癲癇腦電的分形分析及自動(dòng)檢測(cè)方法研究.pdf

1、癲癇是一種常見(jiàn)的慢性腦部疾病，影響全世界近1％的人口。長(zhǎng)期反復(fù)突然的癲癇發(fā)作，給患者帶來(lái)極大的痛苦和嚴(yán)重的身心傷害。癲癇發(fā)作是多種病因引起的大腦神經(jīng)元群突發(fā)性異常超同步化放電的結(jié)果，約80％的癲癇患者存在腦電圖異?，F(xiàn)象。因此，腦電圖檢查與分析是癲癇疾病診斷、病灶定位和發(fā)作類(lèi)型判斷的重要手段。而借助計(jì)算機(jī)技術(shù)，研究癲癇腦電信號(hào)的自動(dòng)分析與檢測(cè)方法，對(duì)提高癲癇診斷的效率和研制閉環(huán)癲癇刺激器，具有重要意義。
　　腦電圖（Electroe

2、ncephalogram，EEG）信號(hào)作為大腦神經(jīng)元電活動(dòng)在頭皮表面或大腦皮層的總體反應(yīng)，具有復(fù)雜的非線(xiàn)性特性。雖然EEG信號(hào)的非線(xiàn)性分析得到了癲癇自動(dòng)檢測(cè)研究人員的重視，但是EEG信號(hào)的分形特性研究較少。分形理論是現(xiàn)代非線(xiàn)性科學(xué)的一個(gè)重要分支，研究EEG信號(hào)的分形特性，有助于進(jìn)一步了解癲癇發(fā)作過(guò)程中大腦混沌動(dòng)力活動(dòng)的內(nèi)在本質(zhì)。同時(shí)，由于癲癇發(fā)作的機(jī)理非常復(fù)雜，發(fā)作類(lèi)型和過(guò)程多種多樣，不同的癲癇患者，甚至是同一患者的不同次發(fā)作，其發(fā)作過(guò)

3、程都不相同。因此，目前的癲癇發(fā)作自動(dòng)檢測(cè)技術(shù)還難以滿(mǎn)足臨床應(yīng)用所提出的準(zhǔn)確性、實(shí)時(shí)性和魯棒性要求。針對(duì)癲癇腦電分析和發(fā)作檢測(cè)領(lǐng)域存在的上述問(wèn)題，本文對(duì)癲癇腦電信號(hào)的分形及多重分形特性進(jìn)行系統(tǒng)、深入的研究，并將機(jī)器學(xué)習(xí)和模式識(shí)別領(lǐng)域的前沿算法或分類(lèi)器模型引入到癲癇發(fā)作檢測(cè)領(lǐng)域，研究準(zhǔn)確度高、實(shí)時(shí)性好的癲癇發(fā)作檢測(cè)方法。具體研究?jī)?nèi)容包括以下幾方面。
　　首先，研究EEG信號(hào)的Higuch分形維數(shù)在癲癇發(fā)作前期的演化規(guī)律，并從發(fā)作機(jī)理的

4、角度進(jìn)行分析解釋;將發(fā)作前期EEG信號(hào)Higuchi分形維數(shù)的變化，作為癲癇發(fā)作的先兆特征，結(jié)合貝葉斯線(xiàn)性判別分析器，提出一種癲癇發(fā)作預(yù)測(cè)算法，對(duì)發(fā)作前期腦電進(jìn)行檢測(cè)識(shí)別。該算法在Freiburg癲癇腦電數(shù)據(jù)集上，達(dá)到較高的預(yù)測(cè)靈敏度和較低的誤報(bào)率，同時(shí)具有較低的計(jì)算成本。
　　然后，對(duì)比研究發(fā)作期與間歇期腦電的K近鄰分形維數(shù)，發(fā)現(xiàn)兩類(lèi)腦電信號(hào)的K近鄰分形維數(shù)具有顯著的統(tǒng)計(jì)差異性。于是引入梯度Boosting集成學(xué)習(xí)算法，提出一種

5、基于K近鄰分形維數(shù)和梯度Boosting的癲癇發(fā)作檢測(cè)方法。在Freiburg長(zhǎng)程腦電數(shù)據(jù)集上，不但取得了較高的檢測(cè)靈敏度和較低的誤檢率，而且對(duì)發(fā)作期起始時(shí)刻(Onset)的檢測(cè)延時(shí)小，21例癲癇患者的平均檢測(cè)時(shí)延僅為2.46秒。
　　接著，本文從對(duì)癲癇EEG進(jìn)行單一分形維數(shù)的算法研究和特性分析，進(jìn)一步擴(kuò)展和深入到研究EEG信號(hào)的多重分形特性，用多重分形譜深層次地刻畫(huà)癲癇腦電的局部奇異性和分形特性的不均勻性。在證明癲癇腦電信號(hào)具有

6、多重分形特性的基礎(chǔ)上，對(duì)EEG信號(hào)多重分形譜參數(shù)的物理意義進(jìn)行解釋?zhuān)⑼ㄟ^(guò)對(duì)比研究，發(fā)現(xiàn)發(fā)作期與間歇期EEG的多重分形特性和譜參數(shù)(α0、αmin、αmax、△α、f(αmin)、αmax)、△f、R）都具有顯著的統(tǒng)計(jì)差異性。
　　最后，將癲癇患者EEG信號(hào)的多重分形譜特征與相關(guān)向量機(jī)相結(jié)合，提出一種融合多導(dǎo)聯(lián)判決結(jié)果的癲癇發(fā)作檢測(cè)系統(tǒng)。在對(duì)相關(guān)向量機(jī)輸出的類(lèi)概率進(jìn)行后處理的過(guò)程中，將多導(dǎo)聯(lián)的判決結(jié)果進(jìn)行融合，使其更符合臨床醫(yī)生的

7、診斷過(guò)程。該癲癇發(fā)作檢測(cè)系統(tǒng)在Freiburg癲癇腦電數(shù)據(jù)集上進(jìn)行性能測(cè)試，取得了較高的檢測(cè)靈敏度和識(shí)別率。同時(shí)該檢測(cè)系統(tǒng)具有較低的計(jì)算復(fù)雜度，對(duì)一小時(shí)三導(dǎo)聯(lián)EEG進(jìn)行處理大約只需要1.2分鐘，表現(xiàn)出很好的檢測(cè)實(shí)時(shí)性。
　　本文在對(duì)腦電信號(hào)單一分形維數(shù)的計(jì)算中，所采用的Higuchi算法和K近鄰算法，都是直接從信號(hào)時(shí)域進(jìn)行，不需要重構(gòu)相空間，算法簡(jiǎn)單，計(jì)算復(fù)雜度低;而對(duì)EEG進(jìn)行多重分形分析所采用的Moment方法，相對(duì)于其他研究

8、領(lǐng)域中常用的多重分形去趨勢(shì)波動(dòng)分析法，也具有物理意義簡(jiǎn)單明確，計(jì)算量小等優(yōu)點(diǎn)。因此，本文基于EEG的各分形特征建立的癲癇發(fā)作檢測(cè)算法，大大降低了EEG分析和特征提取所需的時(shí)間，保證檢測(cè)算法具有較好的實(shí)時(shí)性。另外，本文所提出的幾種癲癇發(fā)作檢測(cè)算法中，分別采用了貝葉斯線(xiàn)性判別分析、基于集成學(xué)習(xí)思想的梯度Boosting和基于貝葉斯稀疏學(xué)習(xí)理論的相關(guān)向量機(jī)等前沿的學(xué)習(xí)算法和分類(lèi)器模型，對(duì)腦電模式進(jìn)行分類(lèi)識(shí)別，從而保證檢測(cè)算法具有較高的檢測(cè)準(zhǔn)確