癫痫脑电及节律波的非线性动力学特征研究

脑电图(EEG)是研究脑科学的重要工具,对EEG信号中隐藏的特征和信息进行深入研究,能更好地满足现在临床研究的需要。本文通过小波变换和非线性动力学两种分析方法,提取癫痫发作间期和发作期EEG信号及其节律波(δ波、θ波、α波和β波)的非线性特征,计算分析关联维数(CD)、Lyapunov指数、近似熵(ApEn)特征值在癫痫发作过程是否存在显著变化。研究结果表明,EEG信号及其节律波的非线性动力学特征在检测癫痫发作过程时可作为有效的鉴别统计量。     

基于离散S变换和排列熵的癫痫脑电识别

脑电图(EEG)分析对癫痫疾病的诊断具有重要的参考价值,对癫痫脑电信号的自动分类可以及时对患者的情况作出判断,在临床上有很重要的意义。为解决脑电信号采用单一特征识别率不高的问题,同时也为避免小波基函数的选取对分类结果的影响,本文提出了一种基于S变换和排列熵(PE)的癫痫脑电信号自动判别方法,首先将原始脑电信号进行离散S变换,再对变换后脑电信号各节律的系数分别求其波动指数,并与脑电信号的排列熵值共同组成特征向量送入Real Ada Boost分类器进行癫痫各时期的判别。本研究采用德国波恩大学癫痫研究中心数据库,对正常人清醒睁眼,癫痫患者发病间歇期致痫灶内及发作期3组脑电信号数据进行方法有效性检验。研究结果表明,各节律的波动指数可有效表征正常、癫痫发作间期和癫痫发作期脑电信号,且多种特征的识别率明显优于单一特征,平均识别率可达到98.13%,相比于仅提取时频特征或非线性特征,识别率分别提高了1.2%和8.1%以上,优于文献中报道的多种方法。因此,本方法在癫痫疾病的诊断方面有较好的应用前景。     

基于小波变换的脉搏信号分析仪的设计

脉搏信号中含有丰富的人体生理信息,对心血管疾病的预防和诊治有着重要的指导作用。本文采用COM组件技术将基于小波变换的脉搏信号去噪和特征提取MATLAB算法程序无缝集成到LabVIEW中,实现了虚拟脉搏信号分析仪的设计。实验结果证明该分析仪采用的自适应阈值小波消噪方法的消噪效果优于传统的软、硬阈值法,提取的脉搏信号各尺度能量值可以用来作为区分心血管疾病患者和正常人群的特征值,扩展的网络传输功能经实际应用具有非常实用的价值。     

83例婴儿痉挛患儿视频脑电图分析

目的：探讨视频脑电图（V-EEG）检查在婴儿痉挛诊断中的作用。方法：对2003年5月至2009年5月新诊断未经治疗的83例婴儿痉挛患儿进行V-EEG监测,分析监测录像中婴儿痉挛发作的临床表现和发作期以及发作间期的脑电图（EEG）特点。结果：83例共监测到78例112次临床发作,主要有3种类型典型发作,发作期EEG共7种形式。发作期EEG：患儿几乎都表现为高波幅慢波或单个高波幅尖慢波或棘慢波,随后出现弥漫性低电压,其它放电形式则少见。发作间期EEG以典型的高度节律失调（高度失律）和变异型的高度失律为主。结论：V-EEG能观察到婴儿痉挛的独特轴性发作形式,有时还能监测到合并其它形式发作,又能对发作期和发作间期EEG进行完整记录。发作间期EEG表现为高度失律失调及其变异型是大多数婴儿痉挛患儿的特征性EEG类型。V-EEG监测可为诊断和鉴别诊断婴儿痉挛症提供重要依据。     

基于小波包分解的不同状态下脑电信号分析

本文针对脑电信号的非平稳性,引入小波包分解理论处理临床脑电.根据脑电信号的不同节律特性,提出应用小波包分解构造不同频率特性的时变滤波器,提取脑电信号不同节律的动态特性,并由此构造各种节律的动态脑电地形图.为了研究不同脑功能状态下脑电信号各种节律的动态特性,文中对两组不同的临床脑电数据进行分析,比较两种状态下各种节律的动态特性.实验结果表明,利用小波包分解对脑电信号进行滤波,能够有效提取临床脑电不同节律的动态特性,为分析脑电信号提供一条新的途径.     

长程视频脑电图监测癫痫发作及在致痫灶定位中的意义

目的：探讨癫痫发作间期和发作期脑电图（EEG）变化特点与发作症状在致痫灶定位中的作用。方法：对80例癫痫患者进行视频脑电图（VEEG）监测,分析其发作间期、发作期EEG特点及临床发作表现作致痫灶定位。结果：80例癫痫患者中,发作间期38例和发作期60例EEG及59例临床发作症状可提供明确的致痫灶定位信息。结论：在致痫灶定位中,发作期与发作间期EEG相比,可提供较高比例的定位信息;综合分析发作问期、发作期EEG和临床发作症状,可以获得大部分癫痫患者致痫灶的定位信息,为放置颅内电极作准确致痫灶定位的重要参考。     

基于小波变换并结合神经网络的癫痫发作预报

采用信号处理的方法分析脑电图以实现自动预报癫痫发作是该领域一个难题，至今进展不够显著。本研究将小波变换用于脑电信号的预处理，并与递归神经网络RNN相结合预测癫痫发作。通过比较三种不同的预处理方法，发现在小波变换域利用脑电信号α节律的能量谱可以实现发作预报，而进一步提取包络并作非线性变换可以有效地提高RNN的预报性能。     

基于小波变换和Teager能量算子的癫痫脑电自动分类

提出一种利用小波变换和能量算子对EEG进行预处理提取癫痫特征信号,进行近似熵估计,对脑电信号进行分类的新方法。首先利用小波分析将EEG信号进行4层分解分成多个子频带,对频率接近棘波的第1,2层小波系数计算非线性能量算子,再对能量算子进行近似熵估计,最后用SVM对EEG信号进行分类。结果表明,该方法对癫痫发作期EEG和正常的EEG分类效果比较理想。     

癫痫发作脑电信号的相位幅度调制研究

脑电图是癫痫诊治中一种最为重要的工具,而大数据量的脑电记录给人工分析带来困难,计算机分类则可减轻此负担。从相位幅度调制角度研究癫痫脑电低频节律相位与高频节律幅度间的耦合关系,利用归一化后的调制指数(MI)来量化各频段间的耦合强度。基于波恩癫痫发作间期和发作期脑电的200个样本数据集,提出依据高低频节律范围对MI图进行分区,再利用分区后的耦合系数对不同状态下的脑电进行分类。结果显示,发作期Gamma节律与Delta(2～4 Hz)节律的MI值(0.009 9±0.009 6)相比发作间期(0.003 6±0.008 7)显著增加(P<0.01)。Gamma节律与Theta(4～8 Hz)节律的发作期MI值(0.008 7±0.006 2)相比发作间期(0.001 4±0.003 2)也有显著增加(P<0.01);Theta Beta节律间耦合强度在发作期(0.002 2±0.001 3)与发作间期(0.000 5±0.000 7)也存在显著差异。利用支持向量机在五折交叉验证下,波恩癫痫脑电数据MI特征对发作期和间期数据分类准确率达到97%;采用随机森林分类方法,同样得到一致结果。所提出方法的应用可有效提高对临床视频脑电图分析的效率。     

颞叶内侧癫发作期EEG的定位价值

目的:探讨单侧海马硬化并同侧发作间期EEG异常的颞叶内侧癫患者的发作期EEG定侧定位价值。方法:回顾性分析22例经头颅MRI证实为单侧海马硬化,长程视频脑电监测表现为同侧发作间期EEG异常(包括样放电和颞区间歇性节律性δ活动)的颞叶内侧癫患者,在发作期EEG的定侧定位价值。结果:发作期EEG定位于同侧颞区的占59.7%,同侧颞-额区的占12.5%,能定侧的占84.7%,其中定位于颞区和颞-额区的占72.2%,定位于同侧半球的占12.5%。结论:单侧海马硬化并同侧发作间期EEG异常的颞叶内侧癫患者,发作期EEG的定位和定侧有较高可信度。     

颞叶内侧癫(癎)发作期EEG的定位价值

目的:探讨单侧海马硬化并同侧发作间期EEG异常的颞叶内侧癫(癎)患者的发作期EEG定侧定位价值.方法:回顾性分析22例经头颅MRI证实为单侧海马硬化,长程视频脑电监测表现为同侧发作间期EEG异常(包括(癎)样放电和颞区间歇性节律性δ活动)的颞叶内侧癫(癎)患者,在发作期EEG的定侧定位价值.结果:发作期EEG定位于同侧颞区的占59.7%, 同侧颞-额区的占12.5%,能定侧的占84.7%,其中定位于颞区和颞-额区的占72.2%,定位于同侧半球的占12.5%.结论:单侧海马硬化并同侧发作间期EEG异常的颞叶内侧癫(癎)患者,发作期EEG的定位和定侧有较高可信度.     

邻域比较数字滤波——一种对脑电信号进行滤波的有效方法

目的：探讨对脑电时间序列进行邻域比较的数字滤波方法的实用价值。方法：对10例实测脑电信号用邻域比较数字滤波的方法和中值滤波的方法进行处理,观察比较两种方法滤波效果。结果：邻域比较滤波法对叠加有单个噪声脉冲及连续噪声脉冲的脑电信号有很好的去噪效果,对尖波和棘波几乎没有影响,EEG信号无失真。中值滤波法对叠加单个噪声脉冲的脑电信号有效,而对叠加有连续噪声脉冲的脑电信号则失效,并使EEG中尖波,棘波及高频信号失真。结论：在脑电信号处理中,邻域比较数字滤波方法在消除干扰脉冲,保持脑电信号不失真两方面均优于中值滤波法,是一种有实用价值的滤波方法,。     

基于小波包和共同空间模型的运动想象脑电信号特征提取算法

脑-机接口(brain-computer interface,BCI)为无法进行交流的人们提供了一种新的交流方式。传统的基于频率特征的脑电信号(electroencephalogram,EEG)特征提取方法只提取每个通道的能量特征,而忽略了不同通道之间的相关性信息。为了获得更好的特征提取结果,本研究采用了基于小波包和共同空间模型(common space pattern, CSP)的脑电信号特征提取方法。首先,在利用小波包对脑电信号分解前,对相关通道和频带进行辨别,提取运动想象脑电μ律和β节律,然后利用CSP算法进行空间滤波提取特征,选取相关节点计算小波包能量,最后通过支持向量机(support vector machine, SVM)将脑电信号分为左右手两种特征。为了验证本研究算法的可行性与有效性,在BCI竞赛数据集上进行了相应的实验,分类结果表明,所提出的特征提取算法能够有效提取运动想象特征,具有较高的分类精度。     

利用整体经验模态分解和随机森林的脑电信号分类研究

癫痫脑电信号的自动监测与分类在临床医学上具有重要意义。针对脑电信号的非平稳特点,提出一种基于整体经验模态分解和随机森林相结合的脑电信号分类方法。选取波恩大学脑电信号数据集中癫痫发作间期和发作期的200个单通道信号,共819 400个数据作为样本。首先利用整体模态分解将癫痫脑电信号分解成多个固有模态函数,然后对各阶固有模态函数提取有效特征,最后分别用随机森林和最小二乘支持向量机对脑电信号的特征进行分类。将随机森林与最小二乘支持向量机分类正确识别率对比,结果表明,随机森林分类方法对发作期和发作间期的癫痫脑电信号的分类效果比较理想,识别精度为99.60％,高于最小二乘支持向量机的准确性。该方法的提出能有效提高临床癫痫脑电信号分析的效率。     

儿童失神癫(癎)脑电图的多尺度特征

目的:研究儿童失神癫癎脑电图的多尺度定量特征。方法:对15例失神癫癎患儿10次临床发作和20次亚临床癎样放电的脑电图进行子波分析,提取失神癫癎发作过程中脑电信号的多尺度定量典型特征,与发作前10 s及发作后10 s的脑电信号进行比较,并与12例正常同龄儿童脑电图进行比较。结果:研究显示儿童失神癫癎发作过程中脑电信号的多尺度典型特征主要表现为12尺度(对应频率3 Hz)的节律性活动显著增强,发作时20尺度(低频大尺度,对应频率0．12 Hz)结构与频率3 Hz的结构具有非正常的跳跃式尺度关系,3 Hz节律性棘慢复合波与大尺度(频率1 Hz以下)背景低频放电结构共同存在。发作过程中分尺度功率主要集中在20尺度和12尺度,其演变规律为20尺度能量逐渐减低,12尺度能量逐渐增加。10次临床发作的脑电信号均显示上述特征。发作前10 s和后10 s的脑电多尺度信号中仍然存在隐性的3 Hz棘慢复合波成分,与一般认为3 Hz棘慢复合波突起突止不同．而从传统的脑电图上无法分辨出发作前后的这些多尺度细节的定量特征。亚临床癎样放电的多尺度特征与发作期无明显差别,但持续时间短。结论:子波分析作为一种新的信号分析方法,适合于脑电信号的分析,可以获得比传统视觉脑电图更多的定量信息。通过对失神癫癎患儿的脑电信号进行子波分析,得到其发作过程中典型的多尺度定量特征,有助于失神癫癎发作的临床辅助诊断、预后评价以及神经电生理机理的基础研究。     

基于样本熵与小波包能量特征提取和Real AdaBoost算法的正常期、癫痫间歇与发作期的脑电自动检测

脑电图(EEG)分析已被广泛应用于疾病的诊断,针对癫痫患者的脑电检测可及时对患者的发病情况作出判断,具有很强的实用价值,因此急需癫痫脑电自动检测、诊断分类技术。为实现患者正常期、癫痫发作间期和发作期各时段脑电的快速、高精度自动检测分类,本文提出一种基于样本熵(SampEn)与小波包能量特征提取结合纠错编码(ECOC)Real AdaBoost算法的脑电自动分类识别方法。将输入信号的样本熵值和4层小波包分解后的部分频段能量作为特征,并用纠错编码和Real AdaBoost算法相结合的方式对其进行分类。本文采用德国波恩大学癫痫数据库实验数据(含正常人清醒、睁眼与清醒、闭眼,癫痫患者间歇期致痫灶外与致痫灶内及癫痫发作期5组脑电信号)进行了方法有效性检验。研究结果表明,该方法有较强的脑电特征分类识别能力,尤其对癫痫间歇期脑电信号识别率提升显著,上述5组3个时期不同特征脑电信号的平均识别率可达96.78%,优于文献已报道的多种算法且有较好稳定性与运算速度及实时应用潜力,可在临床上对癫痫疾病的预报及检测起到良好的辅助决策作用。     

小波变换在ECG信号滤波中的应用研究

本文首先介绍了小波变换应用于ECG信号消噪处理中的几种常用滤波方法的原理,分析了它们的滤波性能.然后提出一种小波变换与自适应滤波相结合的心电信号去噪方法,实验证明这种去噪方法可以有效抑制心电信号中的噪声干扰,保持信号的波形特征,是对"运用多分辨率分析方法,去除噪声干扰对应小波分解尺度上细节分量"的滤波方法的一种有效改进,达到较好的滤波效果.     

40例癫（间）持续状态患者的临床特点及脑电变化特征

目的：分析不同类型癫痫持续状态（SE）患者的临床特点及脑电图（EEG）变化特征并观察临床疗效。方法：对40例SE患者进行临床分类并记录发作间期及发作期的EEG，静脉注射安定进行治疗并观察其临床疗效。结果：惊厥性SE28例，其中强直阵挛性SE24例，肌阵挛性发作SE1例，单纯部分运动性SE3例；非惊厥性SE12例，其中复杂部分性SE10例不典型失神SE2例，发作间期EEG25例记录到癫痫样放电；发作期EEG，8例病人行Video-EEG监测，7例记录到发作期典型癫痫样放电。1例表现为募集节律。疗效；治愈率95%，死亡率5%。结论：强直阵挛性SE常见，发作间期多可记录到癫痫样波形，肌阵挛性SE、非惊厥性SE临床诊断困难。应行Video-EEG监测；早期足量应用安定是安全有效的治疗措施。     

基于TQWT的癫痫脑电信号的识别

针对癫痫脑电(EEG)信号的识别问题,提出了一种基于可调品质因子小波变换(TQWT)的脑电特征提取方法。首先,利用TQWT将EEG信号进行分解,得到各个小波子波带;然后,根据癫痫异常波对应的频率范围,合理的选择小波子波带进行重构,提取有效值和峰峰值构成特征分量;最后,采用支持向量机进行分类。将所提出方法应用于癫痫脑电信号的识别中,以德国伯恩大学癫痫研究中心采集的典型脑电数据进行验证。实验分析结果表明,所提出的特征提取方法对正常和癫痫发作期EEG信号的分类准确率可达98%。     

发作间期脑电图正常的癫143例分析

癫是儿科常见的疾病,临床表现复杂多样,易与一些非癫性的发作性症状相混淆。EEG描记到性波对癫的诊断最有价值,但有部分癫病人发作不频繁,EEG描记不易捕捉到发作期,而发作间期又无异常放电,给临床诊断带来困难。我们于2002年3月至2007年1月共诊断143例发作间期EEG正常的癫病例并进行了视频脑电图(V-EEG)监测,现报告如下。1资料和方法1.1临床资料近5年中我科共诊治发作性疾病1106例,其中143例临床诊断为癫而发作间期EEG正常。143例中男79例,女64例;年龄3个月至16岁。其中52例V-EEG监测到一次或一次以上的临床发作且同步EEG异常而确诊,91例未监测到发作而根据临床表现及抗癫治疗有效作出临床诊断。1.2脑电检查方法采用美国Necolet脑电生理仪,参考国际10-20系统安放12个头皮电极,将EEG数据及同步录像信号存于计算机硬盘中。所有患者均记录清醒、睁闭眼反应(不能合作者被动闭眼)及自然睡眠状态的脑电及录像资料,记录时间16~24h,至少包括一个完整的清醒睡眠周期。主要分析发作间期及发作期的样放电表现。注意除外心电、拍打、肢体活动、电极接触不良等导致的伪差波。1.3...