论文部分内容阅读
癫痫是一种由于脑部神经细胞阵发性异常放电而导致功能性障碍的慢性神经系统疾病。目前，全世界的癫痫患者数量已超过6000万，并且癫痫在中国己成为仅次于头痛的第二大神经疾病。癫痫发作具有突发性与反复性，严重损害了患者的身心健康，甚至可能危及生命。脑电图具有记录大脑神经元电活动的能力，是癫痫疾病分析与诊断过程中的重要工具。神经科专家可通过连续观察脑电图记录确定癫痫发作事件的起止时间、发作初期最受影响的大脑区域等信息。然而，癫痫患者的长期脑电图监测通常会持续几小时甚至几天，这使得诊断过程极其耗时。现实中，很难有足够的神经科医生检查所有脑电图记录，并且随着脑电图通道数量增加，问题会变得更加严重。此外，临床脑电信号包含大量伪迹，这严重阻碍了专家对脑电图的目视检查，并可能造成发作事件审查遗漏的现象。随着科技发展，繁复的人工诊断可由计算机技术辅助完成。因此，使用信号处理和机器学习方法实现癫痫发作自动检测具有重要意义，其可减轻专家负担，并有效提高癫痫发作的识别率。
本文将经验模态分解和公共空间模式方法相结合，提出了一种面向多类脑电信号的癫痫发作检测算法。经验模态分解是一种完全由数据驱动的时频分析方法，已经广泛应用于时间序列的特征提取、预测分析等领域。公共空间模式是一种基于统计方法的信号处理工具，是信号特征提取的重要方法之一。本实验首先使用小波变换和经验模态分解依次对脑电图记录进行滤波与时频分解;其次，运用公共空间模式对多通道时频表达式实现降维，并提取方差作为表征癫痫发作的唯一特征;之后基于集成学习思想，将10个支持向量机模型集成为一个支持向量机组用以训练与分类;最后对分类结果实行后处理，以降低分类误检率、获得更高的准确率。
本文首先使用国际开源的德国弗莱堡颅内脑电数据与美国CHB-MIT头皮脑电数据对提出的方法进行评估。在弗莱堡数据库的688-h颅内脑电检测中，获得的平均灵敏度与特异性分别为98.86％与98.96％。在CHB-MIT数据库的977-h头皮脑电检测中，获得的平均灵敏度和特异性分别为97.34％和97.50％。其次，与山东大学第二医院合作，共同组建了临床头皮脑电数据库SH-SDU，检测方法取得了93.67％的平均灵敏度与96.06％的平均特异性。此外，本项研究发现公共空间模式中的空间滤波器具有识别有关癫痫发作脑电通道的能力，这有助于确定与发作初期最相关的大脑区域。这些令人满意的结果表明，本文提出的方法可为临床应用中的癫痫发作检测提供参考。
本文将经验模态分解和公共空间模式方法相结合，提出了一种面向多类脑电信号的癫痫发作检测算法。经验模态分解是一种完全由数据驱动的时频分析方法，已经广泛应用于时间序列的特征提取、预测分析等领域。公共空间模式是一种基于统计方法的信号处理工具，是信号特征提取的重要方法之一。本实验首先使用小波变换和经验模态分解依次对脑电图记录进行滤波与时频分解;其次，运用公共空间模式对多通道时频表达式实现降维，并提取方差作为表征癫痫发作的唯一特征;之后基于集成学习思想，将10个支持向量机模型集成为一个支持向量机组用以训练与分类;最后对分类结果实行后处理，以降低分类误检率、获得更高的准确率。
本文首先使用国际开源的德国弗莱堡颅内脑电数据与美国CHB-MIT头皮脑电数据对提出的方法进行评估。在弗莱堡数据库的688-h颅内脑电检测中，获得的平均灵敏度与特异性分别为98.86％与98.96％。在CHB-MIT数据库的977-h头皮脑电检测中，获得的平均灵敏度和特异性分别为97.34％和97.50％。其次，与山东大学第二医院合作，共同组建了临床头皮脑电数据库SH-SDU，检测方法取得了93.67％的平均灵敏度与96.06％的平均特异性。此外，本项研究发现公共空间模式中的空间滤波器具有识别有关癫痫发作脑电通道的能力，这有助于确定与发作初期最相关的大脑区域。这些令人满意的结果表明，本文提出的方法可为临床应用中的癫痫发作检测提供参考。