發(fā)布時間：2020-11-09 01:27

　　 癲癇(Epilepsy,EP)是一種以突然、反復(fù)發(fā)生的大腦內(nèi)神經(jīng)細(xì)胞群發(fā)生陣發(fā)性異常超同步電活動,導(dǎo)致短暫的大腦功能障礙的慢性神經(jīng)系統(tǒng)疾病。為了深入研究癲癇的發(fā)病機制,大量的實驗室研究常常借助于癲癇動物模型。小鼠癲癇腦電(electroencephalogram,EEG)的自動分類對發(fā)揮小鼠模型在癲癇研究方面的潛力十分重要,相關(guān)的癲癇腦電信號自動分類算法也有可能啟發(fā)臨床癲癇腦電的自動分類算法,從而有助于減輕醫(yī)療工作者的工作量、減少對患者的負(fù)面影響,在進一步深入研究癲癇腦電信號自動檢測中具有非常重要的價值和臨床意義。為了研究癲癇動物模型腦電的自動檢測與分類,本文選用戊四挫(Pentylenetetrazole,PTZ)誘發(fā)小鼠急性癲癇模型,記錄致癲劑給藥時間、小鼠行為、小鼠常態(tài)腦電和致癲狀態(tài)腦電等數(shù)據(jù)。相較于人類的腦部病變而引起的癲癇疾病,戊四唑藥物誘導(dǎo)的急性癲癇發(fā)作癥狀、腦電圖、癇樣放電等方面大致相似,且戊四唑誘發(fā)小鼠急性癲癇模型已經(jīng)十分成熟,是一種在急性癲癇相關(guān)研究領(lǐng)域得到了世界廣泛認(rèn)可,也是一種比較趨于理想化的動物模型。基于癲癇腦電的非平穩(wěn)性(突發(fā)性、幅度異常)和頻率分布特性,本文采用小波變換分解出特定的腦電成分并提取特征,用支持向量機(Support Vector Machine,SVM)對這些特征進行學(xué)習(xí),實現(xiàn)小鼠癲癇腦電的自動分類。首先,按照致癲劑給藥時間和小鼠行為對采集的小鼠腦電原始信號進行分段及預(yù)處理;其次,對分段腦電信號進行離散平穩(wěn)小波變換,獲得不同頻率子帶的小波系數(shù),選取與癲癇腦電特性波(棘波、尖波、慢波)所在頻率范圍內(nèi)的小波系數(shù),小波逆變換重構(gòu)相關(guān)癲癇腦電特征波頻段;分別對預(yù)處理后的腦電信號、相關(guān)的腦電小波系數(shù)及其重構(gòu)腦電提取相關(guān)線性特征(最大值和標(biāo)準(zhǔn)差值)和非線性特征(樣本熵);最后,應(yīng)用支持向量機方法實現(xiàn)小鼠癲癇腦電信號自動分類。實驗結(jié)果表明基于小鼠腦電信號本身的最大值、標(biāo)準(zhǔn)差值和樣本熵值的分類敏感性分別為53.67%、62.00%和48.33%,特異性分別為87.67%、95.67%和95.67%,準(zhǔn)確率分別為70.70%、80.00%和72.00%;基于相關(guān)小波變換系數(shù)的最大值、標(biāo)準(zhǔn)差和樣本熵進行特征融合后,其小鼠癲癇腦電的分類敏感性達到99.67%,特異性為100.00%,正確率達到了 99.80%;另一方面,對癲癇特征波所在頻段的小波系數(shù)重構(gòu)的腦電的最大值、標(biāo)準(zhǔn)差和樣本熵進行特征融合后,分類敏感性達到了 99.00%,特異性為100.00%,正確率也達到了99.50%。這些結(jié)果說明基于小波分解系數(shù)或癲癇特征波頻段的特征融合進行分類的算法較基于信號本身的單一特征學(xué)習(xí)算法的分類性能有顯著提升,能有效實現(xiàn)小鼠癲癇腦電信號自動檢測與分類。
【學(xué)位單位】：南方醫(yī)科大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：R742.1;R-332
【部分圖文】：

的腦電信號特征。癲癇腦電信號相較于正常狀態(tài)下腦電信號，其易出現(xiàn)幅值??更高的陣發(fā)性的瞬態(tài)波形，波形的頻率與形式多種多樣，主要包括棘波、尖??波、棘－慢復(fù)合波、尖－慢復(fù)合波等［１（）］，如圖１－１所示。??（ａ）?（ｂ）??Ｊ＆Ｗｌ?Ｊｆ＼Ｍ??（ｃ）?（ｄ）??圖１－１常見的癲癇特征波ｎ°］⑷棘波；（ｂ）尖波；（ｃ）棘－慢復(fù)合波；（ｄ）尖－慢復(fù)合波??Ｆｉｇ．?１－１?Ｃｏｍｍｏｎ?ｅｐｉｌｅｐｔｉｃ?ｃｈａｒａｃｔｅｒｉｓｔｉｃ?ｗａｖｅｓ?（ａ）?ｓｐｉｋｅ?ｗａｖｅｓ；?（ｂ）?ｓｈａｒｐ?ｗａｖｅｓ；??（ｃ）?ｓｐｉｋｅ－ｓｌｏｗ?ｃｏｍｐｌｅｘｅｓ；

?４．尖－慢復(fù)合波［１（）］：??如圖１－１?（ｄ）所示，尖－慢復(fù)合波是由尖波和慢波共同組成，通常出現(xiàn)在??顳葉癲癇疾病中，多數(shù)是１．５￣２．５Ｈｚ，也存在４￣６Ｈｚ尖一慢復(fù)合波，其形??式多種多樣。??１．３腦電信號的處理分析方法??自上世紀(jì)六十年以來，人類對癲癇腦電信號的分析研究己有６０多年的歷??史。最初研究癲癇腦電信號主要是在時間域中分析ＥＥＧ波形的幅度、頻率、??瞬時波形等信息，從而人工對腦電進行判斷與分類，這種方法在臨床上十分??耗時耗力，并存在很大的局限性。然而近年來，研究人員對癲癇性發(fā)作的檢??測技術(shù)有了很大的進步，并提出了多種癲癇檢測方案，如時域分析、頻域分??析、時頻分析、非線性分析方法等［１１］，如圖１－２所示。多種多樣的新方法的發(fā)??現(xiàn)，使癲癇腦電信號的自動檢測與分類技術(shù)得到飛快的發(fā)展，也為廣大的癲??癇患者帶來了福音。本文歸納了常用的ＥＥＧ信號處理分析方法

系數(shù)及其重構(gòu)腦電的相關(guān)線性特征（最大值和標(biāo)準(zhǔn)差值）和非線性特征（樣本??熵）；最后，應(yīng)用支持向量機方法實現(xiàn)小鼠癲癇腦電信號自動分類。具體流程??圖如圖１－３所示。??制備癲癇�。�?ｊ采集腦電丨ａ?｜信號的預(yù)?祕＿??鼠信號處理?｜????＇?＜?＠丨小波系數(shù)Ｉ１??正常腦電＊ｎ???Ｉ?￣－Ｔ－￣１１???１?＿?ＳＶＭ分類？十特征提取?ｕ?Ｉ???１?器?Ｉ?③丨小波＇逆變ｌｉ??丨議，ｈ?—；?－——ｍｉ，??Ｉ?Ｉ??圖１－３小鼠癲癇腦電自動檢測流程圖??Ｆｉｇ．?１－３?Ｆｌｏｗ?ｃｈａｒｔ?ｏｆ?ａｕｔｏｍａｔｉｃ?ＥＥＧ?ｄｅｔｅｃｔｉｏｎ?ｉｎ?ｍｉｃｅ??７??
【相似文獻】

相關(guān)期刊論文 前10條

1 韋曉燕;陳子怡;周毅;;基于多尺度排列熵的腦電信號分類[J];中國數(shù)字醫(yī)學(xué);2019年05期

2 王曉麗;;基于深度學(xué)習(xí)的癲癇腦電信號分析與預(yù)測[J];長春大學(xué)學(xué)報;2019年06期

3 王薇蓉;張雪英;孫穎;暢江;;關(guān)于腦電信號的情感優(yōu)化識別仿真[J];計算機仿真;2018年06期

4 郭婷儀;李素芳;鐘桂仙;曾佳璇;周酥;;基于腦電信號的耳鳴識別算法研究[J];科技傳播;2018年13期

5 左晶;萬小勤;羅楊;鄭斌;陳斌林;任祥花;;癲癇腦電信號的相關(guān)性分析[J];電子世界;2017年05期

6 張娜;唐賢倫;劉慶;;基于半監(jiān)督學(xué)習(xí)的腦電信號特征提取及識別[J];工程科學(xué)與技術(shù);2017年S2期

7 石喬莉;王延輝;李信政;;基于腦電信號的駕駛疲勞的研究[J];世界最新醫(yī)學(xué)信息文摘;2017年55期

8 王恒;李念強;齊鵬沖;;運動想象腦電信號特征的提取與分類[J];工業(yè)控制計算機;2015年02期

9 李亞杰;宋明星;張玉棟;;腦電信號采集系統(tǒng)的設(shè)計[J];河北建筑工程學(xué)院學(xué)報;2014年01期

10 蔡超峰;張勇;郭舒婷;姜利英;;思維腦電信號的關(guān)聯(lián)維數(shù)分析[J];河南科技大學(xué)學(xué)報(自然科學(xué)版);2012年01期

相關(guān)博士學(xué)位論文 前10條

1 張濤;基于模糊分布熵和復(fù)值模糊分布熵的癲癇腦電信號自動分類算法研究[D];吉林大學(xué);2019年

2 李明陽;基于復(fù)合域分析的癲癇腦電信號檢測算法研究[D];吉林大學(xué);2018年

3 韓凌;腦電信號同步分析及癲癇發(fā)作預(yù)測方法研究[D];東北大學(xué);2016年

4 趙麗;基于腦電信號的腦-機接口技術(shù)研究[D];天津大學(xué);2004年

5 繆曉波;基于腦電信號的認(rèn)知動力學(xué)系統(tǒng)研究——線性/非線性方法及動態(tài)時—頻—空分析[D];重慶大學(xué);2004年

6 徐鵬;信號的稀疏分解及其在腦電信號處理中的應(yīng)用研究[D];電子科技大學(xué);2006年

7 伍亞舟;基于想象左右手運動思維腦電BCI實驗及識別分類研究[D];第三軍醫(yī)大學(xué);2007年

8 唐艷;基于時間、頻率和空間域的自發(fā)腦電信號提取[D];中南大學(xué);2008年

9 陳東偉;非線性動力學(xué)、因果腦網(wǎng)絡(luò)與聚類穩(wěn)定性在腦電信號分析中的應(yīng)用研究[D];太原理工大學(xué);2015年

10 馬小飛;認(rèn)知任務(wù)下的腦電動力學(xué)分析[D];南京大學(xué);2017年

相關(guān)碩士學(xué)位論文 前10條

1 常宇;基于運動想象的腦電信號分析與腦機接口系統(tǒng)設(shè)計[D];中北大學(xué);2019年

2 侯曉瑩;基于深度學(xué)習(xí)和腦電信號的情感分類方法研究[D];山東大學(xué);2019年

3 陸怡菲;基于腦電信號和眼動信號融合的多模態(tài)情緒識別研究[D];上海交通大學(xué);2017年

4 王晴;基于腦電信號的情緒分類[D];北京郵電大學(xué);2019年

5 孔維嘉;基于腦電信號的實時情感識別系統(tǒng)[D];蘭州大學(xué);2019年

6 于祖熠;癲癇腦電的概率協(xié)作表示及用于發(fā)作預(yù)警的深度卷積特征研究[D];山東師范大學(xué);2019年

7 鄭文凱;基于深度學(xué)習(xí)腦電信號分類FPGA加速器的實現(xiàn)[D];山東師范大學(xué);2019年

8 崔志紅;基于卷積神經(jīng)網(wǎng)絡(luò)的腦電信號分析方法研究[D];山東師范大學(xué);2019年

9 李超;疲勞駕駛檢測系統(tǒng)的設(shè)計及其嵌入式實現(xiàn)[D];江西師范大學(xué);2018年

10 張麗平;表征心算任務(wù)復(fù)雜度的腦電信號分析及其眼電偽跡去除[D];南方醫(yī)科大學(xué);2019年

本文編號：2875667