论文部分内容阅读
癫痫是影响人类健康的一种神经系统疾病,给患者和社会带来严重的影响。脑电是常用的一种癫痫诊断技术,但受到技术限制,癫痫脑电目前还主要依靠医生经验人工判断,尚未实现自动诊断。如何实现癫痫脑电信号的自动诊断是计算机、人工智能、医学影像等相关领域的研究热点之一。实现癫痫脑电自动诊断的关键是特征提取,由于癫痫是由大脑神经元细胞群的异常同步放电引起的,而熵是一种反映系统混乱程度的非线性指标,可以作为一种癫痫特征,在癫痫脑电信号特征提取的研究中发挥着越来越重要的作用。但是,熵的定义较多,癫痫检测性能各不相同,较为系统的对比研究还较少。本文在已有研究的基础上,进行了脑电信号的非线性检测,给出了一种基于网格优化的癫痫脑电自动检测系统框架,并对比了近似熵、样本熵、模糊熵的癫痫检测性能,具体工作如下:(1)设计了一种基于样本熵和模糊熵的时间序列非线性检测方法,并对比了样本熵与模糊熵的检测性能。仿真实验结果表明,样本熵和模糊熵均可以较好地用于时间序列的非线性检测,且模糊熵的检测性能优于样本熵。(2)设计了一种基于熵的癫痫检测系统框架,该框架首先计算脑电信号的熵,并利用K-S检验选择差异显著的电极形成特征向量,利用网格寻优技术训练SVM分类器,选择分类器的最优参数,训练好的分类器即可进行脑电信号的自动检测。(3)基于本文设计的癫痫自动检测框架,利用两组癫痫数据对比了几种不同的非线性指标(近似熵、样本熵、模糊熵等)的检测性能。结果表明,这些非线性指标的癫痫检测性能不同,其中模糊熵、样本熵分类性能较好,且模糊熵的分类性能最优。总之,围绕癫痫脑电信号的自动检测问题,本文实现了基于熵的时间序列非线性检测与癫痫脑电信号的自动检测,对比了样本熵、模糊熵在时间序列非线性检测与癫痫脑电自动检测中的性能。两组真实脑电数据的对比结果表明,使用样本熵和模糊熵可以很好地进行癫痫诊断,并且模糊熵在癫痫发作检测中具有更好的性能,希望本文提出的方法可以为癫痫脑电自动临床诊断提供一定的参考。