝试设计并实现一个能够提升EEG信号进行分析与疾患预测的脑电信号预处理系统。

本文采用的EEG数据集为美国坦普尔大学医学院(Temple University Hospital, TUH)的公开脑电信号数据集。该数据集由国际10-20系统法测量所得并且以EDF文件格式存储，记录了同一时间段内至少21个通道的EEG信号。本文使用MNE-Python对原始数据集进行了一系列初步准备，后提出了若干预处理方案，包括滤波、小波变换去噪以及考虑使用PCA的方法对数据进行降维处理。本文分析了深度学习中常见的神经网络的结构和工作原理。对实验所使用的模型：Conv2D(Concat)amp; Permute amp;GRU模型进行了详细说明，并以准确率作为评估指标，对预处理成效进行了测试。

实验结果表明，本文提出的基于低通滤波和小波变换的预处理方案能够比较有效地对数据进行整理和清洗，在该模型下的分类准确率较高，说明它对脑电信号有着较好的预处理效果，这为癫痫的诊断提供了一定的参考价值。

关键词：EEG 预处理 小波变换 主成分分析 深度学习

Research on EEG Signal Preprocessing

Abstract

Taking advantages of modern computer technology to realize computer-aided diagnosis of brain diseases is one of the important contents of the current application of artificial intelligence. EEG signals are broadly used in the detection of brain illnesses. EEG (Electroencephalogram) is a commonly used recording method of EEG signals. Under normal conditions, EEG signals have traditional random features and can be considered as static random signals; on the other hand, in the process of collecting EEG signals, a wider range of noise signals are generally introduced. Based on studying the theory of EEG preprocessing, this article attempts to design and implement an EEG signal pretreatment system that can enhance EEG signal for analysis and disease prediction.

The EEG dataset used in this paper is a set of epileptic EEG datasets (v 1.0.4) released by the Temple University Hospital (TUH) in America. The data was recorded by the International 10-20 System Method and stored in an EDF file format, which covered more than 21 channels of EEG signals over the same time period.This article uses MNE-Python to make preparation for the original data set, and then proposes several preprocessing schemes, including filtering, wavelet transform denoising, and considering the use of PCA to reduce the dimensionality of the data. This article analyzes the structure and working principle of neural networks commonly used in deep learning. The model used in the experiment: Conv2D (Concat) amp; Permute amp; GRU is described in detail, and the accuracy is used as an evaluation index to test the effectiveness of pretreatment.

The experimental results show that the preprocessing by filtering and wavelet transform put out in this study can divide and clean the data more effectively, and the classification accuracy under this model is high, indicating that it will preprocess EEG signals well. It will offer a certain value for the diagnosis of epilepsy.

Key Words : EEG；preprocessing；wavelet transform；PCA；deep learning

目 录

摘 要 I

Abstract II

第一章 绪论 1

1.1 研究背景 1

1.2 国内外研究现状 1

1.3 研究目标及内容 2

1.3.1研究目标 2

1.3.2 研究内容 2

1.4 本文组织结构 3

第二章 EEG概述及常用预处理方法简介 4

2.1 脑电信号相关知识 4

2.1.1 EEG概述 4

2.1.2 国际10/20系统 5

2.2 坏信道识别 6

2.3 滤波 7

2.4 独立成分分析 8

2.5 主成分分析 9

2.6 小波变换分析方法 10

2.6.1连续小波变换 10

2.6.2离散小波变换及其多分辨率分析 11

2.7 本章小结 11

第三章 数据集及其预处理 12

3.1 实验数据集情况 12

3.2 实验平台 14

3.2.1 硬件平台 14

3.2.2 软件平台 15

3.3数据准备 15

3.3.1信道清理 15

3.3.2数据分段 17

3.4数据预处理 18

3.4.1 滤除肌电及工频噪声 18

3.4.2 小波变换去除高频伪迹 19

3.4.3 PCA降维 20

3.4.4 数据集的重采样及归一化 22

3.5 本章小结 23

第四章 深度学习在评估预处理效果中的应用 24

4.1 深度学习理论 24

4.1.1 ANN概述 24

4.1.2 CNNamp;RNN 25

4.1.3 欠拟合与过拟合问题 28

4.2评估方法和指标 28

4.2.1交叉验证法 28

4.2.2评估指标 29

4.3神经网络架构 29

4.4实验模型训练测试 31

4.5实验总结 35

4.6本章小结 35

第五章 总结与展望 36

5.1研究总结 36

5.2 思考与展望 36

参考文献 38

致 谢 40

第一章 绪论

1.1 研究背景

脑电在科学领域历经百年，至今仍然有广泛的应用。因为它是对大脑信息处理过程中电生理活动的直接形式和不变形式的体现，这些发现在人类大脑功能研究和大脑科学的许多领域中都很重要^[1]。

请支付后下载全文，论文总字数：29598字