EEG癲癇信號(hào)的大腦連通性分析算法研究.pdf

1、在中國(guó)，癲癇已成為神經(jīng)科僅次于頭痛的第二大常見(jiàn)病，它是一種反復(fù)發(fā)作的神經(jīng)性疾病。在所有患者中，約有30％的是抗藥性癲癇患者。對(duì)于這類(lèi)患者，采用的治療手段是通過(guò)外科手術(shù)來(lái)切除致癇區(qū)，而手術(shù)成功的關(guān)鍵在于精確定位致癇區(qū)。通過(guò)研究大腦的效應(yīng)連通性算法，用這些算法來(lái)分析記錄到的癲癇腦電信號(hào)，可以為術(shù)前評(píng)估中致癇區(qū)的精確定位提供有效的幫助。因此，本文主要致力于研究大腦效應(yīng)連通性相關(guān)的模型和算法。
　　Wiener-Granger因果方法(W

2、iener-Granger Causality Index，WGCI)是一種典型的數(shù)據(jù)驅(qū)動(dòng)的效應(yīng)連通方法。它是基于一個(gè)隨機(jī)過(guò)程的線性自回歸模型的方法，可以檢測(cè)到多個(gè)時(shí)間序列之間的因果影響關(guān)系。從它推廣出的PDC(Partial Directed Coherence)和NPDC(Nonlinear Partial DirectedCoherence)方法可以在頻率域中分別檢測(cè)到信號(hào)之間線性和非線性的因果關(guān)系。這些方法都依賴(lài)于線性或者非線性

3、自回歸模型，因此，自回歸模型的參數(shù)估計(jì)方法在其中起著至關(guān)重要的作用。OPS(Optimal Parameter Search)和FROLS（Forward Regression Orthogonal Least Squares）是分別針對(duì)于線性和非線性自回歸模型的參數(shù)估計(jì)方法，但是OPS方法中存在兩個(gè)地方的不足:1.算法的抗噪性不佳2.算法的計(jì)算過(guò)程中需要閾值來(lái)作為算法停止的條件，但閾值的選取沒(méi)有理論上的方法?；诖吮疚奶岢隽藘煞N基于g

4、AIC(generalized Akaike Information Criterion)和OPS方法的改進(jìn)算法:1.對(duì)信號(hào)進(jìn)行加窗處理，以減少噪聲帶來(lái)的影響。2.將所有候選項(xiàng)根據(jù)權(quán)重值分為高低兩部分，選取高部分作為最終候選項(xiàng)，以解決閾值難以選取的問(wèn)題。
　　在實(shí)驗(yàn)部分，首先將OPS改進(jìn)方法應(yīng)用于線性自回歸模型，并以此改進(jìn)WGCI方法以提高原始方法的準(zhǔn)確率，隨后將FROLS方法應(yīng)用在非線性自回歸模型和生理模型，并在這個(gè)結(jié)果之上利用