基于概率判决极端学习机的癫痫发作预报研究

平均预报敏感度和误报率是癫痫发作预报中最为重要的两个指标,针对在提高平均预报敏感度的同时误报率往往也会增高的问题,提出一种基于概率判决极端学习机的癫痫发作预报方法。该方法在利用平均相位相干指数对脑电信号进行特征提取的基础上,采用概率判决极端学习机进行分类,得到定量的分类信息之后,通过确定分类阈值来维持平均预报敏感度与误报率之间的平衡,最后经平滑过滤得到发作预报结果。对21例难治性癫痫病患者的仿真实验表明,本方法的平均预报敏感度可达到80.4%,平均误报率可低至0.10 h-1,具有较好的预报性能;而且训练时间短,为临床的在线应用提供了有价值的参考。

基于脑电慢波的线性癫痫发作预报方法

目的研究基于脑电慢波提取癫痫发作前特征的线性发作预报方法。方法记录系统为8导脑电Hol-ter系统,数据采自4例部分性发作继而全身性发作患者,用小波变换分离脑电慢波成分,观察脑电慢波能量在癫痫发作前的变化。结果可检测出数分钟至数十分钟的癫痫发作前阶段。结论脑电慢波能量可作为检测癫痫发作前阶段的指标,但有待积累更多病例深入研究。

基于AR模型和Lempel-Ziv复杂度的癫痫发作预报

目的癫痫是由多种病因引起的慢性脑功能障碍综合征,及时的发作预报,对于建立新的治疗方法和改善患者的生活质量有着至关重要的作用。目前大部分脑电分析算法存在计算速度慢、适应性差等问题,无法满足癫痫脑电发作预报的要求。方法本文应用自回归模型对脑电信号进行特征提取,支持向量机(support vector machine,SVM)作脑电各个时期分类器,并与Lempel-Ziv复杂度分析计算相结合,准确识别发作前期,以实现癫痫的发作预报。结果应用弗莱堡大学数据对上述方法的有效性进行验证。仿真结果表明,该方法得到的发作漏检率、误报率较低,预报提前时间较长。结论将AR模型和Lempel-Ziv复杂度相结合,对癫痫发作预报的实现,有一定参考价值和意义。

相关积分检测癫痫发作前脑电的动力学变化

目的研究用相关积分预报癫痫发作的效果。方法记录系统为8导脑电Holter系统,数据采自5例部分性继发全身性发作的病人,用相关积分对癫痫病人的发作前数据进行分析以检测发作前阶段。结果5例中有4例可以检测出数分钟至数十分钟的发作前阶段。结论癫痫病人的头皮脑电Holter数据中隐含有一定的发作前变化信息,相关积分可以反映出病人发作前脑动力学的某些相对变化,相关积分可用于检测癫痫发作前阶段,但还需进一步扩大分析病例。