HMM-NRBF混合模型的混沌序列建模与应用

论文摘要

脑电（Electroencephalogram, EEG）作为与人类大脑最具直接联系的一种外在表现形式,是临床诊断的重要手段之一。传统的方法从频谱和统计学的角度研究脑电时间序列,能够对脑电给出部分详细的解释,为脑电的有效应用作出了一定贡献。然而,这些方法无法对大脑的非线性动力学性质进行深入有效的理解。本文从归一化RBF网络开始,针对脑电信号具有混沌的特性,提出一种建模和预测混沌信号的新方法,并将HMM和归一化RBF混合网络应用于脑电信号的建模和预测。同时采用遗传算法训练归一化RBF网络,用Baum-Welch算法来训练HMM得到最优的混合网络模型参数。从我们的研究成果可以看出,该混合模型比传统的单个神经网络模型能更加精确地逼近参数变化的混沌信号和时空混沌信号。另外,我们运用该混合模型分别对临床采集到的正常脑电信号和癫痫脑电信号进行预测,实验结果表明该模型可以揭示脑电信号的混沌动力学特性。最后,用该混合网络模型检测癫痫脑电信号,结果表明该模型是一个有效的癫痫脑电检测器。最后总结了本论文的主要工作,指出了模型还需要解决的一些问题和可以进一步发展的方向。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 引言
• 1.2 脑电信号计算机分析方法和研究现状
• 1.2.1 传统的脑电分析方法研究进展现状
• 1.2.2 非线性动力学脑电时间序列分析方法的研究进展现状
• 1.3 论文的目的和意义
• 1.4 论文的主要研究内容及创新点
• 1.4.1 论文的主要内容
• 1.4.2 论文的创新点
• 第2章 基于非线性动力学理论的脑电动力学特性研究
• 2.1 混沌动力学系统的特征
• 2.1.1 混沌的特征
• 2.1.2 混沌动力学系统
• 2.1.3 时空混沌
• 2.2 混沌动力学系统的定量描述
• 2.3 相空间重构
• 2.3.1 嵌入理论
• 2.3.2 延迟坐标嵌入相空间重构
• 2.4 延迟时间τ的选取
• 2.4.1 互信息的递归算法
• 2.4.2 延迟时间τ的仿真计算
• 2.5 最小嵌入维数m 的选取
• 2.5.1 Cao方法计算最小嵌入维数m
• 2.5.2 最小嵌入维的仿真结果
• 2.6 本章小结
• 第3章 归一化径向基函数神经网络及其优化算法
• 3.1 径向基函数神经网络
• 3.2 归一化径向基函数神经网络
• 3.3 遗传算法原理及其归一化径向基函数神经网络的优化
• 3.3.1 遗传算法的基本概念和基本步骤
• 3.3.2 基于遗传算法的归一化径向基函数网络参数优化
• 3.4 Lorenz混沌时间序列的GA-NRBF网络的仿真实验
• 3.5 本章小结
• 第4章 HMM 和归一化 RBF 网络混合模型及其仿真实验
• 4.1 单个归一化径向基函数神经网络模型
• 4.2 HMM和归一化径向基函数神经网络混合模型的构造
• 4.2.1 隐马尔可夫模型
• 4.2.2 隐马尔可夫模型的训练
• 4.3 混合网络模型的数学表示
• 4.4 HMM-NRBFNN混合网络模型的构造及优化流程图
• 4.5 混沌信号模拟仿真实验结果及讨论
• 4.5.1 参数变化的Lorenz时间序列的仿真实验
• 4.5.2 耦合映象格子的仿真实验
• 4.6 本章小结
• 第5章 基于HMM和归一化径向基函数神经网络混合模型的脑电信号建模与分析
• 5.1 脑电数据的采集和预处理
• 5.1.1 脑电数据的采集
• 5.1.2 脑电数据的预处理
• 5.2 真实脑电的仿真实验
• 5.3 正常脑电和癫痫脑电信号分类的仿真实验
• 5.4 本章小结
• 第6章 总结和展望
• 参考文献
• 致谢
• 攻读学位期间发表的论文
• 本人简历