高频振荡信号自动检测算法及其在定位致痫灶中的应用

发布时间：2021-07-13 16:47

　　癫痫是大脑神经元异常放电导致的一种常见的神经系统疾病,中国约有九百万名患者深受其影响。其中,许多耐药性癫痫患者只能寄希望于手术治疗以摆脱疾病对工作和生活的影响,因此精准定位癫痫灶对患者来说十分重要。近年研究发现脑电中80⁵00Hz的高频振荡信号（High Frequency Oscillations,HFOs）与癫痫的发作有密切的联系,虽然非病灶区域也可能有高频振荡信号,但在癫痫灶内外具有一定区别,能够指示癫痫灶位置。由于脑电信号数据量巨大,人工筛查HFOs会占用研究者大量的时间且无法避免主观性。为此,本研究提出了一种基于卷积神经网络的HFOs自动检测方法,并基于脑电通道内HFOs特征对癫痫灶进行定位,以期提高癫痫手术的成功率。本课题的主要研究内容和贡献如下:首先,本文设计了一套基于MATLAB的HFOs人工筛选定标系统,通过对临床五例患者颅内脑电信号的逐步录入和分析,构建了一个总计近一万五千个样本的脑电高频振荡数据库。数据库包含五例患者颅内脑电高频振荡信号始末时间及通道标号等基础信息。其次,本文提出了一种结合短时能量和卷积神经网络的高频振荡信号自动检测新方法,即... 

【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校

【文章页数】：76 页

【学位级别】：硕士

【部分图文】：

癫痫术前检查[2]

电子科技大学硕士学位论文4学习算法和深度学习算法，人工提取特征通常会受到现有知识范围的限制而无法有较大突破，而深度学习算法能够克服这一缺陷。深度学习是一种能够从原始数据中自动学习和发现复杂特征并进行分类的算法，自主提取特征可能会大幅提升算法性能，但也可能适得其反。目前研究中使用的深度学习算法包括人工神经网络(ANN)[17]和模糊神经网络(FNN)[16]、卷积神经网络等。其中卷积神经网络在癫痫发作识别[18]中有较好的表现，文献[19]中将时域信号转为图片进而使用卷积神经网络分类。图1-2高频振荡信号检测算法常见流程图棘波等尖锐事件（sharpevent）很容易造成误检，这也是影响许多检测器性能的一个重要原因。Sfax大学LETI实验室设计了一种无监督算法[20]，使用一种可调q因子小波变换(TQWT)对脑电图信号中的瞬态（transientbrainactivity）和振荡脑活动（oscillatorybrainactivity）进行建模，脑电图信号的瞬态和振荡成分可以通过低和高q因子来表征，再结合形态学成分分析(MCA)对其进行分离。这种非线性分离方法可以作为EEG预处理步骤，应用于从本质上减少瞬变在EEG中的影响。但这一算法没有考虑到棘波等尖锐事件与HFOs的叠加情况，因此在实际应用时的性能可能无法达到测试的值。蒙特利尔神经学研究所[21]考虑到了这一问题，进而选择使用二阶导数法测量尖锐事件并进行标记，HFO信号中如果大于一点超过阈值则认为该段信号中尖锐事件与HFO二者并存。该方法使用5例患者的数据用于

电子科技大学硕士学位论文8第二章脑电高频振荡信号及机器学习相关理论2.1脑电信号概述神经元是神经系统最基本的结构和功能单位，大脑中的神经细胞数量约为1011个。神经元的结构如图2-1所示，神经元的表面覆盖有1,000~100,000个突触，静息电位约为-70mV，动作电位峰值幅度约为100mV，持续约1ms。图2-1神经元结构图脑电信号是众多神经元细胞共同活动共同放电产生的结果，大脑皮层内大量神经元突触后电位叠加形成了脑电信号。大脑头皮或皮层的信号可以较为准确地反映出整个大脑神经系统的电生理活动状态，如图2-2所示。因此，临床上通过记录和分析大脑头皮或皮层的脑电信号来观察和诊断患者的脑部疾病的病情。图2-2脑电信号的产生示意图脑电图是测量大脑神经元活动的一种有效的间接测量工具，可以检测毫秒级

【参考文献】：
硕士论文
[1]基于卷积神经网络的癫痫发作预测[D]. 丁木涵.山东师范大学 2018
[2]脑电高频振荡信号在癫痫定位及癫痫预测中的应用探索[D]. 阚增辉.电子科技大学 2018
[3]基于皮层脑电的癫痫脑网络研究及癫痫预测探索[D]. 张欢欢.电子科技大学 2017



本文编号：3282430