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。     

基于加权复杂网络度熵和的癫痫发作检测方法

癫痫发作检测一直是一项富有挑战性的工作,随着癫痫发病率的增加,高性能癫痫自动检测算法在临床上可以减轻医务工作者的工作量,具有重要的临床医学研究意义。提出基于加权水平可视图的癫痫检测新方法。首先利用加权水平可视图将单通道脑电信号转化为复杂网络,并提取生成的复杂网络的度的平方和权重度分布熵两个特征;最后将两个特征之和作为单特征输入到线性分类器中,用来识别癫痫间歇期和发作期信号。对波恩大学的癫痫脑电数据集进行实验,评价所提出的检测算法的性能。使用该癫痫脑电数据集间歇期和发作期各100个实验样本,样本长度为1 024。实验结果表明,所提出的方法具有较高的分类精度,可达到98.5%。由于分类的特征为单特征,所以更加简单高效,可用于癫痫发作在线自动检测。     

基于脑电样本熵和小波熵的麻醉深度监测

目的:通过研究全麻手术病人的脑电信号特征,从分类准确率、算法难易程度、计算时间等方面讨论样本熵和小波熵算法在麻醉深度监测中的应用。方法:基于脑电信号的非线性和不稳定性,采用两种非线性动力学分析方法(样本熵和小波熵)对30例全麻手术病人的脑电信号进行特征提取,并对每位病人清醒状态、轻度麻醉状态和中度麻醉状态下的脑电信号的样本熵和小波熵进行差异分析。结果:不同麻醉状态下的脑电信号的样本熵和小波熵均有明显差异。相同脑电信号的样本熵的变化阈值较小波熵的变化阈值大。结论:样本熵和小波熵算法均可以作为麻醉深度监测的有效指标。从分类准确率、算法难易程度和计算时间等方面考虑,使用样本熵算法的效果优于小波熵算法。     

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。     

基于脑电非线性特征和AdaBoost算法的诱导期麻醉深度检测

提出一种结合自适应增强学习AdaBoost算法和脑电非线性特征的麻醉深度评估方法,通过提取脑电信号中的4种非线性特征（KC复杂度、小波熵、排序熵、模糊熵）作为输入,以双谱指数作为参考输出,将诱导期麻醉深度分为清醒、轻度麻醉、中度麻醉。使用9例全麻患者的诱导期脑电信号对该方法进行评估,3种不同麻醉状态分类准确度为86.69%,Kappa系数为0.837,表明该方法可以较好地区分诱导期3种不同麻醉水平,为麻醉深度监测提供新思路。     

基于核函数极限学习机和小波包变换的EEG分类方法

目的为实现运动功能障碍患者的运动意愿,基于脑-机接口(brain-computer interface,BCI)的康复训练技术是近年来的研究热点。脑-机接口的关键技术是快速准确地识别出与运动想象相关的脑电模式。针对脑电信号非平稳及个性化差异等特点,利用小波包理论和核函数极限学习机(extreme learning machine,ELM)方法,提出一种自适应的特征分类方法来提高脑电信号的分类识别率。方法由于小波包存在着频带交错的现象,所以首先利用距离准则将自适应提取的最优小波包的平均能量作为特征向量,并采用核函数ELM方法进行分类。最后利用BCI竞赛数据进行了脑电信号特征分类的仿真研究,并对不同算法的分类识别率进行仿真分析。结果自适应特征分类方法对用于实验的脑电数据的平均分类识别率达到97.6%,对比ELM、神经网络(back propagation,BP)和支持向量机(support vector machine,SVM)分类方法,核函数ELM方法在分类时间和识别精度上效果最佳。结论本文提出的脑电信号分类方法取得了较高的分类识别率,适用于脑电信号的分类应用。     

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。     

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%。     

基于小波包变换的癫痫心电信号特征提取

目的:针对癫痫病的检测,从脑电中获取癫痫特征是传统的方法,但是,心电与脑电相结合的诊断方式是未来医疗卫生事业的重要发展方向,所以利用心电信号表征癫痫信息是一个值得研究的课题。方法:小波包变换为心电信号提供了一种十分精细的分析方法,它实现了信号能量在等宽频带上的分解。首先对单周期样本心电信号进行多层小波包分解,重构各个结点的分解系数并提取结点的能量;然后运用最小二乘法对结点能量值进行十次曲线拟合,并提取曲线中的能量极大值点。结果:在0 Hz到0.65 Hz频带内,癫痫心电样本的能量极大值点的频率位置集中在四个特征频带内,而其它心电样本的能量极大值点大部分分布在这四个频带范围以外,这为癫痫病的检测提供了良好的分类特征,实验结果表明本文算法对癫痫病具有较高的识别率。结论:心电信号易于检测且硬件成本低,在医疗中的应用十分频繁,本文算法能够方便的从心电信号中获取癫痫信息,这为癫痫病的检测与诊断提供了一条十分实用的途径。     

基于IMF能量熵的脑电情感特征提取研究

为提高脑电信号情感识别分类准确率,结合经验模态(EMD)分解和能量熵提出一种新的脑电特征提取方法。本研究主要介绍了EMD分解的基本原理,分析了传统EMD算法中的"端点效应",采用分段幂函数插值算法改善了EMD分解的精度和性能,然后将改进后的算法应用到脑电信号特征提取,获取脑电信号的IMF分量后计算出IMF能量熵作为情感识别的特征,最后通过分类实验对比改进后的EMD算法和传统EMD算法对脑电情感特征的分类准确率。实验结果显示改进的EMD算法能使识别率提高15%左右,并且以IMF能量熵为特征的平均识别率在80%以上,实验结果表明将IMF能量熵用于脑电信号情感识别是可行的。     

基于子波变换的癫痫脑电信号检测方法的研究

当前癫痫自动检测方法,通常采用希尔伯特黄变换结合脑电信号变换规律进行检测,易受到噪声的干扰,检测结果存在一定的误差。据此,深入研究基于子波变换的癫痫脑电信号检测方法,依据子波变换检测癫痫脑电信号的原理,采用子波变换对含噪的脑电信号进行去噪后,考虑到癫痫患者发病时,脑电信号里异常特征波导致信号波动幅度较大,采用TQWT小波分解并重构脑电信号,提取重构后的脑电信号里有效值与峰峰值指标构成特征分量,根据特征分量设定正常与发病两种样本,通过支持向量机(support vector machine,SVM)分类器对脑电波信号样本分类,实现患者癫痫脑电信号的准确检测。实验结果表明,所提方法可有效检测癫痫脑电信号,检测灵敏度、特异性和准确率均值分别是98.73%、18.84%、98.87%,适用于癫痫脑电信号检测。     

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。     

脑电信号的分形截距特征分析及在癫痫检测中的应用

脑电信号的非线性特征会随癫痫发作而改变,脑电信号的特征分析和检测对癫痫的诊断和治疗具有重要意义。提出对癫痫脑电信号进行毯子维和分形截距的特征分析,并将分形截距应用于癫痫脑电信号的检测。首先提取脑电信号的分形截距和毯子维特征,并对两种特征的均值和方差进行比较,最后使用支持向量机分类器,实现脑电信号的分类检测。发现癫痫发作时脑电信号的分形截距显著高于发作间期,而脑电信号的毯子维在发作前后变化规律则不明显。将分形截距作为分类特征,能有效地区分癫痫脑电与间歇期脑电,具有较强的癫痫脑电检测性能,分类检测的准确率达到96%以上。     

儿童失神癫痫发作期脑电信号子波熵分析

本研究采用脑电信号的整体子波熵和分尺度子波熵研究脑电信号的信息复杂性,探索儿童失神癫痫(CAE)发作的动力学机制。研究采集儿童失神癫痫患者及正常对照的脑电信号;采用连续子波变换提取脑电信号的时频特征;采用子波功率谱分析提取分尺度功率谱特征;根据分尺度功率谱计算整体子波熵和分尺度子波熵,分析整体子波熵和分尺度子波熵随CAE发作的时间演变过程,并与正常对照进行比较。结果显示:CAE患者发作期脑电信号的整体子波熵显著低于正常对照组,也低于发作间期。CAE发作时第12尺度(对应中心频率3 Hz)的分尺度子波熵显著高于正常对照,α频带(中心频率10 Hz)脑电节律的子波熵明显低于正常对照。脑电信号整体子波熵可以反映脑电信号的复杂程度,CAE发作时脑电信号的信息复杂度明显降低。子波熵降低有可能成为癫痫发作的特征神经电生理参数,为癫痫发作的神经调控技术的研究提供依据。     

基于迁移学习和空洞卷积的癫痫状态识别方法

癫痫患者脑电信号的自动检测和发作诊断对临床治疗癫痫具有重要意义。针对训练数据有限及训练与测试数据分布不一致的难点,采用领域间联合知识迁移学习方法,实现小训练数据量下的癫痫状态识别。首先对脑电信号进行4层小波包分解,提取小波包分解系数作为特征,通过边缘分布和联合分布迭代调整,完成源域和目标域特征之间的知识迁移,训练空洞卷积神经网络作为分类器,完成目标域癫痫状态识别。分别在波士顿儿童医院CHB-MIT脑电数据集(22 例被试,共计790 h)和波恩大学癫痫脑电数据集(5 组,每组100 个片段,每段23.6 s)上进行算法验证,实验结果表明,所提出的方法对复杂癫痫状态的平均识别准确度、敏感性、特异性在CHB-MIT数据集上达到96.8％、96.1％、96.4％;在波恩数据集上,平均识别准确率为96.9%,有效提高了癫痫状态识别综合性能,实现了癫痫发作稳定可靠检测。     

基于小波包熵的与动作相关表面肌电信号的分类

目的:对与动作相关的表面肌电信号进行分类识别.材料与方法:与动作相关的表面肌电信号是从右手前臂肌群表面采集而来.用小波包变换将信号分解成16个等频带宽的的子空间.之后,计算每个子空间的相对小波包能量和每个信号的小波包熵.结果:正确识别率达到100%.结论:小波包熵能够作为与动作相关的表面肌电信号的特征值来识别不同的动作表面肌电模式.     

近似熵与SVM在自动分类癫痫脑电信号中的应用

采用近似熵(ApEn)与支持向量机(SVM)相结合的方法对癫痫发作间歇期EEG和发作期EEG进行自动识别分类,通过分类结果来检验非线性动力学指标是否可有效运用于脑电癫痫波的自动实时探测中并验证由非线性动力学指标训练的分类器的泛化能力。研究使用参考患者的脑电数据构建SVM分类器,在此分类器的基础上,对其他患者的脑电数据进行分类得到结果。结果表明利用非线性动力学指标训练的分类器具有良好的泛化能力,对不同患者的脑电数据的平均分类准确率达到较高水平。     

基于自回归小波包熵特征融合算法的情感识别研究

针对提高情感识别正确率这一国际开放问题,本文提出了一种基于小波包熵和自回归模型相结合的脑电信号特征提取算法。自回归过程能最大程度逼近脑电信号,用很少的自回归参数提供丰富的谱信息。小波包熵反映脑电信号在各个频带中的谱能量分布情况。将二者结合,能够更好地体现脑电信号的能量特征。本文基于核主成分分析方法,实现了脑电信号特征提取融合。课题组采用情感脑电国际标准数据集(DEAP),选取6类情感状态以本文算法进行情感识别。结果显示,本文算法情感识别正确率均在90%以上,最高情感识别正确率可达99.33%。本文的研究结果表明,该算法能够较好地提取脑电信号情感特征,是一种有效的情感特征提取算法。     

基于高频颅内脑电的致痫区定位和网络分析

目的通过癫痫发作期颅内高频脑电(60~90 Hz)的分析,实现一种基于非参数统计模型的致痫区定位方法,并研究致痫区内外的脑电信号相干性。方法首先构造高频脑电归一化指标——高频能量指数,再用该指标量化各导联的致痫性,并定位致痫区,最后分析致痫区内外电极的幅度相干和相位相干性。结果分析了8例有良好术后效果的癫痫患者共1252个电极触点的颅内脑电数据,以临床癫痫灶定位结果作为参考,高频能量指数平均敏感性29.57%、特异性96.67%。8位患者的致痫电极之间的平均相干性显著高于非致痫电极之间的相干性。结论构造了颅内脑电高频能量指标,并用非参数统计模型定位致痫区,特异性高于已有研究,能够帮助医生在癫痫手术规划中寻找关键相关致痫电极。     

基于Hurst指数和SVM的癫痫脑电检测方法

癫痫脑电波的自动检测对于患者诊断和减轻医生工作强度都具有重要的意义。提出一种基于Hurst指数和SVM的癫痫脑电检测算法。首先提取脑电信号的Hurst指数,然后对脑电进行3 Hz～8.5 Hz、8.5 Hz～16.5 Hz、16.5 Hz～29 Hz带通滤波并分别计算波幅的相对均值,最后使用SVM分类器实现癫痫脑电波的自动检测。对临床脑电信号的实验表明,该方法具有较强的检测性能和良好的实时性,准确率达到98.75%。所提出的Hurst指数和波幅相对均值作为特征,采用SVM的分类方法能有效实现癫痫脑电的检测,值得更深入的研究。