基于神经网络的癫痫脑电预测和源定位问题研究

发布时间：2020-09-05 09:09

　　癫痫是一种常见的精神疾病,其发作的演化过程在脑电信号中有较明显的表现,因此,癫痫脑电的分析对于癫痫的分类、预测及脑电源定位等临床辅助诊疗具有重要的意义。现有的癫痫诊疗中可以获得大量无标注脑电数据。如何无监督地从样本中提取癫痫脑电特征,量化局部时间脑电信号,对大脑活动状态的挖掘具有重要意义。同时,为了更好地解决癫痫的预测和定位问题,如何提取合适的特征,构建癫痫脑电的时空关系,并利用机器学习相关方法挖掘癫痫脑电的先兆及源位置信息,对癫痫脑电信号的客观量化分析、协助医生的诊断等方面具有很大帮助。本文运用神经网络相关方法,针对癫痫脑电的特征聚类、预测及源定位问题展开研究,主要研究内容及贡献如下:针对无监督的聚类学习问题,提出基于Exemplar样本判别信息的聚类算法。该方法结合了超限学习机(extreme learning machine,ELM)神经网络方法和K-均值方法。充分利用代表性样本的判别信息,通过最小化所建立的目标函数,交替更新Exemplar样本和超平面实现目标优化求解,获得最终的聚类结果。在人工数据集及UCI等数据上该聚类算法具有很好的聚类性能,取得了较高的聚类纯度。同时,本文将该方法应用于癫痫脑电数据的聚类研究,并进行了可视化分析,为癫痫脑电分析的深入研究打下基础。受启发于自然语言处理中Bag-of-Word(BoW)模型的思想,提出一种基于Bag-of-Wave模型的癫痫预测方法,通过整合不同尺度的局部特征建立时空关系模型,提取癫痫脑电的同步模式特征,并进行分类预测。首先,通过聚类模型量化局部信号的特征表达,构建脑电特征词典。然后,利用滑动时间窗提取一段时间上的多导联信号,并用脑电特征词典对其进行表达,将一个时间窗内的脑电词频统计直方图作为该段信号的时空特征表达。再整合不同时间窗的特征,在更大的时间尺度下挖掘癫痫前期特征时序变化的规律。最后,结合超限学习机对特征进行分类,对癫痫的发作进行预警。实验结果表明,所提出的Bag-of-Wave模型特征提取方法在癫痫预测中具有较好的性能。在脑电源定位方面,传统的建模方法依赖于头模型和传导模型的先验知识,通常情况下头模型和传导模型难以准确建模,影响逆问题的求解精度,而利用神经网络方法可以从数据驱动的角度建模并求解脑电信号逆问题。本文提出基于时空神经网络的脑电源定位方法。首先,根据贝叶斯模型推导得到脑电信号逆问题求解需要的头皮信号的时序规律和源分布的空间规律。然后,利用序列到序列的长短时记忆网络(long-short term memory network,LSTM)学习头皮脑电和源信号位置之间的关系。最后,通过在模拟信号上的网络训练,对头皮信号和源信号之间的时空关系进行优化求解,使该关系隐含于神经网络的权重当中,得到用于脑电源定位的网络模型。实验结果表明,该方法可以较好地解决脑电信号源定位问题,并具有很高的鲁棒性。此外,在癫痫灶定位的实际问题中,提出的方法根据发作前期脑电实现病灶的定位,实验表明了算法的有效性。
【学位单位】：北京工业大学
【学位级别】：博士
【学位年份】：2019
【中图分类】：R742.1;TN911.7;TP183
【部分图文】：

波形,源定位,脑电,方法

北京工业大学工学博士学位论文到的头皮脑电具有更小的振幅。文献[67]引入脑电信号在时间上的一阶、二数联合优化建模源定位问题。结合时序信号处理的多变量自回归模型[73,87]引时间信息的约束。这些方法一定程度上结合了脑电信号的时空关系，但多变回归模型在表达一些波形（如事件相关电位）时结果较差。一些新的研究献[71,73~76,88~90]通过预设或者数据驱动的时域基函数(temporal bunctions,TBFs)进行脑电或脑磁信号的源重构，达到了较好的效果。Avarvand[91]2018 年提出基于源活动的双相干估计方法，用于解决脑电/脑磁信号非线叉频率耦合的定位问题。

循环神经网络,卷积和,结构示意图

在对于癫痫脑电信号的研究中，一类方法将脑电信号自身或其特征转化为再利用卷积神经网络训练，从而利用深度学习进行分类。首先，将脑电转化为的操作会损失部分信息或引入多余的信息，这些会影响到网络的学习。从网络设计角度来讲，转化后的图并不一定具有局部形状、纹理等特征，卷积网络对成的图可能并不适用。另一类方法利用时序信号的深度学习模型，如 RNN、短时记忆网络、基于注意力的 Transformer 模型[139]等。这类网络可以更好地建脑电信号的时空关系，对癫痫脑电信号的处理具有更强的借鉴意义。2.4 本章小结本章从癫痫脑电特征聚类相关方法、癫痫脑电发作预测相关方法和癫痫脑源定位相关方法三个方面对于癫痫脑电信号分析相关技术进行了简单介绍。其(b) 循环神经网络结构示意及沿时间轴展开形式[138]图 2-2 卷积和循环神经网络结构示意图Fig 2-2 Diagrams of architecture of CNN and RNN

绿色三角,聚类,初始聚类中心,迭代过程

对于 K-均值算法，该数据的正确分类很困难。由于 K-均值于欧式距离划分不同类别的数据，直接利用 K-均值算法不能正确聚类线分的数据。与之相比，K-ELMC 算法在相同的数据集上根据相同的初始聚进行聚类。K-ELMC 聚类过程展示在图 3-3 中。图 3-3 展示了 K-ELMC 随着迭代次数的增加，学习到的聚类划分的变择的聚类 Exemplar 样本(绿色三角)的变化。在图 3-3(a)中，起初的分类超然是接近线性的。在几次迭代后，算法逐渐展现其非线性划分的能力，并到正确的划分超平面。这个例子直观地说明了提出的 K-ELMC 算法的优也可以看出，提出的算法选取的 Exemplar 样本仍然比较集中，在一些情况能会对学习到的划分超平面产生影响。因此，对于 Exemplar 样本的选取(c) (d)3-2 K-均值在full moon and crescent上迭代过程划分可视化；(a)原始数据(红色圆圈)类中心(绿色三角)分布；(b)-(d)分别为第1、4、7次迭代后聚类结果(已收敛) 3-2 Visualization of K-means iterations in full moon and crescent dataset. (a) Original datacles) and initial clustering centers (green triangles). (b) K-means iteration 1. (c) K-mation 4. (d) K-means iteration 7 (converged)

【相似文献】