基于腦電棘波頻次和AR模型的癲癇發(fā)作預測算法.pdf

1、癲癇是一種由大量大腦神經(jīng)元突發(fā)同步放電而引發(fā)的腦功能絮亂綜合癥。據(jù)統(tǒng)計，全球癲癇患者數(shù)量超過了5000萬人，癲癇的反復發(fā)作嚴重威脅著患者的身心健康。若能夠提前預測癲癇發(fā)作時間，不僅有利于對患者采取預防保護措施，也有助于對癲癇的發(fā)病機理及癲癇的診斷和治療進行深入探索。因而，目前國內外有眾多學者都致力于癲癇預測的研究工作。
　　 棘波是癲癇樣放電最具特征性的表現(xiàn)之一。在腦電圖(electroencephalogram，EEG)中，它

2、是一種明顯區(qū)別于背景的，突發(fā)性的波形變化，其波幅大小各異，棘波的出現(xiàn)說明腦部有刺激性病灶，因此在臨床癲癇檢查中，最重要的是觀察腦電圖中是否存在棘波。自回歸(AutoRegressive，AR)模型是一種線性預測方法，可以很好的應用到腦電信號的分析處理中，假設腦電信號可以由線性濾波器描述其產(chǎn)生過程并可以用AR過程進行逼近，通過選取合適的階次和參數(shù)就可以使AR過程盡可能逼近腦電信號。因此，本文在分析了四個不同腦電時期信號中棘波頻次和AR參數(shù)

3、變化規(guī)律的基礎上，提出了一種以腦電棘波頻次和AR參數(shù)為特征的癲癇預測算法。
　　 對于大多數(shù)線性分類算法，可以得到測試樣本分類后的標簽，但不能得到測試樣本屬于某一類的概率值。貝葉斯線性判別分析(Bayesian Linear DiscriminantAnalysis，BLDA)是基于證據(jù)框架的貝葉斯回歸，它不僅能得到測試樣本分類后的標簽，還可以得到測試樣本屬于某一類的概率值，因而被廣泛應用。BLDA可看作為Fisher線性判別分

4、析(Fisher Linear Discriminant Analysis，F(xiàn)LDA)的擴展。與FLDA方法相比，BLDA方法采用正則化解決高維數(shù)據(jù)伴隨噪聲的過擬合問題，本文將使用BLDA作為線性分類器。
　　 算法首先對腦電圖信號進行預處理以濾除高頻干擾和工頻干擾，并用移動窗技術對EEG信號進行分段處理。然后對每段信號提取棘波頻次和AR參數(shù)作為特征向量，并通過BLDA進行分類判別，最后將分類結果進行卡爾曼濾波(KalmanFi

5、lter, KF)處理，去除瞬變信號，平滑分類結果。本文算法的實驗數(shù)據(jù)來源于德國Freiburg醫(yī)學院的癲癇研究中心的癲癇數(shù)據(jù)庫，包括21例癲癇患者共87次癲癇發(fā)作的顱內EEG數(shù)據(jù)。實驗結果表明，除去用于訓練的40次癲癇發(fā)作外，剩余的47次癲癇發(fā)作有42次被正確預測，算法靈敏度達到89.36％，錯誤預測率僅為0.09次/每小時。
　　 文章最后將本文算法與累積能量增量法和基于小波變換的相位同步化分析法進行比較，比較結果顯示本文提