计算机分析脑电波信号的算法研究及实现方法

本文描述了一种EEG自动分析中排除伪差的基于知识的系统,对脑电图伪差及癫痫病棘波的识别方法进行了探讨：运用时城分析法并全面地利用16个通道上可得到的前后信息识别伪差;用波形分析法来识别癫痫病棘波。初步实验结果表明,本方案预处理方法简便,波形特征易于提取,识别算法灵活,功能齐全,能识别各种通常在EEG中出现的伪差,在适当的抽样速率下并能准确检测棘波。     

一种高分辨率时频分析方法用于痫样脑电波识别的研究

痫样脑电波的自动识别，对于临床癫痫诊断和长时间的脑电监护具有重要的价值。文章在对一种高分辨率的时频分析方法－离散Ｇａｂｏｒ谱分解研究的基础上，对２０例癫痫患者的临床脑电信号进行了分析研究，从这些脑电信号的时频说待高线图上，得到了易于自动识别棘波和棘慢复合波的特征。     

一种改进的脑电癫痫波自动分析系统

脑电癫痫波的自动检测与分类是具有重要临床意义的课题。现存的算法大都着重于对棘、尖波形的检测 ,而忽略了慢波所包含的有用信息。为满足临床要求 ,论文提出了一种改进的脑电癫痫波自动分析系统。系统采用“分层次、多方法”的检测策略 ,兼顾了各种癫痫病理波形 ;整个处理过程综合应用了自适应预测、小波变换、人工神经网络、启发式规则等多种信号处理方法。经临床数据测试 ,该系统对癫痫波的总检测率达 83.6 % ,误检率为 1.1%。通过分层次处理 ,运用多方法的结合 ,可以提高检测敏感度和特异度 ,减少计算量 ,适合对长程脑电数据进行分析     

利用BRIR提取脑电信号基本节律特征及其虚拟仪器系统

研制了一种“虚拟式脑电记录分析仪”，不仅可以实现脑电信号的无纸描记、记录和显示，而且可以对脑电信号进行定量分析，进行脑电特征波形(如癫痫样波、棘波等)提取和时频域特征分析，从临床应用的角度出发，该仪器引入了频带相对强度比(BRIR)的概念，利用时频分析方法，可以获得某一时刻各个基本节律的相对强度，从而为医生临床诊断提供了一种较好的辅助分析工具。     

热性感染相关性癫痫综合征1例病例报道并文献复习

目的总结热性感染相关性癫痫综合征(FIRES)的临床表现、脑电图及头颅MRI特征,探讨其发病机制及目前治疗进展。方法分析武汉儿童医院神经内科收治1例FIRES患儿的临床表现、脑电图、头颅MRI特征,复习文献资料,总结其临床、脑电图、头颅MRI特征及诊治进展。结果患儿为学龄期男性儿童,急骤起病,表现为发热、意识障碍及药物难治性的癫痫持续状态。脑电图显示背景为弥漫性慢波活动,监测到左侧额极、前颞区起始的部分性发作。头颅MRI信号未见异常。经生酮饮食(KD)治疗3天后,发作较前明显减少并转入普通病房,出院后继续予KD及抗癫痫药物治疗,1个月后复诊,患儿偶有惊厥发作,意识较前好转,智能较发病前明显减退。文献显示该病主要发生在既往健康的学龄期儿童,常由发热诱导,继而出现难治性癫痫持续状态或丛集样癫痫发作。FIRES预后不良,幸存者多遗留药物难治性癫痫和严重的认知障碍,普遍认为KD对FIRES患者疗效显著。结论FIRES的病因不明,可能由免疫介导所致。好发于学龄期儿童,常由发热诱导,癫痫发作呈暴发性、药物难治性,KD对控制急性期癫痫发作及改善预后有效。     

126例癫痫患儿临床与脑电图分析

目的：儿童癫痫占痫性发作患者中60%,做到早期诊断与合理治疗,能使80%痫性发作的患儿得到满意的控制,脑电图检测最敏感反映脑细胞功能状态的指标,对儿童癫痫早期诊断合理治疗及预后判定都有十分重要意义.方法：采用国产PRD-2000A型数字化脑电图定量分析仪,对126例临床痫性发作间歇期进行脑电图描记.结果：126例患儿正常23.8%,异常76.2%,其中痫性放电54%,慢波异常44例.结论：癫痫是大脑神经元群反复异常放电所致神经系统功能性疾病,而脑电图检查能较准确反应大脑功能状态,特别是发作性痫性放电的特征性改变,仍是临床对癫痫诊断的金标准.     

24小时动态脑电图监测对小儿L癫痫诊断及疗效评估的价值

目的探讨24小时动态脑电图（AEEG）监测对小儿癫痫诊断及疗效评估的价值、方法对86例拟诊为癫痫（EP）和50例EP治疗后复查的病例均进行24小时动态脑电图监测,并与常规脑电图（REEG）检查结果对比分析。结果常规脑电图检查未发现EP放电波的86例疑诊病例中,监测到癫痫波65例,非痫样放电波5例,总阳性率为81．39%,其中13例同时扑捉到临床发作.并对其中50例EP治疗2年后复查的病例先予常规脑电图检查,对常规脑电图检查未发现EP放电波者复查动态脑电图,异常32例．阳性率为64％.与常规脑电图检查结果比较有显著性差异。结论24小时动态脑电图（AEFG）监测可提高小儿EP诊断阳性率和准确率,对小儿癫痫诊断和分刑及临床疗效评估具有重要价值。     

伴中央颞区棘波的儿童良性癫痫认知功能的研究进展

伴中央颞区棘波的儿童良性癫痫为特发性部分性癫痫,常规影像学检查无异常,发作相对容易控制,以往认为其预后良好,而近年来的研究发现其存在一定程度的认知功能障碍,主要表现为智力、记忆力、注意力、执行力及学习能力的下降等。导致其认知功能障碍的相关因素较多,主要包括癫痫的发作、病程、发作频率、发作类型、发病年龄、发作频率、持续时间、抗癫痫药物的使用以及神经网络的异常等。现就伴中央颞区棘波的儿童良性癫痫患儿认知功能及其影响因素做以综述。     

脑血管病继发癫痫33例临床分析

目的：研究脑血管病与继发癫痫的关系。方法：对588例脑血管病人进行回顾性分析。结果：脑血管病继发癫痫的发病率为5.6%，年龄以60岁以上老年人多（67％），早发型多于晚发型；皮质病变的癫痫发生率多于皮质下。继发性癫痫的类型以全面性发作为多，脑电图改变以病灶侧局限性δ波或θ波和弥漫性慢波多见，而典型的癫痫性波少见。结论：脑血管病继发癫痫的原因与脑血管病类型、病变部位和病程有关，抗癫痫药物治疗视病情和发作类型而定。     

外伤后癫痫动物模型行为学和脑电图研究

对铁致外伤后癫痫（PTE）动物模型的行为学和脑电图进行研究以探讨其研究应用价值.采用离子导入法（PIFC）和微量注射法（CFCI）建立铁致PTE大鼠模型,观察大鼠行为学变化,同时监测脑电图.CFCI建立起的大鼠模型癫痫发作形式主要表现为翻转跳起,四肢抽搐,2周内发作频率逐渐降低;PIFC建立起来的大鼠模型癫痫发作形式主要表现为咀嚼自动症,1d后基本观察不到癫痫发作.癫痫发作的同时,这两种方法建立起来的PTE大鼠模型的脑电图上都出现了癫痫波.铁致PTE动物模型是一种稳定可靠的PTE动物模型.CFCI建立起来的PTE动物模型与PIFC相比,更有研究价值.     

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BP神经网络的癫痫脑电信号识别研究

为了有效识别癫痫脑电信号,建立了基于误差反向传播（BP）神经网络的癫痫脑电信号识别模型,并提出了一种适合于非平稳脑电信号的特征提取方法。本文以临床采集的包含癫痫发作期的五组500个EEG公共数据为样本,选择了具有任意多分辨分解特性的小波包．对信号进行多尺度分解,提取了各级节点的小波包系数。将小波包系数能量作为特征值,构建了特征向量并输入到BP神经网络分类器中进行自动识别。实验结果表明,该算法的识别率达到了92．5％。     

脑-计算机接口系统中诱发脑电信号的小波分析

针对特定思维诱发脑电信号的特点,提出一种确定其分布情况及提取其波形的方法·首先采用离散小波变换对脑电信号进行分解,然后使用小波奇异点检测和小波统计分析相结合的方法进行特征分析,确定特定思维诱发脑电信号处于小波变换的哪个尺度上,并根据分析结果重构出诱发脑电信号·结果表明,这种方法能够有效地消除脑电信号中的常见噪声,尤其适用于对诱发脑电信号的提取·     

基于非线性特征提取的EEG信号支持向量分类器

为提高癫痫脑电(EEG)信号的正确识别率,设计了一种基于非线性特征提取的EEG信号支持向量分类器.分类器首先将EEG信号通过四层小波包变换分解到不同频段,然后计算各频段小波系数的近似熵(ApEn)值,作为特征向量,最后使用支持向量机(SVM)进行分类.实验结果显示该分类器能有效提高正确识别率.     

基于机器学习的跨患者癫痫自动检测算法

针对目前癫痫自动检测算法多集中于为单个患者建立检测模型, 泛化能力较弱的问题, 提出一种基于机器学习的跨患者癫痫自动检测算法. 该算法使用多个癫痫患者的脑电数据, 先对数据进行预处理后分析脑电数据间存在的特征, 再对特征进行筛选, 训练出一个跨患者的癫痫自动检测模型. 该算法不需为每个患者 建立单独的检测模型, 实现了仅使用一个检测模型即可对不同患者进行癫痫检测. 实验结果准确率为0.877 4, 敏感性为0.854 8, 特异性为0.9.     

基于非负矩阵分解的癫痫脑电自动检测

针对多分类癫痫检测算法因特征维数多而导致识别率不理想的问题, 提出了一种基于分数阶傅里叶变换 (FrFT: Fractional Fourier Transform)和非负矩阵分解(NMF: Non-negative Matrix Factorization)的癫痫脑电自动识 别算法。 首先采用 FrFT 对脑电信号进行时频聚焦, 并利用短时傅里叶变换 (STFT: Short-Time Fourier Transform)提取脑电信号的时频特征; 再应用 NMF 对提取的时频特征进行降维; 最后将降维后的特征输入到支 持向量机(SVM: Support Vector Machine)分类器中进行识别。 实验结果表明, 该方法能识别正常、 癫痫发作间 期和癫痫发作期 3 类脑电信号, 其分类准确率可达 98. 8%。     

应用多分辨率小波变换提取脑电信号异常节律

脑电信号是非平稳的随机信号，其中包含了大量的生理和疾病信息，对于医生判断脑都是否有器质性的病变具有重要作用。因此对脑电信号的分析和处理一直是人们努力研究的领域。考虑到小波变换良好的时频局部化特性，利用多分辨率小波变换方法来实现脑电信号异常节律的提取，脑电信号经多分辨率小波变换后所得到的各个尺度的信号不仅反映了信号的频率信息，即尺度越大，对应信号的频率越低，同时也反映了信号的时间信息，即反映此时的EEG状态，实验结果表明，选择合适的小波基，可以有效地提取脑电信号中的异常节律。     

基于FSWT和GBDT的癫痫脑电信号分类研究

为解决癫痫脑电信号分类类别以及分类精度不足的问题,使用频率切片小波变换对脑电数据进行信号重构,得到5 个频段的节律信号,再利用非线性指标近似熵和线性指标波动指数共同作为癫痫信号的特征值,充分提取信号的特征信息。随后使用梯度提升树算法对得到的特征数据集进行多分类。实验表明,该算法对癫痫脑电信号的三分类识别率为98． 4%。较传统Adaboost 算法,该方法采取了GBDT( Gradient Boosting Decision Tree) 作为分类算法,成功利用更多的数据集,并且使得分类精度更高。