基于多通道EEG信號的癲癇特征提取與識別方法研究.pdf

1、癲癇是最常見的神經系統(tǒng)疾病之一，全世界范圍約1％的人患有癲癇疾病。腦電圖（Electroencephalogram，EEG）作為一種最常用的診斷工具，被用來進行癲癇相關的神經紊亂疾病的監(jiān)測、診斷以及治療。EEG監(jiān)測會產生大量的癲癇數據，醫(yī)療工作者根據經驗和通過對患者的腦電圖進行視覺檢測來進行癲癇疾病診斷，非常耗時。此外，由于分析的主觀性，不同專家對于同一記錄的判斷結果也不盡相同，因此，自動癲癇檢測技術的研究顯得十分重要。本文采用多通道E

2、EG信號對癲癇發(fā)作特征提取與識別方法進行了研究，主要包括以下三個方面的內容：
　?。?）針對采集的腦電數據中可能存在的眨眼、心電、肌電等偽跡干擾問題，提出了一種FastICA-MARA算法進行預處理。首先對多通道的EEG信號進行獨立分量分析，采用了基于負熵最大化的FastICA算法得到多個獨立分量，然后提取各個獨立分量的MARA特征值，并采用MARA工具箱進行二分類，將分類器判定為偽跡的獨立分量置零，聯合獨立分量分析過程中得到的混

3、合矩陣，即可實現去噪后的信號重構。采用癲癇患者的腦電數據進行實驗，實驗結果表明，FastICA-MARA的去噪性能和TDSEP-MARA一樣好，且迭代速度更快。
　?。?）對去噪后的信號進行熵分析，提取癲癇腦電特征，構建熵特征集用于癲癇腦電信號的分類識別。提出了一種模式熵算法用來表征非線性信號的某一模式在不同時間周期內出現的概率，該方法在分析非線性信號復雜度上與樣本熵一樣具有良好的性能?？紤]到采集的信號是多通道的，為了在衡量信號復

4、雜度的同時能將多通道信號之間的相關性考慮在內，還采用了多元多尺度熵算法提取癲癇腦電信號特征。為了進行癲癇腦電信號分類，采用模式熵算法和多元多尺度熵算法構建分類識別所需要的熵特征集。
　?。?）針對支持向量機的參數選取對其分類準確率的影響很大的問題，采用了網格搜索算法、種群算法以及粒子群算法對支持向量機中的核函數參數以及懲罰因子參數進行了優(yōu)化。癲癇腦電信號的分類識別結果表明，基于參數優(yōu)化的支持向量機性能比較穩(wěn)定，而且基于群智能優(yōu)化算