基于人工智能的癫痫发作预测研究综述

癫痫属于神经系统疾病,反复发作和持久倾向将导致机体损伤,因此提前发现癫痫发作有助提升患者的生活质量。为了全面且深入地探究人工智能在预测癫痫发作方面的研究进展及趋势,首先介绍了目前常用的预测癫痫的脑电公开数据集、评价指标和预处理技术,其次将基于人工智能的癫痫发作预测研究划分为基于机器学习和基于深度学习两类,并分别进行分析。分析结果显示,基于深度学习的癫痫发作预测,准确率能达到95%以上。基于以上研究结果得出人工智能应用于癫痫发作预测具有良好的发展前景。

癫痫发作预测研究方法新进展

癫痫是由大脑神经元群高度同步化异常放电所导致的一组疾病或综合征，常会反复、突然发作，严重影响患者的生活与工作。脑电图（Electroenceph—alography，EEG）信号中包含了脑内大量的生理和病理信息，在癫痫等脑科疾病的诊断治疗中起着非常重要的作用。EEG信号表现为随机性很强的电生理信号，具有明显的非平稳性和非线性特征，

一种用于癫痫发作预测的可穿戴无线传感器

该文设计了一种贴片可穿戴式心电传感器(Wearable Patch-type ECG Sensor,WPES),主要由电极、心电采集模块、蓝牙模块和电源模块等部分组成。WPES以BMD101芯片为核心进行心电采集,通过低功耗蓝牙实现与手机之间的通信。WPES具有电路简单、体积小、重量轻、功耗低、穿戴方便、舒适度高等特点,可以作为传感器节点用于网络化癫痫发作预测。

基于二阶C_0复杂度的癫痫发作预测

癫痫发作的预测是近年来在临床医学和神经系统科学研究领域中备受关注的问题。如果癫痫发作能够被可靠地预测,则可以提前采取有效的临床预防措施,从而能较大程度地改善癫痫患者的生活质量。文章提出了一种基于二阶C0复杂度的预测算法用于预测癫痫发作。该算法通过分析癫痫患者颅内脑电信号的二阶C0复杂度,利用发作前期复杂度曲线的变化特征预测癫痫发作。作者运用该算法对21组癫痫病人87次发作的临床颅内脑电数据和4组大鼠4次发作的颅内脑电数据进行分析计算,预测准确率分别为94.3%和100%。实验结果表明该算法可以有效地预测癫痫发作,具有潜在的重要临床应用价值。

基于脑电信号预发作数据段选取的癫痫发作预测

为了提高癫痫发作预测的准确性,提出针对病患个体进行癫痫发作预测的算法,包括特征提取、预发作数据段选取、特征挑选与导联挑选.算法采用半重叠的2 s窗对每个导联分别提取时频特征和空域特征.从发作前期选择与发作间期相比具有最大线性可分性的连续10 min数据作为预发作数据段的有效正样本.算法通过弹性网进行特征挑选,再基于所选特征通过贪婪算法选择有效导联,将有效导联的有效特征输入到分类器中.将该算法在MIT公共头皮脑电数据库和宣武医院收集的数据集上进行测试,测试结果为:在MIT数据库上的击中率为95.76%,假阳性率为0.1073 h−1;在宣武医院数据集上的击中率为97.80%,假阳性率为0.0453 h−1.结果表明,该算法具有较高的击中率和较低的假阳性率.

基于LSTM模型的单导联脑电癫痫发作预测

针对目前癫痫发作实时自动预测困难的问题,将开展以LSTM模型为基础的癫痫发作预测的研究,构建了基于LSTM的神经网络模型对癫痫发作进行预测。将采集到的癫痫脑电数据进行预处理,然后提取单导联脑电小波能量特征,结合构建的基于LSTM的模型来识别癫痫发作前期和发作间期的状态,从而实现癫痫发作的预测。与传统的SVM和MLP相比,本方法取得了98. 5%的分类精度和零误警的结果。为未来开发癫痫发作预警系统提供了理论基础,在临床应用上具有较大的潜在价值。

基于深度神经网络的个性化睡眠癫痫发作预测

现有癫痫发作预测方法存在精度较低、错误报警率较高、癫痫患者睡眠脑电特异性、致痫灶位置和类型不同导致脑电信号存在差异的问题.文中提出基于深度神经网络的个性化睡眠癫痫发作预测方法,帮助医生和患者采取及时有效的治疗措施,降低患者患并发症和猝死的概率.对原始脑电信号滤波和分段以去除噪声,保证短时间内触发警报,利用离散小波变换分解信号并提取统计特征表征脑电信号时频特征.再应用双向长短期记忆网络挖掘最具鉴别能力的特征并结合留一法分类,经过决策过程优化得到预测结果.在不同频带限制条件下的实验表明,与睡眠癫痫相关的δ频带信号是影响发作预测性能的重要因素.相比现有睡眠癫痫预测方法,文中方法性能较优.

结合连续小波变换与生成对抗网络的癫痫发作预测

目前半监督深度学习模型已成功用于脑电信号(EEG)的癫痫发作预测,但该模型在EEG预处理方式与半监督模型稳定性等方面还有提升空间。本研究提出一种结合连续小波变换(CWT)与基于梯度惩罚的Wasserstein生成对抗网络(WGAN-GP)的改进方法(CWT-WGAN-GP)。首先对未标记的EEG信号进行CWT获得时频图,并结合特定患者的EEG数据集训练WGAN-GP模型,生成高性能的特征提取器;其次,以经过训练的WGAN-GP的判别器为特征提取器、两个全连接网络层为分类器(预测器),用少量有标记的EEG信号CWT时频图完成分类模型训练;最后,WGAN-GP的判别器与稳定的全连接网络组成半监督深度学习预测模型,用于癫痫发作预测。用CHBMIT头皮脑电数据集中所筛选的13例患者数据,评估改进的半监督癫痫发作预测模型,并与现有半监督方法相比。该方法在灵敏度、特异性、准确率和AUC指标上分别达到82.69%,67.48%,82.08%和84.03%,将原有的性能指标分别提升14.48%,34.45%,7.87%和11.4%;CWT-WGAN-GP的预测性能与现有方法的差异具有统计学意义(P<0.05)。CWT与WGAN-GP模型相结合能有效地改善半监督深度学习模型预测性能,在癫痫发作预测中发挥无监督特征提取的优化作用。

基于支持向量机的多通道癫痫发作预测

癫痫是一种大脑神经系统疾病,具有突发性和反复性,对患者的生命安全构成极大的威胁,有效预测癫痫对该病的预防和治疗具有重要的意义。为此,提取来自德国弗莱堡大学癫痫预测中心21个病人的公开数据集。利用独立成分分析方法对原始数据进行去冗余操作,自回归模型被用来对癫痫脑电进行特征提取。支持向量机模型和滤波器将预测问题转化为二分类问题。蒙特卡洛统计方法使得最终的结果具有统计学上的意义。实验结果表明,该模型能够提前30 min^70 min预测到癫痫的发生,且误报率将近0,能为临床癫痫预警系统提供较好的理论依据。

癫痫发作预测模型:斯托克韦尔变换的生成对抗与长短时记忆网络半监督方法

目的提出一种半监督癫痫发作预测模型(ST-WGAN-GP-Bi-LSTM预测模型),从脑电(EEG)信号的时频分析、无监督特征模型稳定性以及后端分类器设计三个方面提升发作预测性能。方法对癫痫EEG信号进行斯托克韦尔变换(ST变换)得到时频输入,通过自适应调节分辨率和保留绝对相位,定位癫痫EEG信号的时频成分;当生成数据分布和真实EEG数据分布无重叠时,为了避免JS散度均为常数而导致特征学习失效的问题,采用Wasserstein生成对抗网络作为特征学习模型,以EM距离结合梯度惩罚策略(WGAN-GP)引导的代价函数,约束模型的无监督训练过程,进而生成高阶特征提取器;构建基于双向长短时记忆网络(Bi-LSTM)的时序预测模型,在获取高阶EEG时频特征间时序相关性基础上提升癫痫分类(预测)性能。利用公开数据集CHB-MIT头皮脑电数据集对本文提出的ST-WGAN-GP-Bi-LSTM预测模型进行评估。结果本文的ST-WGAN-GP-BiLSTM预测模型在AUC、灵敏度和特异性指标上分别达到90.40%,83.62%和86.69%。与现有半监督方法相比,将原有的性能指标分别提升17.77%,15.41%和53.66%,并与基于CNN的有监督预测模型性能持平。结论本方法有效地改善半监督深度学习模型预测性能,在癫痫发作预测中发挥无监督特征提取的优化作用。

基于脑电信号的癫痫发作预测

为满足临床上癫痫发作预测的准确性和实时性要求,提出一种基于时域和频域特征提取的癫痫发作预测算法。算法采用移动步长为1s,窗口大小为5s的数据段进行特征提取,并代替原始数据送入LightGBM分类器进行训练,样本分类标准为15min后患者癫痫发作与否,发作即为负样本。将该算法应用于南京市某医院癫痫数据集上进行测试,结果表明训练集召回率为100%,误报率为0/h;测试集召回率为84.18%,误报率为0.57/h。该算法可较好地解决现有数据的分类问题,对癫痫发作的预测具有一定应用价值。

基于EEG的癫痫发作预测当前研究与进展

癫痫(Epilepsy)是神经系统常见疾病,具有反复发作和难以治愈的特征,据世界卫生组织统计,其患病率为0.4%～1.4%。在过去的30年中,国内外在基于脑电图(Electroencephalogram,EEG)的癫痫发作诊断方面取得了巨大的进展。近些年来随着机器学习等计算机技术的不断发展,癫痫研究的前沿已经转向了癫痫预测方面。虽然抗癫痫药物可以解决大部分癫痫患者的发作问题,但是将近三分之一的癫痫患者患有医学难治性癫痫,药物可以减少癫痫发作的频率但不能控制其发作。如果能够通过机器学习方法在其临床表现之前预测癫痫的发作,那么就可以通过包括自我给药,植入药物或者电刺激植入装置等顿挫疗法给予治疗。介绍了国内外期刊关于癫痫发作预测的研究进展,并对其中常使用的机器学习方法进行汇总,分析了现有研究存在的问题,并对未来研究方向提出了一种新思路。

基于脑电多特征融合的癫痫发作预测方法

癫痫的发作会给患者的身体和精神造成极大的创伤,对癫痫发作的准确预测可以及时协助医生对患者采取治疗措施.为了准确预测癫痫发作,提出脑电特征和多通道脑电交互特征相融合的癫痫发作预测方法.首先,提出多尺度符号化排列传递熵对多通道脑电信号交互信息进行分析,生成同步矩阵,并通过显著性分析筛选与癫痫发作相关的重要脑电通道,减少不必要特征对分类的干扰;然后,对筛选通道后的脑电信号生成表征脑电信号特征的功率谱密度能量图(PSDED)和描述脑通道交互特征的同步矩阵图(SMD),将两个特征图融合,采用深度卷积神经网络(DCNN)对癫痫患者脑电信号进行分类识别,提高学习能力和泛化能力,分类准确率可达到96.825%;最后,在分类的基础上采用预测评价系统对癫痫发作预测性能进行评估,癫痫发作预测范围(SPH)为10 min和发作发生期(SOP)为10 min时,预测敏感性达到96.66%,误检率可达到0.03/h;当SPH为30min,SOP为10 min时,预测敏感性达到93.17%,误检率可达到0.05/h.与现有研究结果相比较,所提出方法具有较好的预测敏感度和较低的误检率.

癫痫发作预测的研究进展

癫痫是仅次于头痛和脑卒中的常见神经科疾病，由于引起癫痫病因复杂，病程长期反复，导致患者智力发育迟缓、心理障碍、意外事故、突然死亡等发生，使患者身心遭受痛苦，对家庭带来沉重的经济负担。如能够在癫痫发作前预测到即将到来的癫痫发作，即使时间较短，也有可能使我们采取必要的治疗或预防保护措施，这对患者是十分有利的。

大鼠癫痫发作可预测性的研究

癫痫是一种常见的神经系统疾病,其长期反复发作,使患者身心不断遭受伤害。若能提前预测到癫痫的发作,则可以使患者及时采取措施进行预防和保护。在癫痫发作预测研究中,动物模型可以提供丰富的样本,验证算法可行性,揭示癫痫发作的规律。本文制作了癫痫大鼠模型并建立了数据采集系统。利用同步性和复杂度两种非线性特征,对12次癫痫大发作进行分析,发现癫痫发作前同步性特征呈下降或上升趋势,复杂度特征则呈与同步性相反的变化趋势。这种变化在发作前几分钟出现,分析结果验证了癫痫发作的可预测性。

机器学习在癫痫疾病诊疗中的应用

目的/意义对机器学习在癫痫发作预测、诊断预测、发作检测、抗癫痫药物的疗效预测、癫痫手术预测等方面的近期应用情况进行总结分析。方法/过程通过PubMed检索文献,总结各机器学习模型的性能及优缺点,以及机器学习技术面临的挑战。结果/结论机器学习对癫痫疾病的诊疗具有重要作用,可为临床医生的诊疗工作提供参考。

实验神经现象学：神经现象学的方法论实践--以癫痫发作的预测研究为例

神经现象学认为只有在第一人称方法与第三人称方法之间形成一种"互惠约束"才能有效地考察主观体验与脑-神经活动之间的关系,从而推进认知科学的方法论革命。为了检验上述主张的意义,实验神经现象学以癫痫发作预测作为切入点,尝试在癫痫发作前患者的主观体验及其神经动力学变化之间架设起桥梁。研究发现,两者之间存在着一种特殊的"异质同形"关系。未来的实验神经现象学方案需要区分现象学还原与内省,平衡两种方法的地位,并反思其对心理物理学的超越性。