论文部分内容阅读
脑疾病的早期诊断和干预,对于用药和治疗有着十分重要的作用。目前,生理信号的检测方法已经被应用在脑疾病的早期筛查中,并成为重要辅助手段之一,特别是面向脑疾病精神障碍的脑成像技术与无扰式人体步态识别技术,并积累了大量的数据。由于传统的诊断方式依赖于量表与医生的专业素养,其给出临床诊断结果具有较高的主观性。随着智能医疗的发展,研究人员可以在多模态生理信号的客观条件下去理解和量化精神疾病对大脑的影响。脑疾病诊断是复杂的决策过程,机器学习方法作为数据驱动的强有力工具,可以为脑疾病分类和早期预测诊断提供辅助手段,揭示脑认知、行为和相关脑疾病之间的关联机制。本文围绕脑疾病诊断分析中两个方面开展相关的研究工作:(1)基于同伦字典学习的癫痫检测算法研究;(2)面向抑郁障碍的步态运动学特征检测及预测关节模型的研究。(1)大脑内部信号的研究成为近年来探索认知科学领域的热点之一,脑电图(Electroencephalography,EEG)与大脑活动关联性强、时间分辨率高而被广泛用于认知神经科学、脑疾病临床诊断以及脑-机接口等相关研究中。癫痫作为一种慢性精神疾病,由于突发性和反复性等特点,EEG在癫痫检测中起重要作用,尤其是自动检测。在本文中,提出了一种基于同伦字典学习的算法,用于检测癫痫发作。所提出的算法已在公开数据库上进行评估,与传统的稀疏表示方法相比,在相同的运行环境中,同伦字典学习算法仅用19.671 s即可完成测试,自动化程度较高,优于经典的字典学习算法。其平均识别率高达99.5%,结果表明基于同伦字典学习的癫痫检测系统具有较高的应用价值。(2)近年来,步态分析已成为医疗保健的有效工具,自然步态的分析系统可以作为无扰、自然、客观的工具对抑郁障碍进行辅助分析。在研究中,我们发现抑郁障碍人群和正常对照人群之间在时空、运动和姿势等步态参数上存在显著差异。将这些参数应用于机器学习分类算法中对两组人群进行分类,尤其是Adaboost分类器,最大精度可达到95.53%。最后,由于步态预测的目标是能够预测给定个体的步态轨迹,我们通过其步态参数的输入得到他们在步态周期中关节角度轨迹,利用回归模型训练用于关节角度分析的多元时间序列。使用了标准均方根误差(RMSE)用作回归模型的性能评估参数,建立其关节运动轨迹进行的回归量化模型,对抑郁障碍人群和正常对照人群进行区分。综上所述,本文从针对抑郁障碍与癫痫这两大慢性脑疾病的预测评估与诊断检测需求,从多信号分析方向入手,引入了机器学习分类模型的端对端计算方法与发展了l1范数框架下的同伦字典学习新算法,从一定程度上对抑郁症与癫痫发作的临床诊断提供了新的思路。