基于脑电的癫痫预警及预警—抑制诊疗系统关键技术研究

发布时间：2017-06-26 22:04

  本文关键词：基于脑电的癫痫预警及预警—抑制诊疗系统关键技术研究，，由笔耕文化传播整理发布。

【摘要】：癫痫是一种常见的、多发的慢性神经系统疾病。癫痫发作可引起运动、感觉、意识和行为等功能障碍,给患者带来巨大的痛苦。全球癫痫患者约为5000万人,其中百分之八十的患者能够通过药物及手术的方式得到治疗,但仍有近1000万患者病情得不到有效控制,给家庭和社会带来极大的精神和经济负担,迫切需要新的有效癫痫治疗手段。近年来,随着神经科学、信息科学等相关领域的飞速发展,以反应性神经电刺激技术为代表的癫痫治疗新手段迅速发展,有望为难治性癫痫治疗带来新的希望。与传统的开环电刺激方式不同,反应性电刺激采用“癫痫预警-电刺激抑制”的闭环框架,该框架首先利用信息处理技术实现基于脑电的癫痫预警,当且仅当系统预警到癫痫发作时启动电刺激抑制,以阻止或减轻癫痫发作,实现癫痫诊疗。反应性电刺激癫痫诊疗框架可以极大地减少电刺激用量,显著降低组织伤害风险,有望为癫痫临床治疗,特别是难治性癫痫治疗带来新突破。因此,反应性电刺激技术已成为国内外研究热点,许多大学和研究团体均投入力量开展相关技术研究,并有商业化产品问世。本文研究反应性电刺激“预警-抑制”闭环系统相关关键技术,紧密聚焦现有技术尚未解决的重点和难点问题,研究脑电中癫痫有效特征的提取方法、脑电中强噪声的处理方法,以及癫痫脑电动态过程的建模方法,实现稳定、鲁棒的癫痫预警。在此基础上,研究实时预警-反应性电刺激抑制软硬件系统,并在动物平台上实现实验验证。本文主要研究内容及创新点如下：1)针对癫病脑电发放模式变化多样、个体差异大的问题,本文提出了一种自动特征学习的深度网络模型。该模型以传统深度神经网络模型为基础,融合基于相关熵的深度自编码模型,可以自动依据数据的分布状况计算样本点的距离,解决了传统模型在强噪声下失效的问题。并且,该深度网络模型可以根据不同病人的癫痫脑电数据学习表示癫痫发作的最优特征,实验表明,采用该方法选择的特征提升检测率超过10%以上。2)针对脑电信号中大量肌电、眼电伪迹和硬件噪声干扰导致预警算法虚警率高、鲁棒性差的问题,本文提出了一种基于柯西分布的状态空间模型,实现对癫痫脑电状态的动态建模。研究表明脑电信号中噪声分布呈现出更多的非高斯特性,本文采用重尾的柯西分布建立噪声模型。同时,癫痫脑电的发放是一个动态过程,为充分借助脑电时序信息,本文建立了柯西噪声状态空间模型,实现了状态估计和脑电动态建模方法,以更加准确地对大脑状态进行估计。该方法准确估计和抑制了脑电信号中的非高斯噪声,减少了由噪声引起的虚警。临床实验表明,该癫痫预警方法能够有效降低虚警率(约降低91%)。3)在稳定、鲁棒的癫痛预警方法的基础上,本文进一步研发了在线预警-抑制反应性电刺激闭环系统,该系统集成了多种预警方法、数据采集和电刺激硬件,以及实时控制软件系统。在动物平台上,采用该系统研究了反应性电刺激癫痫抑制的效果。基于大鼠癫痫模型的对照实验表明,通过反应性电刺激,癫痫平均发作时长缩短32%,证明反应性电刺激系统具有显著的癫痫抑制效果。综上,本文围绕基于脑电信号的癫痫预警和“预警-抑制”反应性电刺激癫痫诊疗系统中的关键问题,提出具有针对性的解决方案,最终实现稳定、鲁棒的在线预警,以及基于反应性电刺激的癫痫抑制。文中针对复杂多变数据模式的特征分析、时序建模以及噪声处理等方法,在模式识别、信号处理等算法领域等有一定的独创性,部分算法成果不仅在癫痫预警方面带来了新的突破,而且在其他复杂数据上也显示出巨大的潜力,值得进一步研究和推广。
【关键词】：反应性电刺激 癫痫预警 机器学习 信号处理
【学位授予单位】：浙江大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：R742.1;TP181
【目录】：

• 摘要5-7
• Abstract7-16
• 第1章 绪论16-27
• 1.1 研究背景16-17
• 1.2 传统癫痫疗法概述17-20
• 1.2.1 传统治疗手段及其局限17-19
• 1.2.2 传统电刺激癫痫抑制技术及其不足19-20
• 1.3 新突破：基于癫痫预警的反应性电刺激20-24
• 1.3.1 反应性电刺激概述20-21
• 1.3.2 反应性电刺激的关键：自动癫痫预警技术21-22
• 1.3.3 反应性电刺激研究现状22-23
• 1.3.4 困难和挑战23-24
• 1.4 本文的研究目标与贡献24-26
• 1.5 论文的结构和内容26-27
• 第2章 癫痫预警的困难及核心问题27-37
• 2.1 癫痫预警概述27-28
• 2.2 癫痫预警中的关键问题28-36
• 2.2.1 鲁棒的特征学习方法29-32
• 2.2.2 噪声及时序信息建模32-34
• 2.2.3 稳定的在线快速预警34-36
• 2.3 本章小结36-37
• 第3章 基于深度神经网络的癫痫特征提取37-59
• 3.1 深度学习与深度神经网络37-38
• 3.2 基于最大相关熵目标的鲁棒深度自编码神经网络38-44
• 3.2.1 传统深度自编码模型38-40
• 3.2.2 传统自编码模型的不足40
• 3.2.3 相关熵及最大相关熵目标40-41
• 3.2.4 基于最大相关熵的鲁棒稀疏自编码模型41-43
• 3.2.5 鲁棒的深度自编码模型训练43-44
• 3.3 仿真实验44-49
• 3.3.1 MNIST数据集45
• 3.3.2 算法配置45-46
• 3.3.3 特征学习结果46-49
• 3.4 基于R-SAE模型的癫痫特征提取49-58
• 3.4.1 数据集49-50
• 3.4.2 算法配置50-53
• 3.4.3 实验结果53-58
• 3.5 本章小结58-59
• 第4章 基于柯西噪声的癫痫检测时序模型59-84
• 4.1 状态空间模型及其状态估计60-62
• 4.1.1 状态空间模型概述60-61
• 4.1.2 贝叶斯滤波61-62
• 4.2 基于柯西观察噪声的状态空间模型(SSMC)62-68
• 4.2.1 状态空间建模63
• 4.2.2 噪声模型63-65
• 4.2.3 基于粒子滤波的状态估计65-68
• 4.3 基于SSMC的癫痫检测方法68-83
• 4.3.1 数据集69-70
• 4.3.2 分段和特征提取70-71
• 4.3.3 状态定义71-73
• 4.3.4 模型训练73
• 4.3.5 癫痫检测73-75
• 4.3.6 癫痫检测结果75-83
• 4.4 本章小结83-84
• 第5章 在线预警及预警-抑制电刺激癫痫诊疗系统84-104
• 5.1 反应性电刺激癫痫治疗系统框架84-85
• 5.2 硬件平台85-87
• 5.2.1 多通道脑电放大器85-86
• 5.2.2 神经电刺激器86-87
• 5.3 软件平台87-94
• 5.3.1 功能分析88-89
• 5.3.2 流程分析89
• 5.3.3 模块设计89-91
• 5.3.4 界面设计91-94
• 5.4 青霉素诱发皮层局灶性癫痫大鼠模型94-96
• 5.4.1 手术方案与癫痫建模94-95
• 5.4.2 有效电刺激参数预实验95-96
• 5.5 基于反应性电刺激系统的癫痫抑制96-103
• 5.5.1 在线癫痫预警96-98
• 5.5.2 对照实验设计98
• 5.5.3 实验结果与分析98-103
• 5.6 本章小节103-104
• 第6章 总结与展望104-107
• 6.1 本文工作总结104-105
• 6.2 未来工作展望105-107
• 参考文献107-115
• 攻读博士学位期间主要研究成果115-118
• 致谢118-119

【相似文献】

中国期刊全文数据库 前1条

1 赵林;;晃帽机噪声处理[J];铁道劳动安全卫生与环保;1988年04期

中国博士学位论文全文数据库 前2条

1 祁玉;基于脑电的癫痫预警及预警—抑制诊疗系统关键技术研究[D];浙江大学;2015年

2 周磊;电影胶片修复及噪声处理关键技术的研究[D];上海交通大学;2008年

中国硕士学位论文全文数据库 前1条

1 胡立茂;红外与微光图像噪声处理及硬件实现[D];南京理工大学;2004年

  本文关键词：基于脑电的癫痫预警及预警—抑制诊疗系统关键技术研究，由笔耕文化传播整理发布。

本文编号：487703