基于多通道EEG信號(hào)的癲癇特征提取與識(shí)別方法研究.pdf

1、癲癇是最常見(jiàn)的神經(jīng)系統(tǒng)疾病之一，全世界范圍約1％的人患有癲癇疾病。腦電圖（Electroencephalogram，EEG）作為一種最常用的診斷工具，被用來(lái)進(jìn)行癲癇相關(guān)的神經(jīng)紊亂疾病的監(jiān)測(cè)、診斷以及治療。EEG監(jiān)測(cè)會(huì)產(chǎn)生大量的癲癇數(shù)據(jù)，醫(yī)療工作者根據(jù)經(jīng)驗(yàn)和通過(guò)對(duì)患者的腦電圖進(jìn)行視覺(jué)檢測(cè)來(lái)進(jìn)行癲癇疾病診斷，非常耗時(shí)。此外，由于分析的主觀性，不同專家對(duì)于同一記錄的判斷結(jié)果也不盡相同，因此，自動(dòng)癲癇檢測(cè)技術(shù)的研究顯得十分重要。本文采用多通道E

2、EG信號(hào)對(duì)癲癇發(fā)作特征提取與識(shí)別方法進(jìn)行了研究，主要包括以下三個(gè)方面的內(nèi)容：
　　（1）針對(duì)采集的腦電數(shù)據(jù)中可能存在的眨眼、心電、肌電等偽跡干擾問(wèn)題，提出了一種FastICA-MARA算法進(jìn)行預(yù)處理。首先對(duì)多通道的EEG信號(hào)進(jìn)行獨(dú)立分量分析，采用了基于負(fù)熵最大化的FastICA算法得到多個(gè)獨(dú)立分量，然后提取各個(gè)獨(dú)立分量的MARA特征值，并采用MARA工具箱進(jìn)行二分類，將分類器判定為偽跡的獨(dú)立分量置零，聯(lián)合獨(dú)立分量分析過(guò)程中得到的混

3、合矩陣，即可實(shí)現(xiàn)去噪后的信號(hào)重構(gòu)。采用癲癇患者的腦電數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，F(xiàn)astICA-MARA的去噪性能和TDSEP-MARA一樣好，且迭代速度更快。
　?。?）對(duì)去噪后的信號(hào)進(jìn)行熵分析，提取癲癇腦電特征，構(gòu)建熵特征集用于癲癇腦電信號(hào)的分類識(shí)別。提出了一種模式熵算法用來(lái)表征非線性信號(hào)的某一模式在不同時(shí)間周期內(nèi)出現(xiàn)的概率，該方法在分析非線性信號(hào)復(fù)雜度上與樣本熵一樣具有良好的性能?？紤]到采集的信號(hào)是多通道的，為了在衡量信號(hào)復(fù)

4、雜度的同時(shí)能將多通道信號(hào)之間的相關(guān)性考慮在內(nèi)，還采用了多元多尺度熵算法提取癲癇腦電信號(hào)特征。為了進(jìn)行癲癇腦電信號(hào)分類，采用模式熵算法和多元多尺度熵算法構(gòu)建分類識(shí)別所需要的熵特征集。
　?。?）針對(duì)支持向量機(jī)的參數(shù)選取對(duì)其分類準(zhǔn)確率的影響很大的問(wèn)題，采用了網(wǎng)格搜索算法、種群算法以及粒子群算法對(duì)支持向量機(jī)中的核函數(shù)參數(shù)以及懲罰因子參數(shù)進(jìn)行了優(yōu)化。癲癇腦電信號(hào)的分類識(shí)別結(jié)果表明，基于參數(shù)優(yōu)化的支持向量機(jī)性能比較穩(wěn)定，而且基于群智能優(yōu)化算