基于稀疏表示和特征提取的癲癇腦電分類識(shí)別方法研究.pdf

1、癲癇是一種神經(jīng)系統(tǒng)綜合疾病，發(fā)作時(shí)大腦神經(jīng)元異常放電，從而擾亂神經(jīng)系統(tǒng)生物電信號(hào)的傳遞活動(dòng)，外在表現(xiàn)為身體抽搐、語(yǔ)言障礙、意識(shí)恍惚以及精神失常等，嚴(yán)重影響了患者正常的生活與工作。腦電圖包含大量的生理與病理的信息，獲取方便且對(duì)患者無(wú)任何創(chuàng)傷性損傷，是目前癲癇診斷中最有價(jià)值的一項(xiàng)輔助檢查。臨床中癲癇的診斷主要依靠腦電圖的視覺(jué)檢測(cè)，由于癲癇發(fā)作的不確定性，常常需要對(duì)患者的腦電波進(jìn)行長(zhǎng)期的實(shí)時(shí)監(jiān)測(cè)，檢測(cè)時(shí)間長(zhǎng)、效率低，并且根據(jù)醫(yī)生的臨床經(jīng)驗(yàn)及主

2、觀判斷容易出現(xiàn)不一致的檢測(cè)情況。因此，高精度識(shí)別癲癇發(fā)作期腦電信號(hào)實(shí)現(xiàn)癲癇發(fā)作的自動(dòng)檢測(cè)是值得努力的。
　　結(jié)合大腦神經(jīng)系統(tǒng)的復(fù)雜性以及腦電信號(hào)非線性和非平穩(wěn)的特點(diǎn)，本文從兩方面研究癲癇腦電信號(hào)的分類識(shí)別問(wèn)題：非線性特征提取方法和稀疏表示分類方法。非線性方法主要研究大腦系統(tǒng)功能狀態(tài)的變化特征，有利于揭示癲癇發(fā)作時(shí)大腦皮層異常放電機(jī)制，為研究系統(tǒng)復(fù)雜行為變化和癲癇腦電信號(hào)的分類識(shí)別提供了新的思想和方法。遞歸量化分析方法作為一種非線性

3、動(dòng)力學(xué)分析方法，定量描述了系統(tǒng)的周期性嵌入過(guò)程和確定性變化規(guī)律。當(dāng)訓(xùn)練樣本空間足夠大時(shí)，對(duì)于一個(gè)類別的物體，可以由訓(xùn)練樣本中同類的樣本子空間近似來(lái)表示。稀疏表示來(lái)源于壓縮感知，突破了Nyquist采樣定理的限制，利用了l1范數(shù)最小化稀疏約束比較不同類別的訓(xùn)練樣本對(duì)測(cè)試樣本的重構(gòu)誤差，實(shí)現(xiàn)對(duì)癲癇發(fā)作信號(hào)的高精度檢測(cè)與分類。具體研究?jī)?nèi)容和創(chuàng)新點(diǎn)如下：
　?。?）提出了基于遞歸量化分析（RQA）的癲癇腦電特征提取方法。首先對(duì)樣本數(shù)據(jù)進(jìn)行

4、相空間重構(gòu)，然后計(jì)算癲癇腦電信號(hào)的遞歸圖，提取遞歸量化分析RQA參數(shù)值作為非線性特征，選取適當(dāng)?shù)姆诸愰撝祵d癇發(fā)作期信號(hào)與正常腦電信號(hào)分離開(kāi)來(lái)。為了進(jìn)一步提高癲癇腦電自動(dòng)檢測(cè)的精度，采用非線性和線性特征相結(jié)合的方法，將RQA量化值與變化系數(shù)、波動(dòng)指數(shù)一起組成特征向量作為SVM的輸入，實(shí)現(xiàn)癲癇腦電的自動(dòng)檢測(cè)。實(shí)驗(yàn)結(jié)果表明提取的RQA特征值能較好地反映間歇期腦電與發(fā)作期腦電這兩種不同腦電狀態(tài)的非線性動(dòng)力學(xué)特性。
　?。?）提出了基于稀

5、疏表示和小波變換的癲癇腦電分類識(shí)別方法。稀疏表示通過(guò)構(gòu)建過(guò)完備字典以及解決 l1最小化問(wèn)題，追求用最小數(shù)量的字典元素最優(yōu)地表示待測(cè)樣本。首先對(duì)癲癇腦電信號(hào)進(jìn)行預(yù)處理，然后根據(jù)小波變換的時(shí)頻分析特性對(duì)癲癇腦電信號(hào)樣本進(jìn)行多尺度分解得到各個(gè)頻率子帶。基于小波頻率子帶數(shù)據(jù)構(gòu)建字典，利用SRC模型將待測(cè)樣本的小波子帶表示為字典內(nèi)同頻率原子的線性組合，有助于 EEG不同頻率范圍特征波形的識(shí)別。最后分別由發(fā)作期和間歇期的字典原子和稀疏表示系數(shù)對(duì)待測(cè)

6、樣本進(jìn)行重構(gòu)，并計(jì)算冗余誤差，通過(guò)誤差大小判定測(cè)試樣本所屬的類別。
　?。?）提出了基于K-SVD字典學(xué)習(xí)和稀疏表示的EEG信號(hào)分類方法。由于EEG信號(hào)是非平穩(wěn)的，首先利用經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）將EEG信號(hào)分解為有限個(gè)本征模態(tài)函數(shù)IMFs，所分解出來(lái)的各IMF分量從不同時(shí)間尺度上表示了原信號(hào)的局部特性。提取IMF分量信號(hào)的變化系數(shù)、波動(dòng)指數(shù)等特征組成稀疏表示字典。然后利用正交匹配追蹤算法求解待測(cè)樣本在當(dāng)前特征字典上的稀疏表示，利用