基于非线性动力学特征指标的癫痫脑电信号分类、定位与预测方法研究

发布时间：2021-04-14 16:30

目的:癫痫是由脑部神经元异常放电所引起的一种慢性神经系统疾病,其突发性、短暂性以及反复性的特点,给患者的身心造成了极大的伤害。脑电图在癫痫的诊断、癫痫发作类型、定性定位判断中发挥着重要作用,它不仅可以在临床医师对癫痫发作分类、病灶区域定位时提供有力依据,而且还可以指导对抗癫痫药物的疗效进行客观评判。因此,对癫痫患者的脑电信号进行分析与处理,能够深入探索其发病机制,并为自动检测、精确诊断及治疗方法提供极其有用的信息。方法:以高性能并行计算为平台,采用Matlab软件,运用关联性分析对导联进行选取,并用经验模式分解的方法对癫痫脑电信号进行分解,利用主成分分析的方法对Hurst指数、Lyapunov指数、样本熵、排列熵、小波熵五个非线性动力学指标进行降维,并提取出主成分进行综合考虑,利用单一指标与综合指标分别对分解的脑电分量进行特征描述,使用代价敏感支持向量机和随机森林两种分类方法对脑电信号进行二分类(发作间期与发作期),利用统计学软件对特征指标及分类结果进行分析;利用医学参考值范围方法,尝试对致痫灶进行定位以及发作时间的预测。结果:1.利用关联性分析对导联数目进行选取,使得选取的各导联之间最大不相关,且尽可能的包含脑部神经元活动特征。2.主成分分析对特征向量进行降维、综合处理后,可以有效地提取出脑电信号的特征。3.非线性动力学、机器学习及统计学相结合,对癫痫脑电信号建立了识别、定位及预测的模型。4.在对脑电信号的识别中,综合后特征指标与单一特征指标相比,前者的分类准确率高于后者。5.代价敏感支持向量机和随机森林均可以有效地对癫痫脑电信号进行二分类识别,且二者分类器之间没有太大差别。6.在高性能并行计算的基础上,非线性动力学与医学统计学相结合可以高效、快速地实现癫痫致痫灶的定位与发作预测。结论:本研究以高性能并行计算为基础,采用关联性分析对导联数目进行选取,并对多个非线性动力学指标进行主成分分析,利用机器学习方法有效地对癫痫脑电信号进行识别,结合统计学实现了对致痫灶的初步定位及发作时间的预测,为临床上对脑电信号进行自动识别提供了新的方法,对癫痫患者的治疗提供了一定的理论基础,具有一定的实用价值和社会意义。
【学位授予单位】：新疆医科大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：R742.1

文章目录

中英文缩略词对照表

摘要

ABSTRACT

前言

研究内容与方法

1 研究数据

2 研究方法

3 总体构架

结果

讨论

结论

致谢

参考文献

附录

综述

参考文献

攻读硕士学位期间发表的学位论文

附件

【相似文献】