论文部分内容阅读
癫痫(Epilepsy)是一种危及生命的突发神经系统疾病,全世界大约有5000万人受其影响,其中仅在中国就有900多万患者。然而,大约10%～50%的癫痫患者无法通过药物或者外科手术治愈。对于这些患者,如果可以准确识别出癫痫发病前的状态,就能够让患者提前做好保护措施,减少癫痫发作时因丧失意识而产生的二次伤害。脑电图(Electroencephalogram,EEG)记录了大量有关大脑活动的信息,在癫痫发作检测领域发挥着极其重要的作用。迄今为止,已有的研究主要集中于癫痫发作/未发作检测,但是关于癫痫发作前期的分类研究却非常少。发作前期的准确分类可以为患者提供更多的保护措施,阻止或者减少癫痫发作造成的伤害。另外,传统的癫痫检测算法普遍将发作前期定义为癫痫发作前一个小时的状态。对于实际临床应用,这种划分方式不够详细,无法消除癫痫突然发作给患者带来的威胁和焦虑。因此,一种时效性好、准确性高的癫痫发作检测方法具有重大的现实意义。本文主要的研究内容和成果如下:1.提出了一种基于深度迁移特征的癫痫检测方法。首先设计了一种详细的癫痫发作前期状态划分方式,然后将五个经过Image Net数据库预训练的深度神经网络模型(Alex Net、VGG19、Inception-v3、Res Net152和Inception-Res Net-v2)用于提取多通道脑电信号子频带的平均振幅谱(MAS)图特征,最后将提取的深层特征输入两层神经网络(全连接层和softmax层)进行癫痫脑电分类。提出的算法在CHB-MIT数据库的五分类(发作前期被等分为三个时长为20分钟的无重叠的时间段)任务中取得了89.81%的总体分类准确率。2.提出了一种基于深度神经网络(DNNs)迁移特征融合的癫痫检测方法。首先将五个预训练CNNs模型捕获的MAS图迁移特征进行拼接融合,然后将融合后的特征向量结合一个由全连接层、dropout层和softmax层组成的七层神经网络模型进行癫痫脑电信号识别。为了在临床上给患者带来更大的帮助,本文将发作前状态进行更精细的分割,构成一个八种癫痫状态的分类任务。为了评估算法的泛化性能,本文还通过i Neuro数据库中的癫痫脑电数据加以验证,并设有三种和五种癫痫状态分类实验。通过在两个标准癫痫数据库上的大量实验验证,提出的算法均得到了最佳分类结果。在CHB-MIT数据库中,对于发作前期被划分为20和10分钟的非重叠等长时间段实验,提出的算法分别取得了最高的96.97%和92.28%的总体分类精度,在i Neuro数据库中,对于发作前期被划分为60和20分钟的时间段,分别得到了最高的91.21%和87.87%的识别准确率。3.提出了一种基于手动提取(Hand-Crafted)特征与深度卷积神经网络迁移特征融合的癫痫检测方法。MAS特征能够反映脑电信号的频域信息但忽略了时域信息。为了获得更具有辨识度的Hand-Crafted特征,本文将手动提取的MAS、MPSD频域特征和小波包分解得到的时频域特征进行融合,然后将Hand-Crafted融合特征图结合深度迁移特征融合算法进行癫痫检测。多次实验结果显示,基于Hand-Crafted特征融合算法的识别效果明显优于单个Hand-Crafted特征。对于五种癫痫状态的分类问题,提出的算法在CHB-MIT和i Neuro数据库分别取得了98.97%和92.04%的总体准确率。