论文部分内容阅读
酒精使用障碍(Alcohol Use Disorder,AUD)是一种受酗酒、遗传、环境等多种因素所影响引起的慢性、反复性精神障碍,传统筛查方法的准确率会受到经验限制和主观因素的影响。通过对AUD患者和正常人群的脑电信号(Electroencephalogram,EEG)对比研究可以发现,AUD患者与正常人群脑电信号相比较有异常表现。因此,本文通过信号处理与机器学习相结合的方法,对AUD实验组与正常对照组的脑电信号进行分析和分类识别,提高了AUD识别的准确率。本文首先对原始脑电信号进行去伪迹处理,提出了基于完全集成经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)改进希尔伯特-黄变换(Hilbert-Huang Transforms,HHT)算法,并将改进后的HHT与独立成分分析法结合使用去除脑电信号中的伪迹成分。与其他方法相比较,本文提出的方法可以更有效的识别出伪迹分量,去除伪迹后的脑电信号均方根误差合理,信噪比更高,为信号特征提取与分析提供了更有效的信息,可以有效的提高识别结果的准确率。然后,对去伪迹后的脑电信号进行特征提取和分析。利用巴特沃斯带通滤波器(Butterworth Band-Pass Filter)提取脑电信号不同频段节律波,研究发现AUD实验组与正常对照组的gamma节律波功率谱密度有显著差异性,可以作为识别两种EEG信号的有效特征。再利用共空间模式算法(Common Spatial Pattern,CSP)对多通道特征进行滤波,将多通道特征融合生成新的特征矩阵,提高识别的准确率。最后,选用支持向量机(Support Vector Machine,SVM)模型完成脑电信号识别的任务。为了得到最佳分类模型,本文采用了一种自适应差分进化(Adaptive Differential Evolution,ADE)算法优化SVM算法模型,选取模型最佳参数组。ADE解决了标准差分进化容易陷入局部最优解,收敛速度过快的问题,兼顾了全局与局部的最优。通过实验仿真证明,ADE-SVM分类器模型在一定实验环境下识别的准确率能够达到97.50%,与其他模型相比较,平均识别准确率更高、系统模型更稳定。