论文部分内容阅读
癫痫脑电的分类研究,可以帮助临床医生快速识别出癫痫疾病,从而摆脱繁重的工作,提高诊断效率;癫痫脑电的预测研究,可以让患者通过治疗性干预来预防癫痫发作,极大地降低患者受到意外伤害的概率。癫痫脑电的分类和预测研究对提高人口素质和健康水平都有着深远意义。机器学习算法在近十几年来被广泛运用到各个领域,特别是在模式识别和预测研究中取得了巨大的成果。本文采用了多种机器学习算法对癫痫脑电信号进行分类与预测研究,具体工作如下:首先,对癫痫脑电信号进行预处理。采用CHB-MIT数据库、德国波恩大学脑电图数据库和印度新德里神经病学数据库的数据,使用小波变换进行去噪,并运用频谱不对称分析获取患者的最优单通道,通过最优通道数据进行后续研究。其次,采用Inception Net-V3卷积神经网络、SVM、K-NN、逻辑回归四种机器学习算法结合时频分析与边中心网络的特征提取方法对癫痫脑电进行分类。将脑电信号转换为时频图,利用Inception Net-V3卷积神经网络区分出正常脑电和发作期脑电,在CHB-MIT数据库24位患者中最高分类准确率为95.8%,波恩大学脑电图数据库和新德里神经病学数据库的准确率分别为90.2%和96.2%;同时采用边中心网络特征提取方法,利用SVM、K-NN、逻辑回归进行分类,在CHB-MIT数据库中最高分类准确率为96.9%,波恩大学脑电图数据库和新德里神经病学数据库的准确率分别为99.3%和98.6%。结果表明,边中心网络特征提取能够实现更理想的分类效果。最后,采用时频分析与边中心网络的特征提取方法对癫痫发作进行预测研究。分析了癫痫发作前20分钟的数据,以5分钟的数据长度为一个时间段,分为发作前0-5分钟、5-10分钟、10-15分钟和15-20分钟四个时间段,对四个时间段的数据进行预测,发现在发作前0-15分钟的预测准确率高于15-20分钟这一时间段内的预测准确率。结果表明,癫痫发作前15分钟内能够实现较理想的预测效果。本文采用了时频分析与边中心网络两种特征提取方法,对癫痫脑电分类时,边中心网络的特征提取方法能实现更好的分类效果;对癫痫发作预测时,两种特征提取方法差异并不明显,但结果是一致的。研究结果表明,本文方法可用于癫痫的检测和癫痫的发作预测研究,对癫痫的自动检测与预测研究有重要的意义,其中边中心网络的特征提取方法为癫痫检测研究提供了新的思路,对了解大脑的病理症状及临床诊断具有重要意义。