论文部分内容阅读
癫痫是脑部的一种慢性的神经系统疾病,它具有突发性和反复性。癫痫患者无论在身体还是精神上都遭受着巨大的痛苦。癫痫患者容易产生运动障碍,意识丧失,感觉、情感以及精神功能障碍等症状。癫痫发作时,患者脑电神经元放电异常,因此可以用脑电图监测脑电电位的变化情况。脑电图作为一种重要的癫痫诊疗工具,它可以帮助医生正确并快速的定位癫痫发病的区域。医生可以通过肉眼观察脑电图对癫痫病做出诊断,然而脑电记录通常都很长,长时间的观察脑电图容易让医生产生视觉疲劳,在这种情况下很容易产生误判。随着信息技术的不断发展,我们可以通过计算机对脑电图进行监测和分析,同时运用一些检测算法对癫痫患者的发作段的脑电图进行标记,从而为医生提供了有价值的信息,而且也节省了大量的时间。因此研究如何运用计算机技术对癫痫病进行监测、诊断和治疗是很重要的。在本文中,我们提出了一种针对特定病人的癫痫检测方法。该检测方法是基于字典学习和弹性网(Elastic Net)约束条件的稀疏表示分类方法,研究中我们没有直接的将脑电训练样本作为字典,而是在弹性网约束条件下运用在线字典学习算法构建出更加完备有效的学习字典,之后用构建出的字典对测试样本进行稀疏编码,最后比较两类字典对测试样本的重构误差来判定检测的结果。实验中构建的学习字典能够更加准确的表示测试样本,“弹性网”约束条件不但能够使计算出的编码系数更加稀疏,而且能够在一定程度上抑制字典训练过程中的过拟合问题。本文提出的癫痫检测方法框架如下:首先,原始脑电信号要经过预处理环节,预处理主要包括小波滤波、微分滤波和核函数处理,对脑电信号进行核函数处理可以使不可分脑电样本变得线性可分。然后运用字典训练算法对发作期和间歇期的脑电训练样本进行训练,分别得到脑电样本发作期的字典和间歇期的字典,将两个字典组成一个学习字典。字典训练完成之后,用训练出来的字典来表示脑电测试数据,并且分别计算出该样本在发作期字典和间歇期字典的重构误差。最终,通过比较重构误差大小,判定该测试样本的类别。通过对实验结果的评判与分析,本文所提出的癫痫检测方法时间复杂度低,运算量小,更加具有实时性,对以后的临床研究也有一定的借鉴意义.