基于小波包变换的癫痫脑电棘波检测

发布时间：2022-01-15 10:41

　　为了能够较好地实现癫痫患者脑电的棘波检测,提出一种将棘波物理特征（幅度、频率）和小波包变换结合的算法,用于癫痫患者脑电信号的棘波检测。首先利用小波包变换对癫痫脑电信号进行小波包分解,将脑电波频率（0³0 Hz）划分为3层;其次根据脑电波的频率范围重构第三层节点频率S（3, 0）（0¹0.85 Hz）、S（3, 1）（10.85²1.7 Hz）、S（3, 2）（21.7³2.55 Hz）的脑电信号;最后取棘波的幅度作为检测阈值分别提取癫痫患者健康期、癫痫发作间期及癫痫发作期的棘波。实验结果证明,当数据的采样频率为173.61 Hz、信号长度为23.6 s时,该算法能够提取不同癫痫患者在不同时期的棘波信号,该算法棘波的误检率为12.02%、漏检率为11.70%。因此,本文所采用的算法在癫痫棘波检测中具有良好的效果。 

【文章来源】：中国医学物理学杂志. 2020,37(11)CSCD

【文章页数】：8 页

【部分图文】：

不同形态结构的棘波

三层小波包分解如图3所示，小波包变换中的每一层信号都被分解成低频和高频部分[17]。例如信号S经过三层小波包分解之后可以表示为：可见，信号S经过三层小波包分解后的子频带包含了原信号所有的细节频率信息。

1.1.3 棘波检测阈值选取棘波具有的明显的物理特征[18]，其中时限为1/50～1/14 s，放入脑电图测量尺14 Hz的刻度内则为20～70 ms，幅度多为100～200μV。本文采用小波包变换对节点S(3,0）、S(3,1）、S(3,2）的脑电信号进行重构后，选择棘波信号的幅度作为阈值进行癫痫脑电棘波的提取。

【参考文献】：
期刊论文
[1]基于改进遗传算法优化反向传播神经网络的癫痫发作检测方法分析[J]. 刘光达,魏星,张尚,蔡靖,刘颂阳.  生物医学工程学杂志. 2019(01)
[2]基于奇异值分解和小波包分解的故障检测[J]. 李一博,沈慧,高远.  电子技术应用. 2018(03)
[3]基于非负矩阵分解的癫痫脑电自动检测[J]. 张雨烟,陈万忠,张涛,李明阳.  吉林大学学报(信息科学版). 2017(05)
[4]基于频率切片小波变换和支持向量机的癫痫脑电信号自动检测[J]. 张涛,陈万忠,李明阳.  物理学报. 2016(03)
[5]基于小波包变换的脑电波信号降噪及特征提取[J]. 刘珑,李胜,王轶卿.  计算机工程与科学. 2015(04)
[6]基于递归量化分析与支持向量机的癫痫脑电自动检测方法[J]. 孟庆芳,陈珊珊,陈月辉,冯志全.  物理学报. 2014(05)
[7]基于形态成分分析的癫痫脑电棘波检测[J]. 马东华,郑旭媛,王真.  生物医学工程学杂志. 2013(04)
[8]基于稀疏表示的脑电棘波检测算法研究[J]. 孙玉宝,吴敏,韦志辉,肖亮,冯灿.  电子学报. 2009(09)



本文编号：3590474