基于ICA与小波阈值的癫痫脑电信号去噪方法

在癫痫性发作的自动检测中,脑电信号的去噪对检测结果起着至关重要的作用。文中提出了一种新的基于ICA与小波阈值的癫痫脑电信号去噪方法。该方法首先利用ICA将多通道癫痫脑电信号分解为若干独立分量;其次基于独立分量与脑电信号间的夹角余弦识别含噪独立分量并用小波阈值对其去噪处理;最终,在去噪后的癫痫脑电信号与原始癫痫脑电信号中提取样本熵作为脑电特征,并结合超限学习机完成癫痫性发作的自动检测。实验结果表明,在去噪后癫痫脑电信号上的分类性能均优于原始癫痫脑电信号,该文所提方法一定程度上达到了自动去除脑电噪声的效果。同时,该方法避免了去噪过程中对噪声人工辨别及干净参考噪声选取等问题。     

癫痫脑电的特征提取方法综述

癫痫是一种常见的以反复癫痫性发作为特征的慢性神经系统疾病。癫痫性发作的自动检测是通过机器学习及数据挖掘等方法对癫痫发作脑电自动识别的一种技术。如何设计合适的脑电特征提取方法是有效完成癫痫性发作自动检测的关键所在。文中系统总结了用于癫痫性发作自动检测的脑电特征提取方法,分别从时域分析、频域分析、时频分析、非线性动力学、图论、癫痫计算模型6个方面将已有的癫痫脑电特征提取方法进行归类,并对每类方法的基本原理和设计思想进行了系统的阐述。     

基于多分类SVM算法的癫痫发作自动检测方法

高性能的癫痫脑电信号自动检测方法对减轻医生负担并提高癫痫的诊断效率具有重要临床研究意义。论文提出了一种能够区分正常、癫痫发作和发作间期脑电信号的高性能三分类系统。采用Daubechies 4小波构成的4级提升式小波变换将脑电信号分解为不同子带信号,求得不同子带信号的近似熵、Teager能量、局部波动率、自回归系数、Hurst指数特征值;利用Fisher得分法进行特征选择,提高分类精度同时减小计算复杂度;基于二叉树多分类支持矢量机(support vector machine, SVM)对脑电信号分类,实现正常、癫痫发作和发作间期信号的自动检测。实验表明,系统的准确率、灵敏度和特异性均达到100%,优于现有的分类识别方法,提出的三分类系统具有良好的分类性能,为癫痫及癫痫发作的临床检测提供了较好参考价值。     

基于单导脑电经验模式分解的癫痫发作预测

目的寻找一种通过单通道脑电分析实现癫痫发作预报的新方法。方法从西京医院癫痫中心的临床病例中选择7名受试者记录癫痫发作前后8个通道的脑电,对发作前的各导脑电信号进行经验模式分解,提取分解后各分量的复杂性测度,将其作为一个4层（7-6-2-1）神经网络的输入进行非线性分类,神经网络的训练采用去一循环法（leave one out）。结果研究表明,所提出的方法在预报癫痫发作时的表现为：根据所用脑电导联不同,准确度为71.7%-78.3%,特异性为71.4%-88.1%,敏感性为50%-77.8%范围。另外,系统运算速度足够快,适合临床实时检测需要。结论所提出的方法在预测癫痫发作时有一定优势,但进一步的研究仍然是必要的。     

基于多频段图模型的微弱脑电信号异常检测

脑电信号（electroencephalogram,EEG）在癫痫发作检测方面具有重要意义。为了实现对癫痫发作的早期预警,充分利用δ,θ,α,β和 γ波这五个频段中脑电的微弱变化信息和图模型的独特优势,提出了基于多频段图模型的脑电信号微弱异常变化检测方法。该方法首先对滤波后脑电信号的5个频段分别进行图模型动态建模,利用距离函数得到量化图模型之间关系的相似性分数,并用自适应权重融合算法融合所有的相似性分数得到综合性指标,最终通过假设检验来判断脑电信号是否发生异常。利用公开的波士顿儿童医院-麻省理工学院(Children’s Hospital Boston - Massachusetts Institute of Technology, CHB-MIT)头皮脑电信号数据库和山东大学第二医院神经内科的EEG数据库分别进行了实验,并最终用查准率、查全率和F分数来评价所提方法的检测性能。通过与基准方法比较,实验结果表明：所提方法在查准率和F分数方面优于基准方法,且查全率结果可达100%,表明所提方法能够检测所有潜在的微弱脑电信号异常变化,实现了对所有癫痫发作时刻的变化检测,具有突出的优越性和广阔的应用潜力。     

利用高频脑电的局灶性癫痫患者癫痫发作检测

针对现有的大多数癫痫发作自动检测方法都是在脑电的低频段进行而忽略高频成分这一现象,利用长时程头皮脑电的高频成分对局灶性癫痫患者进行癫痫发作检测。首先将19通道的脑电数据在一个滑动时间窗内利用小波分解提取出高频γ波段,再利用有向传递函数算法来提取信息流特征,求得流出信息强度特征用以降维,然后将此波段的特征通过支持向量机进行分类,通过五重交叉验证得到癫痫发作效果评价。结果表明:利用高频检测脑电癫痫发作的正确率为98.4%,平均选择性为60.7%,平均敏感性为93.4%,平均特异性为98.4%,平均检出率为95.9%;通过和使用其他子频带进行癫痫发作检测的结果对比发现,γ波段有着更高的分类效果;表明了对于局灶性癫痫患者,在癫痫发作时,其γ波段的流出信息强度显著性集中和增强在某些脑区。研究内容验证了癫痫发作与脑电中高频成分有关的观点。     

基于深度学习的癫痫脑电通道选择与发作检测

传统癫痫发作通道选择方法需要提取特征,然后人工进行特征选择,最后基于所选特征训练分类器实现发作检测.为优化特征提取与选择过程,提出一种具有自学习特性,基于深度学习的癫痫脑电通道选择与发作自动检测组合模型.该方法利用卷积自编码器对癫痫脑电数据进行自适应特征提取,获得代表不同通道的特征子集;依据费舍尔准则筛选出特征子集与脑电通道;通过基于参数迁移的一维卷积神经网络实现癫痫发作脑电信号的检测.使用PhysioNet网站中的CHB-MIT数据库中8例有效数据量较为充足的病患脑电数据对组合模型进行有效性评价.对比该方法与基于方差、方差差异性和随机筛选方法得到的结果,在测试集上对癫痫发作检测的准确率、真阳性率、假阳性率的平均值分别达到了92.79%、93.07%、5.16%,均优于其他方法,且模型收敛速度所需的迭代次数平均仅为其他方法的10%.该方法在癫痫脑电发作检测效果和模型训练成本方面都有一定优势,且在进行脑电通道筛选时不需要手动提取特征,同时也可用于阿尔兹海默症等其他脑部疾病辅助诊断个性化检测模型的建立.     

一种新的癫痫脑电融合特征提取方法

癫痫是一种常见的大脑神经紊乱疾病,癫痫性发作主要由大脑中反常的神经元的超同步放电引起。为了更好地完成癫痫性发作的自动检测,文中提出了一种新的癫痫脑电融合特征提取方法。一方面,在基于Hjorth参数的振幅移动性与振幅复杂度的基础上,结合Hilbert变化提出了一种新的频率移动性与频率复杂度,然后将他们合成定义为改进的Hjorth参数特征;另一方面,结合二阶差分提出了一种改进的二阶差分样本熵。最后将改进的Hjorth参数特征与二阶差分样本熵一起作为融合特征放入超限学习机(ELM)中进行分类。数值实验结果表明,文中所提出的融合特征与ELM结合的癫痫性发作的自动检测方法与已有方法相比,检测性能有了很大提高,准确率可达到97.42%。     

一种基于S变换及样本熵组合特征的癫痫脑电信号分类方法

癫痫脑电信号的自动检测对癫痫的临床诊断与治疗具有重要意义。为了解决脑电信号采用单一特征识别率不高的问题,提出了一种基于S变换与样本熵组合的癫痫脑电信号自动识别方法。首先对原始信号进行S变换;然后对变换后脑电信号各节律的幅值分别求其波动指数,将其与原始信号计算得到的样本熵组合为特征向量;最后采用支持向量机进行癫痫脑电信号自动识别。实验结果表明:方法的分类准确率明显提高,准确率可达到98.94%。     

去除癫痫脑电信号运动伪迹的变分模态分解-自适应熵阈值方法

针对癫痫发作前期脑电信号中含有运动伪迹影响癫痫预测的问题,提出一种变分模态分解-自适应熵阈值(VMD-AET)的运动伪迹去除方法。设计了实验室环境下8种模拟运动状态,分析不同运动状态下脑电信号的变化规律;利用VMD方法获得脑电信号各频带的变分模态分量,对分量进行能量熵求解和排序;采用不同的熵阈值进行运动状态下伪迹分量的去除,比较得到能量熵的最优阈值,得到不含运动伪迹的脑电信号;采用Matlab软件使用VMD-AET方法实现了脑电信号中运动伪迹的有效去除。实验结果表明:每种运动状态均能达到去伪迹效果,在跑步时伪迹去除率和信噪比提升最高;对癫痫病人发作前期脑电信号的伪迹去除率为5.54%,信噪比提升达到10.35 dB;与常用的独立成分分析和经验模式分解的阈值法进行对比,所提VMD-AET方法的伪迹去除率和信噪比提升了1.47%和3.36 dB,可满足对移动脑电运动干扰的预处理要求。