癲癇腦電的分類(lèi)識(shí)別及自動(dòng)檢測(cè)方法研究.pdf

1、癲癇發(fā)作是腦內(nèi)神經(jīng)元陣發(fā)性異常超同步化電活動(dòng)的臨床表現(xiàn)，具有反復(fù)性、突發(fā)性和暫時(shí)性等特點(diǎn)。作為研究癲癇發(fā)作特征的重要工具，腦電圖所反映的發(fā)作信息是其他生理學(xué)方法所不能提供的。利用信號(hào)處理技術(shù)和模式識(shí)別方法自動(dòng)檢測(cè)癲癇腦電信號(hào)，對(duì)于減輕醫(yī)生負(fù)擔(dān)并提高癲癇的診斷效率具有重要意義。
　　目前，在腦電信號(hào)的分析研究中，非線性動(dòng)力學(xué)的應(yīng)用為癲癇腦電的識(shí)別提供了更加豐富的重要信息，但是多數(shù)非線性腦電特征具有較復(fù)雜的計(jì)算過(guò)程，無(wú)法保證檢測(cè)算法的

2、實(shí)時(shí)性。同時(shí)，傳統(tǒng)的“腦電特征提取+分類(lèi)器”的自動(dòng)檢測(cè)方法會(huì)提取多個(gè)腦電特征，然后組成特征向量或進(jìn)行特征選擇，這樣進(jìn)一步加劇了算法的計(jì)算復(fù)雜度，并且增加了特征選取的難題。本文立足于腦電信號(hào)的特征提取、分類(lèi)識(shí)別和癲癇發(fā)作的自動(dòng)檢測(cè)的研究，圍繞腦電信號(hào)的非線性特征提取、分形特性以及基于稀疏表示的腦電分類(lèi)等內(nèi)容展開(kāi)以下研究:
　　首先，本文將非線性動(dòng)力學(xué)的重要分支——分形幾何理論應(yīng)用到腦電信號(hào)的分析與處理中。將常用于圖像分形計(jì)算的微分盒

3、維算法引入到一維腦電信號(hào)的分形分析中，計(jì)算了腦電信號(hào)的盒維數(shù)及其分形截距，并發(fā)現(xiàn)與盒維數(shù)相比，其分形截距能夠更好的區(qū)分癲癇發(fā)作期和間歇期的腦電。之后，本文又通過(guò)改進(jìn)毯子覆蓋技術(shù)計(jì)算出腦電信號(hào)的多尺度毯子維及其分形截距，并發(fā)現(xiàn)在不同尺度上它們?cè)谂R近癲癇發(fā)作前均會(huì)出現(xiàn)明顯變化。
　　其次，本文基于所提出的腦電分形特征進(jìn)一步提出了癲癇發(fā)作檢測(cè)與預(yù)測(cè)方法。將腦電信號(hào)的微分盒維的分形截距作為其非線性特征，然后結(jié)合極端學(xué)習(xí)機(jī)(ELM)分類(lèi)器，

4、提出了一種適于多導(dǎo)長(zhǎng)程腦電的癲癇發(fā)作檢測(cè)方法。采用BLDA算法對(duì)腦電的多尺度毯子維及其分形截距在發(fā)作前期的變化進(jìn)行檢測(cè)，從而實(shí)現(xiàn)了對(duì)癲癇發(fā)作的預(yù)報(bào)。實(shí)驗(yàn)驗(yàn)證的結(jié)果不僅說(shuō)明了本文所提出的腦電分形特征的有效性，而且體現(xiàn)了所提出的檢測(cè)和預(yù)測(cè)方法的良好性能。
　　再次，本文依據(jù)稀疏表示分類(lèi)方法，提出了一種基于Kernel稀疏表示的癲癇腦電識(shí)別算法。在該方法框架中，先通過(guò)求解最小l1范數(shù)優(yōu)化問(wèn)題求得待測(cè)腦電在腦電訓(xùn)練集上的稀疏表示系數(shù)，然后

5、，分別計(jì)算發(fā)作期訓(xùn)練樣本和間歇期訓(xùn)練樣本對(duì)待測(cè)腦電的稀疏表示重構(gòu)誤差，通過(guò)比較誤差的大小來(lái)確定待測(cè)腦電的類(lèi)別。與常見(jiàn)的“腦電特征提取+分類(lèi)器”的腦電分類(lèi)方法不同，基于稀疏表示的腦電識(shí)別方法避免了腦電特征提取和選擇的問(wèn)題，更加完整地保留了腦電信號(hào)所攜帶的信息。為了進(jìn)一步提高識(shí)別效果，本文將核函數(shù)技術(shù)與稀疏表示分類(lèi)方法相結(jié)合，通過(guò)預(yù)先增強(qiáng)腦電樣本的可分性來(lái)進(jìn)一步提高對(duì)癲癇腦電的識(shí)別率。實(shí)驗(yàn)結(jié)果表明，基于Kernel稀疏表示的腦電分類(lèi)方法取得

6、了更加理想的分類(lèi)性能。
　　最后，在基于稀疏表示的癲癇腦電識(shí)別方法的基礎(chǔ)上，進(jìn)一步將計(jì)算待測(cè)腦電稀疏表示系數(shù)過(guò)程中所利用的最小l1范數(shù)優(yōu)化問(wèn)題替換為最小l2范數(shù)優(yōu)化問(wèn)題，從而可以通過(guò)正則化最小二乘算法(Regularized Least Square，RLS)解析地求得待測(cè)腦電的稀疏系數(shù)，避免了復(fù)雜的迭代運(yùn)算，大大降低了算法的復(fù)雜性。由于改進(jìn)后的方法強(qiáng)調(diào)來(lái)自所有類(lèi)別的訓(xùn)練樣本對(duì)測(cè)試樣本的協(xié)作表示所起到的關(guān)鍵作用，因此稱為協(xié)作表示分

7、類(lèi)方法。同樣，本文將核函數(shù)技術(shù)與協(xié)作表示分類(lèi)方法相結(jié)合，并且將兩類(lèi)腦電訓(xùn)練樣本所對(duì)應(yīng)的重構(gòu)誤差相減，所得的差值作為輸出的決策變量，從而引入了平滑濾波等后處理環(huán)節(jié)，提出了較為完善的基于Kernel協(xié)作表示的癲癇發(fā)作檢測(cè)方法。利用連續(xù)長(zhǎng)程腦電數(shù)據(jù)對(duì)該方法的性能進(jìn)行評(píng)價(jià)，實(shí)驗(yàn)發(fā)現(xiàn)，所提出的檢測(cè)方法不但取得了較理想的檢測(cè)結(jié)果，而且其較快的運(yùn)算速度基本符合實(shí)時(shí)在線的發(fā)作檢測(cè)的需求。
　　本文的研究工作將有助于進(jìn)一步推動(dòng)癲癇自動(dòng)檢測(cè)在技術(shù)理論