脑电信号(EEG)是通过电极记录下来的脑电细胞群的自发性、节律性电活动,它包含了大量的生理与病理信息,对其作深入的研究有助于临床医生提高对大脑神经系统损伤病变诊断和检测的可靠性和准确性,同时对于脑疾病诊断和检测提供了有效的手段,所以脑电图检查在临床诊断中起着越来越重要的作用。 对脑电信号进行特性分析和特征提取,国内外有关这一课题的研究日益增多。由丰富的国内外资料可知,许多经典的或现代的信号处理分析方法已经应用于脑电信号中,且已见成效。可以说,前人的工作已经为未来的研究提供了很好的基础,因此本论文在此基础上,研究方向大致向以下两方面展开:一是采用经典和现代信号处理方法分析的基本原理和方法,研究并实现脑电信号特性分析和特征提取的更加有效和快速的算法;二是研究发展新的分析方法,并尝试将现有方法进行结合,应用于脑电信号的特性分析和特征提取。具体的工作包括: 首先,深入研究国内外脑电信号特性分析与特征提取的理论和方法,对各种分析方法的优缺点加以充分认识及总结。 其次,深入研究近似熵算法及其性质,并探讨近似熵算法应用于脑电信号的可行性。采用近似熵算法对小猪脑缺氧窒息而引起的中枢神经系统损伤实验数据进行分析及对损伤程度进行定量评估。结果表明基于近似熵的方法对于脑缺氧窒息而引起的中枢神经系统损伤及对损伤程度进行评估,具有直观和可定量的优点。可能成为一个新的评价缺氧脑损伤的临床参量。 第三,采用近似熵对癫痫患者的脑电信号进行分析,探索运用近似熵进行癫痫检测的可行性。针对近似熵存在的问题,选用一种与近似熵类似但精度更好的方法一样本熵,并同近似熵就在癫痫脑电信号中的应用进行了比较分析。结果显示癫痫发作时脑电信号的近似熵和样本熵均明显低于发作前和发作后。样本熵的变化幅度明显大于近似熵。 最后,将经验模式分解应用于脑电信号的预处理并结合样本熵对癫痫脑电信号进行预测。结果显示基于经验模式分解的样本熵其幅度减小更为显著,同时抑制了伪差对实验结果的影响。基于经验模式分解与样本熵的癫痫预测方法能够很好的对癫痫进行预测。