基于LSTM的脑电特征学习及癫痫发作预测系统研究

发布时间：2020-11-11 11:18

　　 全球约有癫痫患者5000万人,在我国大约有1000万人,癫痫发作是脑皮质中异常过度的神经元自发、同步放电导致的,持续发作的癫痫可能会造成患者的永久性损伤,甚至死亡。癫痫的发作具有突发性和反复性,严重影响了患者的正常工作和生活。因此,有效的癫痫发作预测能够减缓癫痫患者的痛苦,进一步保证癫痫患者的生命安全。在预测癫痫发作的基础上,还可以应用各种干预方法(例如通过递送短效抗癫痫药物或通过施加电刺激)抑制癫痫发作。目前,癫痫发作自动预测已经成为癫痫研究领域的热点。但是,用于识别癫痫发作前期的脑电特征学习是发作预测技术的瓶颈。本文利用深度学习来自动学习用于发作预测的脑电特征,有效地实现了癫痫发作预测。本文提出了基于双向LSTM的癫痫发作预测方法,首先将每个患者不同导联的脑电图(EEG)拼接滤波,同时提取描述脑电信号波形的多种线性特征,然后构建用于癫痫发作间期和发作前期的深度双向LSTM网络,并将特征向量送入该双向LSTM网络中针对癫痫发作前期和发作间期进行特征学习,经过网络的正反脑电数据处理最终实现发作间期和发作前期的脑电分类;最后通过一定规则的后处理实现结果的优化,提高了预测的正确率。本文在9例颞叶癫痫患者的临床脑电数据上,通过SOP、SPH、灵敏度、误报率、平均预测时间等性能指标对所构建的深层双向LSTM网络进行性能评估。实验中,总共发作次数为29次,预测正确为24次,平均误报率为0.17/h,从而证明了基于双向LSTM的脑电特征学习的癫痫发作预测系统有着较好的预测性能。对于平均预测时间,有一半以上的患者具有较长的预测时间,平均预测时间为35.47min,能够在癫痫发作之前为患者提供充足的治疗和心理准备。在颞叶癫痫患者的基础上,今后的工作会对其他病灶区患者进行实验,更加充分地完善预测系统。
【学位单位】：山东师范大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP181;R742.1
【部分图文】：

图 1-1 癫痫发作预测流程图本论文预处理是对拼接后的脑电数据按 10s 进行截取、处理，再经过滤波器滤波得到子带。特征提取采用线性特征提取，训练数据选择 30-50 分钟的发作间期和 30-50 分钟的发作前期合并。测试数据选取全部发作间期和剩余发作点的脑电信号。经过双向LSTM 循环神经网络的特征学习，全连接层将其分类出发作间期和发作前期。1.5 论文结构和章节安排本文首先介绍癫痫预测的发展历程，对脑电信号进行介绍和研究，其次对本文用到的线性特征提取和双向 LSTM 神经网络进行详细介绍。然后研究基于双向 LSTM 神经网络的癫痫脑电信号算法，最后得出实验结果。本文内容结构安排如下：第一章 介绍癫痫预测的研究背景及意义，同时阐述了深度学习的发展史和预测癫痫发作的一般流程。对基于深度学习的脑电处理的文献、期刊进行汇总整理。

山东师范大学硕士学位论文梢把信号传递给多个神经元，通过轴突末梢跟其他神经元的树突搭桥输神经网络与人工神经网络有着相似的结构，通常把人工神经网络简称为神神经网络的神经元对应着神经网络中的节点、神经元的连接对应着神经网重。单个神经元是一种简单的网络模型，整体结构由输入、输出和计算功网络单元结构如下[33]：

循环神经网络（Recurrent Neural Network），简称 RNN[36]。2010 年，Mikolov 提出利用 RNN 建立语言模型，2012 年，Sundermeyer 提出 RNN 的改进版本——LSTM。RNN 根据英文意义，主要分两种类型：一种是递归神经网络，另一种是循环神经网络（本论文 RNN 均指循环神经网络）。递归神经网络主要解决部分递归结构的存在，而循环神经网络是对网络结构的重复循环。RNN 模型的不同部分能够共享参数，共享的参数可以处理不同长度的样本。传统的神经网络给每一个输入特征分配一个单独的参数，对应不同的语言规则，而循环神经网络在一定时间步长内共享相同的参数，不需要学习每一个位置的语言规则。把 RNN 展开可以看做若干个相同的网络连接在一起，RNN 解决前馈神经网络的问题，对时间序列上的变化建模有着重要意义。前馈神经网络的输入数据是独立的，并且输出只依赖于当前的脑电信号的输入，而循环神经网络不仅与现在的信号输出状态有关，也和以前的信号状态有关。
【相似文献】

相关期刊论文 前10条

1 伍亚舟;吴宝明;何庆华;张玲;易东;;基于想象左右手运动脑电特征提取及其统计特性分析[J];北京生物医学工程;2007年02期

2 吴小培,冯焕清,周荷琴,李晓辉;结合小波变换和独立分量分析的脑电特征提取[J];仪器仪表学报;2004年01期

3 马娜;王学民;田苗;刘静;綦宏志;明东;周鹏;;20Hz体感振动刺激对脑电特征影响研究[J];生物医学工程学杂志;2016年06期

4 董光恒;杨丽珠;;情绪冲突控制过程的脑电特征研究[J];心理科学;2008年06期

5 万柏坤;刘延刚;明东;孙长城;綦宏志;张广举;程龙龙;;基于脑电特征的多模式想象动作识别[J];天津大学学报;2010年10期

6 殷罡;吴平东;彭军强;黄漫玲;汪东;;性格行为特征与脑电特征间关系的研究[J];北京理工大学学报;2009年04期

7 白树林;谢松云;张玉梅;杨金孝;;基于灰色系统理论的脑电特征提取[J];贵州工业大学学报(自然科学版);2005年06期

8 宋亚林;孙杳如;;手指动作自动矫正的脑电特征[J];同济大学学报(自然科学版);2017年06期

9 严娜;乔晓艳;李鹏;;基于小波-双谱分析的视觉诱发脑电特征提取[J];测试技术学报;2012年01期

10 李飞;高小榕;高上凯;;基于随机森林算法的高维脑电特征优选[J];北京生物医学工程;2007年04期

相关博士学位论文 前10条

1 饶娟;面向抑郁注意机制的任务态脑电特征算法研究[D];兰州大学;2019年

2 辛喜艳;中风病虚实证候演变及脑电特征与预后的关系研究[D];北京中医药大学;2012年

3 石立臣;基于脑电信号的警觉度估计研究[D];上海交通大学;2012年

4 何洋;我国优秀射箭运动员脑电特征的研究[D];山西大学;2008年

5 朱亚忱;基于特权信息的情感识别[D];中国科学技术大学;2015年

6 陈昌乐;三种佛家静功操作方法的脑电特征比较研究[D];北京中医药大学;2012年

7 吕佳;基于事件相关电位技术的服装情绪研究[D];江南大学;2014年

8 张海波;具象思维作业的脑电空间与频域特征研究[D];北京中医药大学;2011年

9 彭宏;普适化脑电信息感知关键问题的研究[D];兰州大学;2015年

10 郁洪强;过度使用互联网者的脑电特征分析[D];天津大学;2009年

相关硕士学位论文 前10条

1 韩佳硕;抑郁人群睡眠脑电特征研究[D];兰州大学;2019年

2 王凤娟;基于LSTM的脑电特征学习及癫痫发作预测系统研究[D];山东师范大学;2019年

3 汪小双;基于脑电特征独立分量分析的癫痫检测[D];大连理工大学;2018年

4 王永宗;面向情绪识别的脑电特征组合及通道优化选择研究[D];兰州大学;2018年

5 宋江玲;非线性脑电特征提取方法研究[D];西北大学;2016年

6 严娜;视听诱发脑电特征研究[D];山西大学;2012年

7 翟静波;老年轻度认知功能障碍向阿尔兹海默病转归的脑电特征研究[D];山西医科大学;2011年

8 顼春元;感觉刺激诱发脑电特征研究[D];山西大学;2011年

9 张颖群;初中生自我控制结构、发展特点及脑电特征的研究[D];辽宁师范大学;2013年

10 沈骥;基于眼动、脑电特征的抑郁识别研究[D];兰州大学;2015年

本文编号：2879113