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

发布时间：2020-06-28 11:39

【摘要】：癫痫是一种由于大脑神经元异常地、过度地放电所引起的慢性神经疾病。癫痫所带来的生理和病理的伤害时刻影响着患者的日常生活。脑电图可以收集脑部的放电活动,已经成为临床中癫痫诊断的可靠工具。然而,大量的脑电图检测记录需要由具有丰富经验的专家靠视觉完成诊断。因此,可以建立一个自动癫痫检测系统来减轻专家的压力。此外,仅有75%的癫痫患者可以通过抗惊厥药物或手术治愈。剩余25%的患者只能在日常生活中遭受不可控的癫痫的困扰。因此,一个可靠的癫痫预测系统不仅可以提高他们的生活质量,还可以促进新的治疗方法的发展,例如植入式给药、神经电刺激疗法等。在本文中首先提出用核概率协作表示来检测癫痫脑电信号。对于脑电测试样本,该算法可以最大化其属于各个类别的最大概率,并且核方法可以将脑电信号映射到高维空间来克服其在原始空间线性不可分的问题。离散小波变换和微分算子首先被用来处理原始脑电信号。然后基于核概率协作表示用训练样本协作表示出测试样本,通过核对哪个类别具有最大的概率也就是具有最小的表示残差,最终决定其归属类别。最后采用后处理技术来减少误判点且获得更加稳定的结果。本文利用两个公开的脑电数据库来衡量所提出算法的性能,并取得了优异的结果。在本文中还提出用局部均值分解和卷积神经网络来实现癫痫预测。首先,采用局部均值分解将脑电信号分解为一系列的乘积函数,并选取第2、3、4个乘积函数送入到卷积神经网络中自动地进行特征提取。为了保留所提取特征中具有代表性的信息,采用主成分分析去除其中的冗余特征。然后,将这些已处理特征送入到贝叶斯线性判别分析中确定其属于发作前期还是间歇期。最后,采用后处理技术来减少误报的次数。所提出的算法在包含有21位患者脑电数据的Freiburg数据库来评估其性能,并且取得了87.7%的敏感度和0.25/h的误报率。实验结果表明所提出的算法远高于随机预测的准确率,并且可能成为潜在的临床癫痫预测的方法。本文所提出的癫痫自动检测和预测技术有助于促进该领域在脑电信号的概率协作表示及利用深度学习自动提取特征方向进行进一步地研究,也有助于促进相关理论的发展及检测和预测算法在临床应用领域的研究。本文所提出的算法有待于在更多实际的脑电数据上进行测试,更加全面地验证其临床应用的可行性。
【学位授予单位】：山东师范大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R742.1;TN911.7
【图文】：

示意图,闭环,示意图,癫痫发作

致病灶的位置，但是脑电图在临床应用中还是有其不可替代的重要地位，甚至在痫诊断中起着决定性作用。传统的诊断癫痫的方法是由医生通过视觉对脑电图进行观察并做出最后的诊和用药方案，对于观察长程脑电图来说，这无疑是一个艰苦且无聊的过程。此外诊断过程很容易受到医生主观因素的影响，并且随着医生观察时间的增加，其观度也会受到一定的影响。对于一些个别的癫痫发作，如果其表现在脑电图上的可识别的特征不明显时，很容易造成医生漏判。利用机器学习和信号处理的方法，捉到脑电图信号中一些隐含的不易被人眼识别的特征，利用这些特征可以有效地癫痫发作和不发作时所对应的脑电信号的区别，从而进一步提高癫痫自动检测算确率。因此，发展一套计算机辅助的癫痫自动检测系统来减轻医疗工作者的工作现实中有着十分迫切的需求。一套精确且具有实时性的癫痫自动检测系统对于闭激疗法的发展具有重要的促进作用，电刺激疗法是在癫痫发作的开始时刻对患者经（如迷走神经）进行电刺激，从而达到抑制癫痫发作的目的，其过程如图 1.1 所

流程图,癫痫,流程图,发作期

山东师范大学硕士毕业论文然终止，在振幅上明显区别于背景波，其多出现在癫痫病人的脑电图信号中，疾病亦可产生此种波形。癫痫自动检测与预测框架临床上所采集到的癫痫患者的脑电信号一般具有四个不同的时期，即发作间歇前期、发作期和发作后期。癫痫检测和癫痫预测虽然最终所实现的目的不同，具有相似的框架结构，区别在于癫痫检测是对非发作期（包括发作间期、发作作后期）和发作期脑电数据进行分类，而癫痫预测是对发作间期信号和发作前行分类。癫痫检测与癫痫预测的框架如图 1.2 所示：

【相似文献】