基于稀疏表示和特征提取的癲癇腦電分類識別方法研究.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)生物電信號的傳遞活動，外在表現(xiàn)為身體抽搐、語言障礙、意識恍惚以及精神失常等，嚴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，獲取方便且對患者無任何創(chuàng)傷性損傷，是目前癲癇診斷中最有價值的一項輔助檢查。臨床中癲癇的診斷主要依靠腦電圖的視覺檢測，由于癲癇發(fā)作的不確定性，常常需要對患者的腦電波進行長期的實時監(jiān)測，檢測時間長、效率低，并且根據(jù)醫(yī)生的臨床經(jīng)驗及主

2、觀判斷容易出現(xiàn)不一致的檢測情況。因此，高精度識別癲癇發(fā)作期腦電信號實現(xiàn)癲癇發(fā)作的自動檢測是值得努力的。
　　結合大腦神經(jīng)系統(tǒng)的復雜性以及腦電信號非線性和非平穩(wěn)的特點，本文從兩方面研究癲癇腦電信號的分類識別問題：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)作時大腦皮層異常放電機制，為研究系統(tǒng)復雜行為變化和癲癇腦電信號的分類識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、動力學分析方法，定量描述了系統(tǒng)的周期性嵌入過程和確定性變化規(guī)律。當訓練樣本空間足夠大時，對于一個類別的物體，可以由訓練樣本中同類的樣本子空間近似來表示。稀疏表示來源于壓縮感知，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練樣本對測試樣本的重構誤差，實現(xiàn)對癲癇發(fā)作信號的高精度檢測與分類。具體研究內容和創(chuàng)新點如下：
　?。?）提出了基于遞歸量化分析（RQA）的癲癇腦電特征提取方法。首先對樣本數(shù)據(jù)進行

4、相空間重構，然后計算癲癇腦電信號的遞歸圖，提取遞歸量化分析RQA參數(shù)值作為非線性特征，選取適當?shù)姆诸愰撝祵d癇發(fā)作期信號與正常腦電信號分離開來。為了進一步提高癲癇腦電自動檢測的精度，采用非線性和線性特征相結合的方法，將RQA量化值與變化系數(shù)、波動指數(shù)一起組成特征向量作為SVM的輸入，實現(xiàn)癲癇腦電的自動檢測。實驗結果表明提取的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)的非線性動力學特性。
　　（2）提出了基于稀

5、疏表示和小波變換的癲癇腦電分類識別方法。稀疏表示通過構建過完備字典以及解決 l1最小化問題，追求用最小數(shù)量的字典元素最優(yōu)地表示待測樣本。首先對癲癇腦電信號進行預處理，然后根據(jù)小波變換的時頻分析特性對癲癇腦電信號樣本進行多尺度分解得到各個頻率子帶?；谛〔l率子帶數(shù)據(jù)構建字典，利用SRC模型將待測樣本的小波子帶表示為字典內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)對待測

6、樣本進行重構，并計算冗余誤差，通過誤差大小判定測試樣本所屬的類別。
　?。?）提出了基于K-SVD字典學習和稀疏表示的EEG信號分類方法。由于EEG信號是非平穩(wěn)的，首先利用經(jīng)驗模態(tài)分解（EMD）將EEG信號分解為有限個本征模態(tài)函數(shù)IMFs，所分解出來的各IMF分量從不同時間尺度上表示了原信號的局部特性。提取IMF分量信號的變化系數(shù)、波動指數(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樣本在當前特征字典上的稀疏表示，利用