基于小波变换的小鼠癫痫模型脑电信号自动分类

发布时间：2020-11-09 01:27

　　 癫痫(Epilepsy,EP)是一种以突然、反复发生的大脑内神经细胞群发生阵发性异常超同步电活动,导致短暂的大脑功能障碍的慢性神经系统疾病。为了深入研究癫痫的发病机制,大量的实验室研究常常借助于癫痫动物模型。小鼠癫痫脑电(electroencephalogram,EEG)的自动分类对发挥小鼠模型在癫痫研究方面的潜力十分重要,相关的癫痫脑电信号自动分类算法也有可能启发临床癫痫脑电的自动分类算法,从而有助于减轻医疗工作者的工作量、减少对患者的负面影响,在进一步深入研究癫痫脑电信号自动检测中具有非常重要的价值和临床意义。为了研究癫痫动物模型脑电的自动检测与分类,本文选用戊四挫(Pentylenetetrazole,PTZ)诱发小鼠急性癫痫模型,记录致癫剂给药时间、小鼠行为、小鼠常态脑电和致癫状态脑电等数据。相较于人类的脑部病变而引起的癫痫疾病,戊四唑药物诱导的急性癫痫发作症状、脑电图、痫样放电等方面大致相似,且戊四唑诱发小鼠急性癫痫模型已经十分成熟,是一种在急性癫痫相关研究领域得到了世界广泛认可,也是一种比较趋于理想化的动物模型。基于癫痫脑电的非平稳性(突发性、幅度异常)和频率分布特性,本文采用小波变换分解出特定的脑电成分并提取特征,用支持向量机(Support Vector Machine,SVM)对这些特征进行学习,实现小鼠癫痫脑电的自动分类。首先,按照致癫剂给药时间和小鼠行为对采集的小鼠脑电原始信号进行分段及预处理;其次,对分段脑电信号进行离散平稳小波变换,获得不同频率子带的小波系数,选取与癫痫脑电特性波(棘波、尖波、慢波)所在频率范围内的小波系数,小波逆变换重构相关癫痫脑电特征波频段;分别对预处理后的脑电信号、相关的脑电小波系数及其重构脑电提取相关线性特征(最大值和标准差值)和非线性特征(样本熵);最后,应用支持向量机方法实现小鼠癫痫脑电信号自动分类。实验结果表明基于小鼠脑电信号本身的最大值、标准差值和样本熵值的分类敏感性分别为53.67%、62.00%和48.33%,特异性分别为87.67%、95.67%和95.67%,准确率分别为70.70%、80.00%和72.00%;基于相关小波变换系数的最大值、标准差和样本熵进行特征融合后,其小鼠癫痫脑电的分类敏感性达到99.67%,特异性为100.00%,正确率达到了 99.80%;另一方面,对癫痫特征波所在频段的小波系数重构的脑电的最大值、标准差和样本熵进行特征融合后,分类敏感性达到了 99.00%,特异性为100.00%,正确率也达到了99.50%。这些结果说明基于小波分解系数或癫痫特征波频段的特征融合进行分类的算法较基于信号本身的单一特征学习算法的分类性能有显著提升,能有效实现小鼠癫痫脑电信号自动检测与分类。
【学位单位】：南方医科大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：R742.1;R-332
【部分图文】：

的脑电信号特征。癫痫脑电信号相较于正常状态下脑电信号，其易出现幅值??更高的阵发性的瞬态波形，波形的频率与形式多种多样，主要包括棘波、尖??波、棘－慢复合波、尖－慢复合波等［１（）］，如图１－１所示。??（ａ）?（ｂ）??Ｊ＆Ｗｌ?Ｊｆ＼Ｍ??（ｃ）?（ｄ）??图１－１常见的癫痫特征波ｎ°］⑷棘波；（ｂ）尖波；（ｃ）棘－慢复合波；（ｄ）尖－慢复合波??Ｆｉｇ．?１－１?Ｃｏｍｍｏｎ?ｅｐｉｌｅｐｔｉｃ?ｃｈａｒａｃｔｅｒｉｓｔｉｃ?ｗａｖｅｓ?（ａ）?ｓｐｉｋｅ?ｗａｖｅｓ；?（ｂ）?ｓｈａｒｐ?ｗａｖｅｓ；??（ｃ）?ｓｐｉｋｅ－ｓｌｏｗ?ｃｏｍｐｌｅｘｅｓ；

?４．尖－慢复合波［１（）］：??如图１－１?（ｄ）所示，尖－慢复合波是由尖波和慢波共同组成，通常出现在??颞叶癫痫疾病中，多数是１．５￣２．５Ｈｚ，也存在４￣６Ｈｚ尖一慢复合波，其形??式多种多样。??１．３脑电信号的处理分析方法??自上世纪六十年以来，人类对癫痫脑电信号的分析研究己有６０多年的历??史。最初研究癫痫脑电信号主要是在时间域中分析ＥＥＧ波形的幅度、频率、??瞬时波形等信息，从而人工对脑电进行判断与分类，这种方法在临床上十分??耗时耗力，并存在很大的局限性。然而近年来，研究人员对癫痫性发作的检??测技术有了很大的进步，并提出了多种癫痫检测方案，如时域分析、频域分??析、时频分析、非线性分析方法等［１１］，如图１－２所示。多种多样的新方法的发??现，使癫痫脑电信号的自动检测与分类技术得到飞快的发展，也为广大的癫??痫患者带来了福音。本文归纳了常用的ＥＥＧ信号处理分析方法

系数及其重构脑电的相关线性特征（最大值和标准差值）和非线性特征（样本??熵）；最后，应用支持向量机方法实现小鼠癫痫脑电信号自动分类。具体流程??图如图１－３所示。??制备癫痫小Ｉ?ｊ采集脑电丨ａ?｜信号的预?祕＿??鼠信号处理?｜????＇?＜?＠丨小波系数Ｉ１??正常脑电＊ｎ???Ｉ?￣－Ｔ－￣１１???１?＿?ＳＶＭ分类？十特征提取?ｕ?Ｉ???１?器?Ｉ?③丨小波＇逆变ｌｉ??丨議，ｈ?—；?－——ｍｉ，??Ｉ?Ｉ??图１－３小鼠癫痫脑电自动检测流程图??Ｆｉｇ．?１－３?Ｆｌｏｗ?ｃｈａｒｔ?ｏｆ?ａｕｔｏｍａｔｉｃ?ＥＥＧ?ｄｅｔｅｃｔｉｏｎ?ｉｎ?ｍｉｃｅ??７??
【相似文献】

相关期刊论文 前10条

1 韦晓燕;陈子怡;周毅;;基于多尺度排列熵的脑电信号分类[J];中国数字医学;2019年05期

2 王晓丽;;基于深度学习的癫痫脑电信号分析与预测[J];长春大学学报;2019年06期

3 王薇蓉;张雪英;孙颖;畅江;;关于脑电信号的情感优化识别仿真[J];计算机仿真;2018年06期

4 郭婷仪;李素芳;钟桂仙;曾佳璇;周酥;;基于脑电信号的耳鸣识别算法研究[J];科技传播;2018年13期

5 左晶;万小勤;罗杨;郑斌;陈斌林;任祥花;;癫痫脑电信号的相关性分析[J];电子世界;2017年05期

6 张娜;唐贤伦;刘庆;;基于半监督学习的脑电信号特征提取及识别[J];工程科学与技术;2017年S2期

7 石乔莉;王延辉;李信政;;基于脑电信号的驾驶疲劳的研究[J];世界最新医学信息文摘;2017年55期

8 王恒;李念强;齐鹏冲;;运动想象脑电信号特征的提取与分类[J];工业控制计算机;2015年02期

9 李亚杰;宋明星;张玉栋;;脑电信号采集系统的设计[J];河北建筑工程学院学报;2014年01期

10 蔡超峰;张勇;郭舒婷;姜利英;;思维脑电信号的关联维数分析[J];河南科技大学学报(自然科学版);2012年01期

相关博士学位论文 前10条

1 张涛;基于模糊分布熵和复值模糊分布熵的癫痫脑电信号自动分类算法研究[D];吉林大学;2019年

2 李明阳;基于复合域分析的癫痫脑电信号检测算法研究[D];吉林大学;2018年

3 韩凌;脑电信号同步分析及癫痫发作预测方法研究[D];东北大学;2016年

4 赵丽;基于脑电信号的脑-机接口技术研究[D];天津大学;2004年

5 缪晓波;基于脑电信号的认知动力学系统研究——线性/非线性方法及动态时—频—空分析[D];重庆大学;2004年

6 徐鹏;信号的稀疏分解及其在脑电信号处理中的应用研究[D];电子科技大学;2006年

7 伍亚舟;基于想象左右手运动思维脑电BCI实验及识别分类研究[D];第三军医大学;2007年

8 唐艳;基于时间、频率和空间域的自发脑电信号提取[D];中南大学;2008年

9 陈东伟;非线性动力学、因果脑网络与聚类稳定性在脑电信号分析中的应用研究[D];太原理工大学;2015年

10 马小飞;认知任务下的脑电动力学分析[D];南京大学;2017年

相关硕士学位论文 前10条

1 常宇;基于运动想象的脑电信号分析与脑机接口系统设计[D];中北大学;2019年

2 侯晓莹;基于深度学习和脑电信号的情感分类方法研究[D];山东大学;2019年

3 陆怡菲;基于脑电信号和眼动信号融合的多模态情绪识别研究[D];上海交通大学;2017年

4 王晴;基于脑电信号的情绪分类[D];北京邮电大学;2019年

5 孔维嘉;基于脑电信号的实时情感识别系统[D];兰州大学;2019年

6 于祖熠;癫痫脑电的概率协作表示及用于发作预警的深度卷积特征研究[D];山东师范大学;2019年

7 郑文凯;基于深度学习脑电信号分类FPGA加速器的实现[D];山东师范大学;2019年

8 崔志红;基于卷积神经网络的脑电信号分析方法研究[D];山东师范大学;2019年

9 李超;疲劳驾驶检测系统的设计及其嵌入式实现[D];江西师范大学;2018年

10 张丽平;表征心算任务复杂度的脑电信号分析及其眼电伪迹去除[D];南方医科大学;2019年

本文编号：2875667