论文部分内容阅读
癫痫是一种由大量大脑神经元突发同步放电而引发的脑功能絮乱综合症。据统计,全球癫痫患者数量超过了5000万人,癫痫的反复发作严重威胁着患者的身心健康。若能够提前预测癫痫发作时间,不仅有利于对患者采取预防保护措施,也有助于对癫痫的发病机理及癫痫的诊断和治疗进行深入探索。因而,目前国内外有众多学者都致力于癫痫预测的研究工作。棘波是癫痫样放电最具特征性的表现之一。在脑电图(electroencephalogram, EEG)中,它是一种明显区别于背景的,突发性的波形变化,其波幅大小各异,棘波的出现说明脑部有刺激性病灶,因此在临床癫痫检查中,最重要的是观察脑电图中是否存在棘波。自回归(AutoRegressive, AR)模型是一种线性预测方法,可以很好的应用到脑电信号的分析处理中,假设脑电信号可以由线性滤波器描述其产生过程并可以用AR过程进行逼近,通过选取合适的阶次和参数就可以使AR过程尽可能逼近脑电信号。因此,本文在分析了四个不同脑电时期信号中棘波频次和AR参数变化规律的基础上,提出了一种以脑电棘波频次和AR参数为特征的癫痫预测算法。对于大多数线性分类算法,可以得到测试样本分类后的标签,但不能得到测试样本属于某一类的概率值。贝叶斯线性判别分析(Bayesian Linear Discriminant Analysis, BLDA)是基于证据框架的贝叶斯回归,它不仅能得到测试样本分类后的标签,还可以得到测试样本属于某一类的概率值,因而被广泛应用。BLDA可看作为Fisher线性判别分析(Fisher Linear Discriminant Analysis, FLDA)的扩展。与FLDA方法相比,BLDA方法采用正则化解决高维数据伴随噪声的过拟合问题,本文将使用BLDA作为线性分类器。算法首先对脑电图信号进行预处理以滤除高频干扰和工频干扰,并用移动窗技术对EEG信号进行分段处理。然后对每段信号提取棘波频次和AR参数作为特征向量,并通过BLDA进行分类判别,最后将分类结果进行卡尔曼滤波(Kalman Filter, KF)处理,去除瞬变信号,平滑分类结果。本文算法的实验数据来源于德国Freiburg医学院的癫痫研究中心的癫痫数据库,包括21例癫痫患者共87次癫痫发作的颅内EEG数据。实验结果表明,除去用于训练的40次癫痫发作外,剩余的47次癫痫发作有42次被正确预测,算法灵敏度达到89.36%,错误预测率仅为0.09次/每小时。文章最后将本文算法与累积能量增量法和基于小波变换的相位同步化分析法进行比较,比较结果显示本文提出的基于AR参数和棘波频次的癫痫预测算法具有较好的癫痫预测性能。