论文部分内容阅读
癫痫作为一种常见的神经系统疾病,危害着全球超过5000万的患者。研究发现癫痫脑电信号可以分为不同时期,这为癫痫发作的预测提供了依据。本研究通过不同算法对癫痫发作前期和发作间期脑电信号进行分类,搭建模型预测癫痫发作,这对于癫痫患者具有重要意义。本研究采用波士顿儿童医院的癫痫脑电数据集(CHB-MIT),我们首先对CHB-MIT数据集中的癫痫患者信息进行了详细分析,分别提取不同患者每次癫痫发作前期和发作间期各1小时脑电信号用于分析,主要成果如下:(1)使用患者子频带信号特征分别训练了支持向量机(Support Vector Machine,SVM)、极限学习机(Extreme Learning Machine,ELM)和随机森林算法(Random Forest,RF)的通用模型及个性化模型,并使用多个指标对不同模型预测癫痫发作性能进行评估。研究结果表明,当癫痫发作出现时期(Seizure Occurrence Period,SOP)为30分钟、发作预测范围(Seizure Prediction Horizon,SPH)为10分钟时,子频带信号变异系数(Coefficient ofVariation,CV)特征训练得到的SVM个性化模型和ELM个性化模型预测癫痫发作性能明显优于对应通用模型;RF通用模型和RF个性化模型都能够较为准确地预测癫痫发作,其中RF个性化模型预测癫痫发作的准确率均值可达到98%,召回率均值为97%,特异度均值和精确率均值达到99%,误检率均值为0/h。(2)搭建了包含三个卷积块的卷积神经网络模型(Convolutional Neural Networks,CNN)。将患者不同时期脑电信号转化成类似图像格式的二维矩阵作为CNN模型的输入,用来训练通用模型和个性化模型,并使用误检率、AUC和F2-Score对不同模型预测癫痫发作性能进行评估。研究结果表明,当SOP为30分钟、SPH为10分钟时,CNN个性化模型预测癫痫发作性能优于CNN通用模型,14位癫痫患者中有10位患者使用CNN个性化模型能够准确地预测癫痫发作,误检率最低为0/h,AUC最高为1,F2-Score可达到100%。本研究使用SVM、ELM、RF和CNN算法分别训练了通用模型和个性化模型,并对不同模型预测癫痫发作的性能进行了评估,为今后癫痫发作预测的研究提供了理论依据。