论文部分内容阅读
中国受到传统观念的影响，过去常常习惯于以“心脏搏动停止”作为个体死亡的标准。但近年来随着呼吸循环复苏技术、心脏人工代替技术的迅速发展，特别是心脏移植和心肺联合移植技术的成熟，取代了以心脏作为人类死亡判据的地位，现代医学认为脑干是中枢神经至关重要的部位，脑干死亡则脑干反射及呼吸作用全部消失，而脑干功能丧失最后必将导致全脑功能丧失。目前，几乎所有的发达国家和地区都已采用了脑干死亡（脑死亡）作为临床人体死亡的标准。 过去的研究主要着眼于临床医学的领域内，所以利用先进的信号处理手段，结合从最近兴起的神经动力学的角度为脑死亡的临床判定提供一套客观、可靠、高效且能被广泛接受的科学标准是十分重要的。从以往的工作经验中，我们主要采用独立成分分析、小波分解和部分传统的复杂度分析从脑电信号的复杂度和功率这两个重要的指标来研究16名疑似脑死亡病人和19名深昏迷病人，总计61次脑电数据的显著性差异。这样的分析能够提取两种状态下，病人脑电信号的随机性和各个频段功率的差异的特征，从而有效区分脑死亡和昏迷两种状态。 在过去的工作基础上，为了降低临床医学的风险，我们亟需研究开发脑死亡诊断中的一些基于高级信号处理方法。在本文中，我们做了一系列关于基于脑电信号处理的脑死亡诊断研究和方法创新包括:首先在充分研究了目前的一些复杂度算法之后，创新的引入样本熵算法来对已有的脑电数据进行复杂度估计，通过与近似熵的对比实验，我们论证了现有算法对脑电信号数据复杂度估计的准确性和可靠性，并以样本熵衡量的复杂度作为脑死亡诊断中重要依据而进一步量化所研究的两类状态下病人的脑电信号规律性的差异。 其次，在离线数据研究的基础上，我们创新采用了动态算法来研究各个时间窗口中病人脑电特征的变化情况，以满足实际情况下快速的运算和实时监测的需要，同时以时间序列展示的计算结果能够将一些间歇性的环境干扰的影响移除，从而所得到的稳态的复杂度时间序列提高了仿真实验结果的可信度，也可以为预测病人的状态提供可靠的判断依据。 然后我们创新性地针对脑电数据非平稳的特性采用了经验模型分解的方法对其进行自适应分解，并且引入了多尺度算法来深入探讨各个频率及振幅尺度下的信号复杂度和功率的变化情况，并开发了一套自适应多尺度熵的算法来自动筛选分解所得的信号成分，基于能量的成分筛选模式可以根据分解所得的本征模态函数的功率，将脑死亡诊断中我们所关心的特征频段自动筛选出来，以提升此算法实际应用时的便捷性和准确率，为分类器的设计提供了优质的特征样本; 最后，为满足自动医疗下脑死亡诊断的机器学习和诊断的需求，我们通过用部分特征样本来训练一个基于多尺度计算结果的贝叶斯分类器来验证我们所开发的算法对疑似脑死亡病人和深昏迷病人两种状态的实际分类能力。对于脑死亡诊断的自动机器诊断的设计过程，我们用Matlab软件进行计算机数值模拟，结果表明所设计分类器对现有的35位病人的分类准确率为100％。 我们相信本文中所提出的基于脑电信号的脑死亡诊断与判定流程和所采用的先进信号处理算法的可以作为脑死亡研究和发展的科学依据。 本文将按照如下组织结构展开脑死亡诊断的研究:在第一章中我们对研究背景和研究现状进行概括性描述;在第二章中，我们讨论基于近似熵和样本熵的脑死亡判定，论证了静态和动态复杂度算法的实际效果;在第三章中，我们采用经验模型分解来细化研究两类状态下的脑电信号的各个频段的复杂度和功率特征;在第四章中，我们给出了各个频率或功率尺度下的两类状态定量对比结果，提出了基于能量的自适应多尺度熵算法;在第五章中，基于特征提取算法而采用贝叶斯分类器论证了基于先进信号处理算法的脑死亡诊断的机器诊断的可行性;最后的第六章是总结与展望。