论文部分内容阅读
癫痫是最常见的神经系统疾病之一,全世界范围约1%的人患有癫痫疾病。脑电图(Electroencephalogram,EEG)作为一种最常用的诊断工具,被用来进行癫痫相关的神经紊乱疾病的监测、诊断以及治疗。EEG监测会产生大量的癫痫数据,医疗工作者根据经验和通过对患者的脑电图进行视觉检测来进行癫痫疾病诊断,非常耗时。此外,由于分析的主观性,不同专家对于同一记录的判断结果也不尽相同,因此,自动癫痫检测技术的研究显得十分重要。本文采用多通道EEG信号对癫痫发作特征提取与识别方法进行了研究,主要包括以下三个方面的内容:(1)针对采集的脑电数据中可能存在的眨眼、心电、肌电等伪迹干扰问题,提出了一种FastICA-MARA算法进行预处理。首先对多通道的EEG信号进行独立分量分析,采用了基于负熵最大化的FastICA算法得到多个独立分量,然后提取各个独立分量的MARA特征值,并采用MARA工具箱进行二分类,将分类器判定为伪迹的独立分量置零,联合独立分量分析过程中得到的混合矩阵,即可实现去噪后的信号重构。采用癫痫患者的脑电数据进行实验,实验结果表明,FastICA-MARA的去噪性能和TDSEP-MARA一样好,且迭代速度更快。(2)对去噪后的信号进行熵分析,提取癫痫脑电特征,构建熵特征集用于癫痫脑电信号的分类识别。提出了一种模式熵算法用来表征非线性信号的某一模式在不同时间周期内出现的概率,该方法在分析非线性信号复杂度上与样本熵一样具有良好的性能。考虑到采集的信号是多通道的,为了在衡量信号复杂度的同时能将多通道信号之间的相关性考虑在内,还采用了多元多尺度熵算法提取癫痫脑电信号特征。为了进行癫痫脑电信号分类,采用模式熵算法和多元多尺度熵算法构建分类识别所需要的熵特征集。(3)针对支持向量机的参数选取对其分类准确率的影响很大的问题,采用了网格搜索算法、种群算法以及粒子群算法对支持向量机中的核函数参数以及惩罚因子参数进行了优化。癫痫脑电信号的分类识别结果表明,基于参数优化的支持向量机性能比较稳定,而且基于群智能优化算法,如:种群算法、粒子群算法的支持向量机比基于网格搜索算法的支持向量机的分类准确率要高。