癫痫病是一种常见多发病症,它是由于大脑的损伤而引起的,它极大地危害着人们的健康。癫痫样放电的波形主要有以下几种:棘波、尖波、棘慢复合波、尖慢复合波等。对于诊断癫痫来说,脑电图(EEG)检查具有特别重要的意义。在传统的临床EEG检查中,主要是由脑电专家阅读记录纸上的多导脑电图,识别EEG中的癫痫特征波形,判断是否患有癫痫。由于这种方法容易加入一些人的主观选择性,而且在一些数据量比较大的情况中,该工作则显得比较枯燥繁杂,所以癫痫脑电特征波的自动提取则具有非常重要的意义。 传统的脑电信号分析主要有时域分析和频域分析等方法。时域分析方法以其直观性所称道,而频域分析方法主要考察此段脑电信号节律特征及频谱特征。然而以上两种方法都有共同的缺憾,那就是它们都是建:立在假设被分析脑电信号是平稳的或是局部平稳的基础上的,而弱化了脑电信号是一种典型的非平稳信号这一特征。时频分析方法的优点正是它适合于非平稳信号的分析,以及它能够表示出某一时刻信号能量在频率上的分布,所以说时频分析技术在脑电信号处理上有较好的应用前景。 本文将时频分析这种信号处理方法应用于癫痫脑电信号中,希望从中提取出有用的时频特征,实现癫痫脑电特征波的自动检测和提取,从而达到减轻医生负担和提高脑电图诊断效率的目的。本文首先深入研究了时频分析的方法和理论,以及时频分析中各种抑制交叉项的方法,并综述了近年来交叉项抑制的研究进展。同时,给出了一种基于AR模型的抑制交叉项的时频分布,并根据相关的准则条件对AR模型的阶数进行了自动的优化选择。在研究了Hilbert-Huang变换(HHT)的基础上,给出了两个基于经验模态分解(EMD)的方法。一个是基于EMD的时频分布,另一个是基于EMD的非线性能量算子(NEO)方法,其在癫痫脑电信号的处理中都取得了比较好的效果。另外,本文给出两种综合的癫痫棘波检测方法。一种为采用时频分析中的指数分布(CWD)对癫痫EEG信号进行分析,同时使用奇异值分解方法对时频分布进行预处理,并通过时频分布的差异测度方法对癫痫棘波进行检测和提取。另一种则是将时频分析与Jensen函数相结合的方法进行棘波检测,然后提取出棘波的波形特征,并通过人工神经网络(ANN)进行进一步的判决,从而降低棘波检测的误检率。最后本文用matlab语言编写了一个可以用于癫痫脑电特征波检测的工具,并将若干癫痫特征波自动提取的方法封装到了一起,其中包括本文所给出的方法,也包括其他参考文献中的方法。