论文部分内容阅读
癫痫是最常见的脑部疾病之一。在临床脑电图检查中,识别脑电图中是否出现癫痫样放电尤为重要。通常由专家人工阅读分析被怀疑患有癫痫或癫痫患者的脑电图记录,从中识别出不规则的、与癫痫相关的瞬态特征波形。这些短暂的瞬态波形又被称为癫痫样放电,它们持续几十到几百毫秒,通常分为7种类型。由于临床使用的头皮脑电图包含大量的噪声,导致癫痫样放电的自动检测成为了一个困难的任务。
为了解决这一问题,本文分析了640组多通道头皮脑电信号片段,每组采样时间为4秒,其中540组为癫痫样放电,100组是正常对照组。根据这些脑电信号,利用了三种基于基本原理的方法来提取癫痫脑电信号的特征,并结合分类器实现癫痫样放电与正常脑电信号的自动识别。本文主要完成的工作如下:
1、对国内外脑电信号特征提取算法的研究现状和将来的发展趋势进行了分析,对癫痫脑电信号特征和癫痫样放电的类型和特点进行了简要介绍。
2、针对癫痫样放电的特点,利用了三种癫痫脑电信号的特征提取方法实现癫痫样放电的自动识别。第一种方法基于信号范围和脑电信号的长程相关性,其长程相关性是通过自适应分形分析(AFA)提取出的Hurst指数来衡量,AFA可以最大限度地抑制噪声和各种伪影的影响。第二种方法是对第一种方法的改进,在第一种方法的基础上引入了脑网络的概念,并主要考虑脑电信号的三个方面:信号范围,alpha波波段能量和长程相关性,即构建了基于信号范围、alpha波波段能量和长程相关性的脑功能网络,每个网络都通过奇异值分解(SVD)进一步分析,用于临床。基于网络的方法也被用来推断每一类型癫痫样放电的头皮定位,通过比较,我们发现代表每一类型癫痫样放电定位的子网络是不同的。第三种方法基于脑电信号的总能量和依赖于尺度的李雅普诺夫指数(SDLE)。脑电信号具有分形和混沌的复杂特征,运用AFA和SDLE来刻画癫痫脑电背后的动力学特征,揭示了癫痫样放电的生物机理,对临床诊断提供了依据。
3、将本文利用的上述算法结合分类器用于解决癫痫样放电与正常脑电信号的分类问题,并对比分析了三种特征提取方法的准确率。结果表明本文使用的三种方法对上述癫痫样放电有较好的分类识别效果。
为了解决这一问题,本文分析了640组多通道头皮脑电信号片段,每组采样时间为4秒,其中540组为癫痫样放电,100组是正常对照组。根据这些脑电信号,利用了三种基于基本原理的方法来提取癫痫脑电信号的特征,并结合分类器实现癫痫样放电与正常脑电信号的自动识别。本文主要完成的工作如下:
1、对国内外脑电信号特征提取算法的研究现状和将来的发展趋势进行了分析,对癫痫脑电信号特征和癫痫样放电的类型和特点进行了简要介绍。
2、针对癫痫样放电的特点,利用了三种癫痫脑电信号的特征提取方法实现癫痫样放电的自动识别。第一种方法基于信号范围和脑电信号的长程相关性,其长程相关性是通过自适应分形分析(AFA)提取出的Hurst指数来衡量,AFA可以最大限度地抑制噪声和各种伪影的影响。第二种方法是对第一种方法的改进,在第一种方法的基础上引入了脑网络的概念,并主要考虑脑电信号的三个方面:信号范围,alpha波波段能量和长程相关性,即构建了基于信号范围、alpha波波段能量和长程相关性的脑功能网络,每个网络都通过奇异值分解(SVD)进一步分析,用于临床。基于网络的方法也被用来推断每一类型癫痫样放电的头皮定位,通过比较,我们发现代表每一类型癫痫样放电定位的子网络是不同的。第三种方法基于脑电信号的总能量和依赖于尺度的李雅普诺夫指数(SDLE)。脑电信号具有分形和混沌的复杂特征,运用AFA和SDLE来刻画癫痫脑电背后的动力学特征,揭示了癫痫样放电的生物机理,对临床诊断提供了依据。
3、将本文利用的上述算法结合分类器用于解决癫痫样放电与正常脑电信号的分类问题,并对比分析了三种特征提取方法的准确率。结果表明本文使用的三种方法对上述癫痫样放电有较好的分类识别效果。