基于非线性特征的癫痫脑电信号识别算法

论文摘要

癫痫是一种常见的慢性神经疾病,以大量神经元的异常猝发性过度同步放电为特征,是神经科仅次于脑血管病的第二大顽症,侵袭大约人口的1%。到目前为止,在癫痫的诊断中,脑电图(EEG)检查是最重要的、最有价值和最方便的手段之一,对癫痫脑电图进行分析有助于医生发现病人的病灶并进行相应的药剂和物理治疗。目前对癫痫脑电图的检查主要由医疗工作者通过视觉来完成。由于癫痫发作具有不确定性,就需要对患者进行长期的脑电图记录,这样长期记录的数字脑电图中癫痫波的目测检查就需要消耗医师大量的时间和精力,所以有必要在临床中开展计算机辅助癫痫自动检测。越来越多的研究表明,大脑神经元活动和EEG信号均具有非线性动力学特征,传统的线性分析方法难以全面描述EEG信号的动力学特性。非线性方法不仅在癫痫信号检测方面效果显著,更能反映癫痫脑电信号的内在规律,也可为癫痫预测带来新的希望。本文在研究了脑电非线性特性的基础上,提出了两种脑电信号分类的算法,这两种方法主要是基于脑电的非线性特征,并通过支持向量机(SVM)分类器实现分类。基于Hurst指数和支持向量机的癫痫脑电分类算法,首先计算Hurst指数来度量脑电时间序列的长程相关性；然后使用切比雪夫Ⅱ型零相位数字滤波器对脑电数据进行带通滤波以突出相应频带的特征,同时抑制伪差信号的干扰,再计算相应频段内波幅的相对幅度以体现脑电信号能量的变化；最后将Hurst指数和波幅的相对幅度输入到SVM分类器实现癫痫波的自动检测。基于去趋势波动分析方法(DFA)和支持向量机的癫痫脑电分类算法,通过对脑电数据采用DFA方法计算标度指数a,然后对脑电进行滤波以突出相应频带的特征和抑制伪差干扰,再计算相应频段内的波动指数。以标度指数α和波动指数为特征,通过SVM分类器实现癫痫波的自动分类。经过临床脑电数据的仿真测试,结果表明这两种脑电分类算法均可有效地区分癫痫脑电和正常脑电,取得了良好的分类效果。

论文目录

• 摘要
• ABSTRACT
• 符号说明
• 第1章 绪论
• 1.1 脑电波的介绍
• 1.2 癫痫脑电波的特点
• 1.3 癫痫自动检测的研究目的和意义
• 1.4 癫痫自动检测技术的国内外研究和应用现状
• 1.5 本文研究技术路线与主要内容
• 第2章 计算机辅助癫痫检测的主要研究方法和一般流程
• 2.1 当前计算机辅助癫痫检测的主要研究方法
• 2.2 计算机辅助癫痫脑电检测的一般流程
• 第3章 非线性系统基本知识
• 3.1 前言
• 3.2 非线性动力学系统
• 3.3 非线性时间序列
• 3.4 非线性常用的度量方法
• 第4章 切比雪夫Ⅱ型带通滤波器和零相位数字滤波器
• 4.1 前言
• 4.2 切比雪夫Ⅱ型带通滤波器
• 4.2.1 切比雪夫滤波器
• 4.2.2 选择切比雪夫Ⅱ型带通滤波器的原因
• 4.3 零相位数字滤波器
• 第5章 支持向量机
• 5.1 引言
• 5.2 支持向量机分类原理
• 5.3 线性支持向量机
• 5.4 非线性支持向量机
• 第6章 基于HURST指数和SVM的自动癫痫检测
• 6.1 引言
• 6.2 HURST指数
• 6.3 实验数据
• 6.4 基于HURST指数和SVM的自动癫痫检测
• 6.4.1 计算Hurst指数
• 6.4.2 脑电滤波
• 6.4.3 波幅的相对均值
• 6.4.4 SVM脑电分类
• 6.5 本章小结
• 第7章 基于DFA和SVM的癫痫脑电检测方法
• 7.1 引言
• 7.2 实验数据
• 7.3 DFA定标指数和波动指数的计算方法
• 7.3.1 DFA定标指数的计算方法
• 7.3.2 脑电波动指数
• 7.4 基于DFA和SVM的自动癫痫检测
• 7.5 实验结果
• 全文总结和展望
• 参考文献
• 致谢
• 附录:本人硕士研究生期间发表论文和参与的项目
• 学位论文评阅及答辩情况表