EMD和SVM结合的脑电信号分类方法

脑电(EEG)癫痫波的自动检测与分类在临床医学上具有重要意义。针对EEG信号的非平稳特点,本文提出了一种基于经验模式分解(EMD)和支持向量机(SVM)的EEG分类方法。首先利用EMD将EEG信号分成多个经验模式分量,然后提取有效特征,最后用SVM对EEG信号进行分类。结果表明,该方法对癫痫发作间歇期和发作期EEG的分类效果比较理想,识别率达到99%。     

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%。     

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。     

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。     

基于经验模式分解与样本熵的癫痫预测方法

本研究提出一种基于经验模式分解（empirical mode decomposition，EMD）与样本熵的癫痫预测方法；该方法首先对原始信号进行了经验模态分解，将其分解为多个平稳的固有模态函数（intrinsic mode function，IMF）之和，再选取若干个包含主要癫痫预报信息的IMF分量，将其求和后，计算其样本熵（sample entropy，SampEn）。结果表明，癫痫发作前期样本熵呈减小趋势，基于EMD的样本熵其减小幅度显著增加，同时抑制了伪差对实验结果的影响。基于经验模式分解与样本熵的癫痫预测方法能够很好的对癫痫进行预测。     

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。     

基于多通道经验模式分解的脑机接口特征提取

针对脑机接口(BCI)系统中的多通道非平稳脑电(EEG)信号和脑磁(MEG)信号,本文提出一种基于多通道经验模式分解(MEMD)与功率特征结合的信号特征提取算法。首先将多通道脑信号经MEMD算法分解为一系列多尺度多元固有模态函数(IMF)近似平稳分量,然后对每个IMF分量提取功率特征,并利用主成分分析(PCA)降维处理,最后使用线性判别分析分类器对信号特征分类。实验采用第三次和第四次国际BCI竞赛的数据进行验证,对皮层EEG信号和MEG信号运动想象任务的识别正确率分别达到92.0%和46.2%,均位于竞赛第一名水平。实验结果表明本文所提方法有较好有效性和稳定性,为脑信号特征提取提供了新思路。     

癫痫发作类型与EEG的相关性

目的：分析各种发作类型癫痫及其与脑电图（EEG）表现的关系。方法：对352例确诊癫痫患者行规范的病史询问及长程EEG监测（描记时间10～15h）,并按照1981年ILAE分类和名词委员会推荐的癫痫发作的分类方案进行发作症状的分类,按照1989年II,AE推荐的癫痫和癫痫综合征的分类作出诊断,分析其发作类型和EEG之间的相关性。结果：在352例中,EEG异常246例,异常率为69．9％,24例（6．8％）记录到临床发作。EEG异常率与发作频率相关,每月发作大于4次者较每月发作少于4次者EEG异常率显著升高（P=0．014）。部分性发作和全面性发作的患者异常率比较差异无显著意义（P=0．929）,但前者更多表现为EEG局限性异常（P=0．014）。结论：规范的长程EEG检查异常率较高,EEG异常率与发作频率相关,不同癫痫发作类型患者的EEG表现有差异。     

基于近似熵的癫痫发作预测研究

临床采用诱发方法检测获得的失神发作患者EEG信号,研究其发作前脑电信号的动力学变化的规律,寻找预测癫痫失神发作一般规律和方法。我们选择合适的电极对,使用非线性动力学的方法,采用复杂度变化度量的近似熵指标,通过闪光刺激癫痫患者获得的EEG信号进行动力学特征研究,根据EEG信号表现出的同步情况实现对癫痫发作的预测。结果表明,本研究可以实现对临床光刺激进行诱发的癫痫失神患者的发作进行预测。研究中采用优化电极的方法优于采用固定电极对。     

一种基于经验模态分解的时频分布及其在EEG分析中的应用

Hilbert-Huang变换是一种新的分析非线性非平稳信号的时频方法,这种方法的关键部分是经验模态分解(EMD)方法,任何复杂的信号都可以通过EM D分解为有限数目并且具有一定物理意义的固有模态函数。我们结合该方法给出一种抑制Wigner-Ville分布交叉项的新方法,并将其应用于癫痫脑电信号(EEG)中,且得到了比较好的结果。     

癫痫脑电信号符号动力学分析

癫痫是大脑神经元异常放电所引起的常见神经系统疾病,其发作具有突然性和反复性特点,因此,提前预测发作以便对患者及时采取措施具有重要意义。本文引入符号动力学方法分析癫痫大鼠失神性发作时脑电(EEG)信号的特性,并对影响符号统计量的关键参数的选取进行讨论,计算癫痫发作不同时期EEG信号的符号熵和时间不可逆转性。研究发现正常发作间隙期,符号熵和时间不可逆转性指标值较大;从发作间隙期向发作期的转化阶段,即发作前期,二者明显减小;发作时维持较低水平。研究结果表明符号动力学方法能够揭示癫痫EEG动力学特征变化,符号熵和时间不可逆转性两个指标是表征癫痫发作不同阶段的敏感特征量,具有重要的潜在临床应用价值。     

基于近似熵的癫痫发作预测研究

临床采用诱发方法检测获得的失神发作患者EEG信号,研究其发作前脑电信号的动力学变化的规律,寻找预测癫痫失神发作一般规律和方法.我们选择合适的电极对,使用非线性动力学的方法,采用复杂度变化度量的近似熵指标,通过闪光刺激癫痫患者获得的EEG信号进行动力学特征研究,根据EEG信号表现出的同步情况实现对癫痫发作的预测.结果表明...     

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。     

一种基于经验模态分解的癫痫棘波检测方法

脑电癫痫特征波的自动提取对于患者的诊断以及减轻医生的繁重劳动都具有重要的意义.我们提出一种基于经验模态分解(EMD)的癫痫特征波检测方法,该方法首先经过EMD分解得到若干个固有模态函数(IMF),然后对其中的第一个IMF应用非线性能量算子(NBO)进行特征波提取,从而达到自动检测的效果.在对数值模拟的和真实的癫痫脑电信号(EEG)的仿真实验中,该方法都取得了较好的结果.     

基于回声状态网络的脑电信号特征提取

在脑电(EEG)信号自动检测和分类的研究中,EEG信号的特征提取至关重要。本文分析了目前主要EEG信号特征提取方法的优缺点,并提出了一种基于回声状态网络(ESN)的EEG信号特征提取方法。该方法可以实现EEG信号的非线性特征提取,并且其特征提取过程是近似可逆的,因而在特征提取过程中损失的信息较少。该方法在EEG信号特征提取过程中,主要计算量是求解状态矩阵的伪逆,计算简单高效。在对波恩大学癫痫研究所的EEG数据库进行多类别分类的实验中,本文所提出的EEG信号特征提取方法展现出了良好的性能。     

一种基于改进经验模态分解的癫痫脑电识别新方法

在临床癫痫诊断过程中,为了提高癫痫脑电的识别率,能在癫痫发作前期就预测到癫痫疾病,其特征波的提取至关重要。针对这一问题,提出将平行延拓与镜像延拓相结合来改进EMD算法。首先,使用平行延拓的方法,在原始脑电信号的左、右端点处分别预测出一个极值;然后,使用基于镜像延拓的EMD方法,对信号进行镜像延拓,以避免经验模态分解过程中的端点效应;最后,采用支持向量机进行信号的分类识别。算法验证数据取自德国伯恩大学癫痫研究中心的脑电数据库,其中50例是正常脑电信号、50例是癫痫发作间期的脑电信号。实验研究表明：该方法对总测试脑电信号的识别率达到94%。其中,正常脑电信号和癫痫脑电信号的独立识别率均为94%,比传统EMD算法处理后的脑电识别率提高了5%,可见该方法可以有效地预测癫痫脑电。     

重要或然性的图形化:帮助脑电话活动定位的记录分析

EEG已证明在产生局灶和(或)发作性异常(即脓肿、癫痫)的某种神经疾病的识别中是重要的工具。但是,有少数例外,EEG对识别引起背景活动的更细微改变(如智能发育不全,早老痴呆)的神经疾病很少有用。皮层诱发电位(EP)也还未能达到临床应用的水平。为了帮助这些资料的临床评价,著者最近制成一种局部记录图形化系统和计算机显示的头皮记录信号,即脑电活动图形化(Brain Electrical actvity mapping,BEAM)。图象来自EEG和EP两方面的资料。对于EEG资料可显示传统的δ、θ、α和β频带的空间分布。对于     

基于共空间模式算法和支持向量机二重分类的癫痫发病预测

目前癫痫患者的发病预测手段十分耗时且易受主观因素干扰,因此文中提出了一种基于共空间模式算法(CSP)和支持向量机(SVM)二重分类的癫痫发病自动预测方法。此方法将提取空域特征的共空间模式算法应用到癫痫脑电信号检测中,但是该算法未考虑信号的非线性动力学特征且忽略了其时频信息,所以在特征提取阶段选取了标准差、熵和小波包能量这几种互补特征来进行组合。分类过程采取一种基于支持向量机的全新二重分类模式,即将癫痫患者正常期、发作间期和发作期三个阶段分成正常期和准发病期(包括发作间期和发作期)两类进行支持向量机识别,然后对属于准发病期的样本进行发作间期和发作期的分类,最终实现三个时期的分类识别。实验数据来自德国波恩大学的癫痫研究数据库。实验结果显示,第一重分类平均识别率为98.73%,第二重分类平均识别率可达99.90%。结果表明,引入空域特征和二重分类模式能够有效解决众多文献中发作间期和发作期识别率不高的问题,提升各个时期的识别效率,为癫痫患者的发病预测提供有效的检测手段。     

腺苷对癫痫大鼠海马缝隙连接蛋白43表达的影响

目的:探讨腺苷对癫痫大鼠发作行为、脑电图(EEG)及海马缝隙连接蛋白43(CX43)的影响。方法:雄性Wistar大鼠随机分成对照组、红藻氨酸(KA)组及腺苷组。采用视频监视观察2周和5周大鼠癫痫发作情况以及EEG,应用免疫印迹法检测CX43的表达。结果:2周时腺苷组大鼠行为学发作级别、EEG与KA组无明显差异,5周时腺苷组行为学发作级别明显降低,EEG癫痫放电频率降低。对照组无发作,EEG无癫痫波。KA和腺苷组大鼠在2周和5周时CX43表达均明显增加;5周时腺苷组CX43表达水平显著低与KA组。结论:CX43在癫痫大鼠海马组织中的表达变化与癫痫发作相关;腺苷可以明显减轻大鼠癫痫发作级别,降低癫痫放电频率。腺苷可能通过抑制KA诱导的大鼠癫痫发作时CX43的表达而发挥抗癫痫作用。     

基于EEG信号分析处理的癫痫预报及研究进展

癫痫是一种常见的脑部疾病,对癫痫发作进行预报具有重要的临床意义。本文回顾了基于EEG信号分析处理的癫痫预报的历史,并综述了时域、频域、非线性动力学和智能分析技术在发作预报上的应用。