基于卷积神经网络的癫痫发作预测

发布时间：2020-03-21 21:20

【摘要】：癫痫是一种脑部的慢性障碍综合症,脑部神经的异常放电则是引起癫痫发作的主要原因。由于癫痫发作具有反复性,突发性等特点,发作时常表现为意识丧失,整个身体非自主性抽搐,精神异常等,因而给患者带来巨大的痛苦和压力。如果能在癫痫发作前就预测到即将发作的癫痫,从而采用一些必要的措施,就能够在一定程度上减轻患者和医护人员的负担,也有助于癫痫发病机理、诊断和治疗等方面的研究。目前癫痫预测算法取得了很大的进展,特别是非线性动力学的应用,但是也存在许多问题。脑电图作为研究癫痫发作特征的重要工具,反映了许多其他生理学方法无法提供的发作信息。通过对癫痫脑电数据进行分析,可以发现癫痫脑电在不同的时期其特征会有较为明显的差别。卷积神经网络是近十多年发展起来的广泛应用于各个领域的算法,由于其具有良好的特征自动学习的特性,特别是在识别,预测估计等领域取得了巨大的成果。本文基于上述现状对癫痫发作预测的算法进行研究,提出了基于卷积神经网络的癫痫脑电自动识别算法和基于卷积神经网络的癫痫发作预测算法。文章先提出了基于卷积神经网络的癫痫脑电自动识别的算法,利用搭建的卷积神经网络结构自动学习脑电数据特征,以区分正常脑电和癫痫发作脑电,癫痫发作期脑电和癫痫发作间期脑电。该算法的实验数据是临床短程的脑电数据,采用了德国波恩癫痫研究室的数据进行研究。实验结果表明,基于卷积神经网络的癫痫脑电自动识别算法针对脑电数据能够取得较为理想的识别性能。本文还提出了基于卷积神经网络的癫痫发作预测算法,该算法主要包含三个部分:信号预处理,卷积神经网络和后处理。其中在预处理阶段首先使用移动窗技术对原始的脑电信号进行分段处理,然后对分好的每段信号利用小波变换得到不同频段的脑电数据。在卷积神经网络部分主要搭建卷积神经网络结构,利用卷积神经网络强大的特征自动提取性能,对脑电信号进行训练和测试。后处理阶段则主要是利用逻辑运算,平滑处理等方法对训练和测试的结果做进一步的分析。该算法的实验数据来自德国Freiburg医学院的癫痫研究中心,对21例患者长期颅内EEG记录的6个导联进行分析。实验结果表明,在用来训练的21次癫痫发作被剔除之后,还有66次癫痫发作,其中有58次能够被正确预测到,算法的灵敏度达到87.88%。通过实验结果可以看到,基于卷积神经网络的癫痫发作预测算法能够获得较为理想的灵敏度,但是在误报率上还有很大的改进空间。
【图文】：

流程图,癫痫发作,脑电信号

发作预测的一般流程患者的脑电信号一般分为四个时期，这四个时期是发作间期、发作前期、后期[24]。发作间期是指癫痫患者在癫痫不发作的时候采集到的脑电信号；在癫痫即将发作时采集到的可能会发生变化的脑电信号，，这段时间长短以都没有明确的规定；发作期是指在患者癫痫发作时记录的脑电信号；发作指在癫痫发作完后，脑电信号是在大脑处于恢复状态时采集到的。发作的预测的流程一般可以分为以下几个步骤：首先，要对脑电信号进行作；然后分别将提取到的发作间期和发作前期的脑电信号特征送到分类器利用训练好的分类器对新输入的脑电信号进行分类识别，其依据就是训练。其流程图如图 1-1 所示。但是由于卷积神经网络可以自动学习数据特征提取，所以本文提出的基于卷积神经网络的癫痫发作预测算法的流程图如。

流程图,癫痫发作,预测算法

不需要人为提取，所以本文提出的基于卷积神经网络的癫痫发作预测算法的流程图如下图1-2 所示。图 1-1 癫痫发作预测一般流程图图 1-2 基于卷积神经网络的癫痫发作预测流程图
【学位授予单位】：山东师范大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：R742.1;TP183

【参考文献】