【摘要】：癲癇是一種腦部的慢性障礙綜合癥,腦部神經的異常放電則是引起癲癇發(fā)作的主要原因。由于癲癇發(fā)作具有反復性,突發(fā)性等特點,發(fā)作時常表現(xiàn)為意識喪失,整個身體非自主性抽搐,精神異常等,因而給患者帶來巨大的痛苦和壓力。如果能在癲癇發(fā)作前就預測到即將發(fā)作的癲癇,從而采用一些必要的措施,就能夠在一定程度上減輕患者和醫(yī)護人員的負擔,也有助于癲癇發(fā)病機理、診斷和治療等方面的研究。目前癲癇預測算法取得了很大的進展,特別是非線性動力學的應用,但是也存在許多問題。腦電圖作為研究癲癇發(fā)作特征的重要工具,反映了許多其他生理學方法無法提供的發(fā)作信息。通過對癲癇腦電數(shù)據(jù)進行分析,可以發(fā)現(xiàn)癲癇腦電在不同的時期其特征會有較為明顯的差別。卷積神經網絡是近十多年發(fā)展起來的廣泛應用于各個領域的算法,由于其具有良好的特征自動學習的特性,特別是在識別,預測估計等領域取得了巨大的成果。本文基于上述現(xiàn)狀對癲癇發(fā)作預測的算法進行研究,提出了基于卷積神經網絡的癲癇腦電自動識別算法和基于卷積神經網絡的癲癇發(fā)作預測算法。文章先提出了基于卷積神經網絡的癲癇腦電自動識別的算法,利用搭建的卷積神經網絡結構自動學習腦電數(shù)據(jù)特征,以區(qū)分正常腦電和癲癇發(fā)作腦電,癲癇發(fā)作期腦電和癲癇發(fā)作間期腦電。該算法的實驗數(shù)據(jù)是臨床短程的腦電數(shù)據(jù),采用了德國波恩癲癇研究室的數(shù)據(jù)進行研究。實驗結果表明,基于卷積神經網絡的癲癇腦電自動識別算法針對腦電數(shù)據(jù)能夠取得較為理想的識別性能。本文還提出了基于卷積神經網絡的癲癇發(fā)作預測算法,該算法主要包含三個部分:信號預處理,卷積神經網絡和后處理。其中在預處理階段首先使用移動窗技術對原始的腦電信號進行分段處理,然后對分好的每段信號利用小波變換得到不同頻段的腦電數(shù)據(jù)。在卷積神經網絡部分主要搭建卷積神經網絡結構,利用卷積神經網絡強大的特征自動提取性能,對腦電信號進行訓練和測試。后處理階段則主要是利用邏輯運算,平滑處理等方法對訓練和測試的結果做進一步的分析。該算法的實驗數(shù)據(jù)來自德國Freiburg醫(yī)學院的癲癇研究中心,對21例患者長期顱內EEG記錄的6個導聯(lián)進行分析。實驗結果表明,在用來訓練的21次癲癇發(fā)作被剔除之后,還有66次癲癇發(fā)作,其中有58次能夠被正確預測到,算法的靈敏度達到87.88%。通過實驗結果可以看到,基于卷積神經網絡的癲癇發(fā)作預測算法能夠獲得較為理想的靈敏度,但是在誤報率上還有很大的改進空間。
【圖文】：

發(fā)作預測的一般流程患者的腦電信號一般分為四個時期，這四個時期是發(fā)作間期、發(fā)作前期、后期[24]。發(fā)作間期是指癲癇患者在癲癇不發(fā)作的時候采集到的腦電信號；在癲癇即將發(fā)作時采集到的可能會發(fā)生變化的腦電信號，，這段時間長短以都沒有明確的規(guī)定；發(fā)作期是指在患者癲癇發(fā)作時記錄的腦電信號；發(fā)作指在癲癇發(fā)作完后，腦電信號是在大腦處于恢復狀態(tài)時采集到的。發(fā)作的預測的流程一般可以分為以下幾個步驟：首先，要對腦電信號進行作；然后分別將提取到的發(fā)作間期和發(fā)作前期的腦電信號特征送到分類器利用訓練好的分類器對新輸入的腦電信號進行分類識別，其依據(jù)就是訓練。其流程圖如圖 1-1 所示。但是由于卷積神經網絡可以自動學習數(shù)據(jù)特征提取，所以本文提出的基于卷積神經網絡的癲癇發(fā)作預測算法的流程圖如。

不需要人為提取，所以本文提出的基于卷積神經網絡的癲癇發(fā)作預測算法的流程圖如下圖1-2 所示。圖 1-1 癲癇發(fā)作預測一般流程圖圖 1-2 基于卷積神經網絡的癲癇發(fā)作預測流程圖
【學位授予單位】：山東師范大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：R742.1;TP183

【參考文獻】

相關期刊論文 前5條

1 劉建偉;劉媛;羅雄麟;;深度學習研究進展[J];計算機應用研究;2014年07期

2 劉崇;陳寧;葛燕;孟凡剛;文雄偉;張建國;;癲癇發(fā)作預測的研究進展[J];中華神經外科雜志;2013年03期

3 張睿;劉紹明;;基于EEG信號分析處理的癲癇預測研究[J];現(xiàn)代生物醫(yī)學進展;2013年04期

4 賈文艷,高上凱,高小榕;癲癇發(fā)作預測研究的新進展[J];生物醫(yī)學工程學雜志;2004年02期

5 劉魯源,李宗勃;從傅立葉變化到小波變化[J];自動化與儀表;2000年06期

相關博士學位論文 前4條

1 袁琦;癲癇腦電的分類識別及自動檢測方法研究[D];山東大學;2014年

2 衡彤;小波分析及其應用研究[D];四川大學;2003年

3 覃光華;人工神經網絡技術及其應用[D];四川大學;2003年

4 趙瑞珍;小波理論及其在圖像、信號處理中的算法研究[D];西安電子科技大學;2001年

相關碩士學位論文 前10條

1 范明莉;基于卷積神經網絡的運動想象腦電信號特征提取與分類[D];鄭州大學;2017年

2 宋欣益;基于卷積神經網絡的高光譜數(shù)據(jù)分類方法研究[D];哈爾濱工業(yè)大學;2016年

3 高強;基于深度卷積網絡學習算法及其應用研究[D];北京化工大學;2015年

4 董旭洋;基于EEG信號的癲癇發(fā)病預測的算法研究[D];哈爾濱工業(yè)大學;2015年

5 謝寶劍;基于卷積神經網絡的圖像分類方法研究[D];合肥工業(yè)大學;2015年

6 陳先昌;基于卷積神經網絡的深度學習算法與應用研究[D];浙江工商大學;2014年

7 陳碩;深度學習神經網絡在語音識別中的應用研究[D];華南理工大學;2013年

8 劉銀霞;基于腦電棘波頻次和AR模型的癲癇發(fā)作預測算法[D];山東大學;2013年

9 林妙真;基于深度學習的人臉識別研究[D];大連理工大學;2013年

10 宋煥榮;癲癇腦電信號的提取與識別[D];大連理工大學;2012年

本文編號：2593953