癲癇腦電的分形分析及自動檢測方法研究.pdf

1、癲癇是一種常見的慢性腦部疾病，影響全世界近1％的人口。長期反復突然的癲癇發(fā)作，給患者帶來極大的痛苦和嚴重的身心傷害。癲癇發(fā)作是多種病因引起的大腦神經(jīng)元群突發(fā)性異常超同步化放電的結果，約80％的癲癇患者存在腦電圖異?，F(xiàn)象。因此，腦電圖檢查與分析是癲癇疾病診斷、病灶定位和發(fā)作類型判斷的重要手段。而借助計算機技術，研究癲癇腦電信號的自動分析與檢測方法，對提高癲癇診斷的效率和研制閉環(huán)癲癇刺激器，具有重要意義。
　　腦電圖（Electroe

2、ncephalogram，EEG）信號作為大腦神經(jīng)元電活動在頭皮表面或大腦皮層的總體反應，具有復雜的非線性特性。雖然EEG信號的非線性分析得到了癲癇自動檢測研究人員的重視，但是EEG信號的分形特性研究較少。分形理論是現(xiàn)代非線性科學的一個重要分支，研究EEG信號的分形特性，有助于進一步了解癲癇發(fā)作過程中大腦混沌動力活動的內在本質。同時，由于癲癇發(fā)作的機理非常復雜，發(fā)作類型和過程多種多樣，不同的癲癇患者，甚至是同一患者的不同次發(fā)作，其發(fā)作過

3、程都不相同。因此，目前的癲癇發(fā)作自動檢測技術還難以滿足臨床應用所提出的準確性、實時性和魯棒性要求。針對癲癇腦電分析和發(fā)作檢測領域存在的上述問題，本文對癲癇腦電信號的分形及多重分形特性進行系統(tǒng)、深入的研究，并將機器學習和模式識別領域的前沿算法或分類器模型引入到癲癇發(fā)作檢測領域，研究準確度高、實時性好的癲癇發(fā)作檢測方法。具體研究內容包括以下幾方面。
　　首先，研究EEG信號的Higuch分形維數(shù)在癲癇發(fā)作前期的演化規(guī)律，并從發(fā)作機理的

4、角度進行分析解釋;將發(fā)作前期EEG信號Higuchi分形維數(shù)的變化，作為癲癇發(fā)作的先兆特征，結合貝葉斯線性判別分析器，提出一種癲癇發(fā)作預測算法，對發(fā)作前期腦電進行檢測識別。該算法在Freiburg癲癇腦電數(shù)據(jù)集上，達到較高的預測靈敏度和較低的誤報率，同時具有較低的計算成本。
　　然后，對比研究發(fā)作期與間歇期腦電的K近鄰分形維數(shù)，發(fā)現(xiàn)兩類腦電信號的K近鄰分形維數(shù)具有顯著的統(tǒng)計差異性。于是引入梯度Boosting集成學習算法，提出一種

5、基于K近鄰分形維數(shù)和梯度Boosting的癲癇發(fā)作檢測方法。在Freiburg長程腦電數(shù)據(jù)集上，不但取得了較高的檢測靈敏度和較低的誤檢率，而且對發(fā)作期起始時刻(Onset)的檢測延時小，21例癲癇患者的平均檢測時延僅為2.46秒。
　　接著，本文從對癲癇EEG進行單一分形維數(shù)的算法研究和特性分析，進一步擴展和深入到研究EEG信號的多重分形特性，用多重分形譜深層次地刻畫癲癇腦電的局部奇異性和分形特性的不均勻性。在證明癲癇腦電信號具有

6、多重分形特性的基礎上，對EEG信號多重分形譜參數(shù)的物理意義進行解釋，并通過對比研究，發(fā)現(xiàn)發(fā)作期與間歇期EEG的多重分形特性和譜參數(shù)(α0、αmin、αmax、△α、f(αmin)、αmax)、△f、R）都具有顯著的統(tǒng)計差異性。
　　最后，將癲癇患者EEG信號的多重分形譜特征與相關向量機相結合，提出一種融合多導聯(lián)判決結果的癲癇發(fā)作檢測系統(tǒng)。在對相關向量機輸出的類概率進行后處理的過程中，將多導聯(lián)的判決結果進行融合，使其更符合臨床醫(yī)生的

7、診斷過程。該癲癇發(fā)作檢測系統(tǒng)在Freiburg癲癇腦電數(shù)據(jù)集上進行性能測試，取得了較高的檢測靈敏度和識別率。同時該檢測系統(tǒng)具有較低的計算復雜度，對一小時三導聯(lián)EEG進行處理大約只需要1.2分鐘，表現(xiàn)出很好的檢測實時性。
　　本文在對腦電信號單一分形維數(shù)的計算中，所采用的Higuchi算法和K近鄰算法，都是直接從信號時域進行，不需要重構相空間，算法簡單，計算復雜度低;而對EEG進行多重分形分析所采用的Moment方法，相對于其他研究

8、領域中常用的多重分形去趨勢波動分析法，也具有物理意義簡單明確，計算量小等優(yōu)點。因此，本文基于EEG的各分形特征建立的癲癇發(fā)作檢測算法，大大降低了EEG分析和特征提取所需的時間，保證檢測算法具有較好的實時性。另外，本文所提出的幾種癲癇發(fā)作檢測算法中，分別采用了貝葉斯線性判別分析、基于集成學習思想的梯度Boosting和基于貝葉斯稀疏學習理論的相關向量機等前沿的學習算法和分類器模型，對腦電模式進行分類識別，從而保證檢測算法具有較高的檢測準確