论文部分内容阅读
癫痫是一种由脑内神经元阵发性异常超同步化电活动引起的反复发作的慢性神经系统疾病,发作具有突发性。癫痫的发作有许多诱因,包括脑部损伤、脑部疾病及异常的脑发育等等,很多情况下癫痫的病因是无法确定的而且很难治愈。脑电图是癫痫临床诊断的有效方法,它提供了准确真实的信息供医生参考以定位致痫灶进行有效治疗。由于脑电图的获得要通过对病人的长期脑电观测,数据量庞大,脑电信号的分析也依赖于医务人员的临床经验,导致任务繁重耗时,而且很容易误检和漏检。因此,对脑电信号的自动分类和识别就显得尤为迫切和重要。脑电图的波形由相位、波幅、频率等要素组成。脑电信号检测就是在数字化脑电图的基础上分析癫痫发作期和发作间期某些要素的时间序列和空间分布的特征,并用能代表该段信号的显著特征进行分类。目前有很多有效的脑电信号研究和分析的方法,本文在这些研究方法的基础上提出了一种新的脑电信号检测算法。该方法主要基于支持向量机(Support Vector Machine, SVM),小波分解和推土机距离(Earth Movers’ Distance, EMD)等技术,实验结果表明本文提出的方法能很好的分离癫痫发作期和发作间期脑电信号。本文提出的方法基于德国弗莱堡医学院癫痫研究中心的癫痫数据库。该数据库由21位癫痫患者的脑电记录组成,包含了87次癫痫发作。该方法分为三个步骤：首先对脑电信号分段并对用小波变换对其滤波以去掉高频干扰,然后对每段脑电信号提取有效的推土机距离作为该段的特征,最后将提取的特征放入支持向量机中进行分类并对分类结果进行后处理,如平滑、逻辑判断及领子技术等。研究分析发现,该方法具有较高的灵敏度、识别率和特异性,较低的错误检测率。因此,本文提出的基于有效推土机距离和支持向量机的癫痫自动检测算法是一种较为有效的癫痫检测算法,在癫痫自动检测中有一定的应用前景。