癲癇腦電的分類識別及自動檢測方法研究.pdf

1、癲癇發(fā)作是腦內神經(jīng)元陣發(fā)性異常超同步化電活動的臨床表現(xiàn)，具有反復性、突發(fā)性和暫時性等特點。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方法所不能提供的。利用信號處理技術和模式識別方法自動檢測癲癇腦電信號，對于減輕醫(yī)生負擔并提高癲癇的診斷效率具有重要意義。
　　目前，在腦電信號的分析研究中，非線性動力學的應用為癲癇腦電的識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雜的計算過程，無法保證檢測算法的

2、實時性。同時，傳統(tǒng)的“腦電特征提取+分類器”的自動檢測方法會提取多個腦電特征，然后組成特征向量或進行特征選擇，這樣進一步加劇了算法的計算復雜度，并且增加了特征選取的難題。本文立足于腦電信號的特征提取、分類識別和癲癇發(fā)作的自動檢測的研究，圍繞腦電信號的非線性特征提取、分形特性以及基于稀疏表示的腦電分類等內容展開以下研究:
　　首先，本文將非線性動力學的重要分支——分形幾何理論應用到腦電信號的分析與處理中。將常用于圖像分形計算的微分盒

3、維算法引入到一維腦電信號的分形分析中，計算了腦電信號的盒維數(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，本文又通過改進毯子覆蓋技術計算出腦電信號的多尺度毯子維及其分形截距，并發(fā)現(xiàn)在不同尺度上它們在臨近癲癇發(fā)作前均會出現(xiàn)明顯變化。
　　其次，本文基于所提出的腦電分形特征進一步提出了癲癇發(fā)作檢測與預測方法。將腦電信號的微分盒維的分形截距作為其非線性特征，然后結合極端學習機(ELM)分類器，

4、提出了一種適于多導長程腦電的癲癇發(fā)作檢測方法。采用BLDA算法對腦電的多尺度毯子維及其分形截距在發(fā)作前期的變化進行檢測，從而實現(xiàn)了對癲癇發(fā)作的預報。實驗驗證的結果不僅說明了本文所提出的腦電分形特征的有效性，而且體現(xiàn)了所提出的檢測和預測方法的良好性能。
　　再次，本文依據(jù)稀疏表示分類方法，提出了一種基于Kernel稀疏表示的癲癇腦電識別算法。在該方法框架中，先通過求解最小l1范數(shù)優(yōu)化問題求得待測腦電在腦電訓練集上的稀疏表示系數(shù)，然后

5、，分別計算發(fā)作期訓練樣本和間歇期訓練樣本對待測腦電的稀疏表示重構誤差，通過比較誤差的大小來確定待測腦電的類別。與常見的“腦電特征提取+分類器”的腦電分類方法不同，基于稀疏表示的腦電識別方法避免了腦電特征提取和選擇的問題，更加完整地保留了腦電信號所攜帶的信息。為了進一步提高識別效果，本文將核函數(shù)技術與稀疏表示分類方法相結合，通過預先增強腦電樣本的可分性來進一步提高對癲癇腦電的識別率。實驗結果表明，基于Kernel稀疏表示的腦電分類方法取得

6、了更加理想的分類性能。
　　最后，在基于稀疏表示的癲癇腦電識別方法的基礎上，進一步將計算待測腦電稀疏表示系數(shù)過程中所利用的最小l1范數(shù)優(yōu)化問題替換為最小l2范數(shù)優(yōu)化問題，從而可以通過正則化最小二乘算法(Regularized Least Square，RLS)解析地求得待測腦電的稀疏系數(shù)，避免了復雜的迭代運算，大大降低了算法的復雜性。由于改進后的方法強調來自所有類別的訓練樣本對測試樣本的協(xié)作表示所起到的關鍵作用，因此稱為協(xié)作表示分

7、類方法。同樣，本文將核函數(shù)技術與協(xié)作表示分類方法相結合，并且將兩類腦電訓練樣本所對應的重構誤差相減，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)作檢測方法。利用連續(xù)長程腦電數(shù)據(jù)對該方法的性能進行評價，實驗發(fā)現(xiàn)，所提出的檢測方法不但取得了較理想的檢測結果，而且其較快的運算速度基本符合實時在線的發(fā)作檢測的需求。
　　本文的研究工作將有助于進一步推動癲癇自動檢測在技術理論