基于改进小波阈值函数的癫痫信号去噪算法

针对癫痫信号中存在的各类伪差信号,论文构造并采用了一种改进小波阈值函数。通过调整改进阈值函数当中的参数,实现在去除高频信号部分噪声的同时尽量保留信号的细节系数。通过分析癫痫信号的Matlab仿真实验数据,论文所构造阈值函数去噪后信噪比高于21.232而均方根误差均低于3.473。相较于软、硬阈值函数的信噪比至少提高了9%,而均方根误差相应至少降低19%。该算法不仅有效去除癫痫信号中的噪声,而且癫痫信号去噪后的信噪比和均方根误差数据均明显优于软硬阈值函数,验证了信号去噪的有效性。

一种无线充电、无线通信的植入式癫痫信号检测器

提出了一种无线癫痫信号检测器,主要由记录电极、癫痫信号提取和放大模块(包括斩波放大器和滤波器)、射频能量收集器(RFEH)、蓝牙模块和癫痫信号检测算法等组成,用于构建闭环神经刺激器。设计了一种由多级"零漂移"同相放大器组成的斩波放大器、用于分离局部场电位(LFP)和棘波(Spikes)的低通滤波器(200 Hz)和带通滤波器(300 Hz^5 000 Hz),以及由单通路Villard倍压整流电路构成的RFEH(为系统供电)。采用海岸线参数法来检测癫痫信号的发作。测试结果表明,斩波放大器的输入漂移电压为1μV,LFP和Spikes的增益分别为40 d B和100 dB。当发射功率为25 dBm@2.45 GHz、测试距离为2 cm,在无负载和负载为1 kΩ时,RFEH的输出电压分别为5.6 V和2.6 V,带载时能量转换效率为2%。海岸线参数算法的准确率为91.1%。

基于频率切片小波变换和支持向量机的癫痫脑电信号自动检测

实现癫痫脑电信号的自动检测对癫痫的临床诊断和治疗具有重要意义.本文提出先使用频率切片小波变换分离出5个不同频段的节律信号,再分别计算每个节律信号的近似熵和相邻节律的波动指数,最后使用遗传算法优化的支持向量机进行分类.实验结果表明,所提出的方法能够对正常、癫痫发作间期和癫痫发作期三种脑电信号进行准确分类,分类准确率为98.33%.

基于微状态方法的癫痫脑电信号识别研究

癫痫发作时脑神经元异常放电,严重危及人的生命,准确识别癫痫脑电信号对癫痫诊断具有重大意义,对此使用微状态分析法对癫痫脑电信号进行识别研究。各选取11名癫痫患者和健康人,计算癫痫发作、癫痫未发作和健康人脑电微状态的传统特征(出现频率、平均持续时间、覆盖率和转移概率)、Hurst指数、动态特征(ACF和AIF),进行差异性分析并使用SVM进行分类。在1 Hz~40 Hz频段,癫痫发作和健康人、癫痫发作和癫痫未发作、癫痫未发作和健康人的传统特征、Hurst指数、动态特征均有显著差异,三种特征融合的准确率分别为99.9%、96.3%、96.3%,均高于其他频带(delta、theta、alpha、beta和gamma)的准确率。癫痫脑电微状态特征能被准确识别,1 Hz~40 Hz频段多参数特征融合能有效提高分类准确率。

基于脑电信号的癫痫疾病智能诊断与研究

针对医疗诊断中癫痫脑电信号分类准确率低、分类类别少的问题,依据粒子群算法和支持向量机理论,提出了一种基于粒子群算法优化支持向量机参数的信号分类检测技术。首先利用小波分析对脑电信号进行5层分解与重构,然后提取含有癫痫特征频率的3、4、5层重构信号的波动系数和近似熵等特征,计算不同状态不同尺度的脑电信号能量,根据不同状态不同尺度的能量分布,调整特征向量的系数。最后使用粒子群算法优化的支持向量机对脑电信号进行分类。实验结果表明,本文提出的方法可以正确识别健康、癫痫发作间期、癫痫发作期3种类型脑电信号,最终的识别率可以达到99.83%。

针灸干预癫痫相关信号通路研究进展

癫痫是脑病中极为复杂且治疗困难的疾病之一,其复发率高,严重影响患者正常生活。癫痫对脑部损害较大,会引起难以恢复的认知记忆能力损伤。因此,癫痫一直为医学研究的热点之一。针灸防治癫痫在古代即有论述,认为具有良好疗效,但因其多以医家个案为主,并无系统总结,且由于其缺乏实验支持,为现代医学所怀疑。为此,通过对近5年来国内外文献中对针灸治疗癫痫的研究进行总结,系统阐述中医学对癫痫的认识以及针灸治疗癫痫的临床及实验研究进展,重点总结电针对癫痫相关信号通路的研究现状。

基于EEMD算法的癫痫脑电信号识别

针对癫痫脑电(EEG)信号的非平稳性和非线性,提出一种基于集合经验模式分解(EEMD)脑电的方法,首先利用EEMD将EEG信号分解,得到各阶本征模式分量(IMF),然后提取有效特征,构成特征分量,最后用支持向量机(LS-SVM)对其分类;采用德国波恩癫痫研究室临床采集的癫痫脑电数据库,实验结果表明:特征提取方法对癫痫发作间歇期和发作期EEG的分类正确率最高可达99.5%。

基于EEMD和LS-SVM的癫痫脑电信号识别

针对癫痫脑电(EEG)信号的非平稳性和非线性,提出一种基于集合经验模式分解(EEMD)提特征并利用最小二乘支持向量机(LS-SVM)的脑电信号分类方法。首先利用EEMD将EEG信号分成多个经验模式分量,得到各阶本征模式分量(IMF),然后提取有效特征,最后用LS-SVM对其进行分类,实验结果表明,该方法对癫痫发作间歇期和发作期EEG的提特征后分类识别正确率达到98%。

基于ICA与小波阈值的癫痫脑电信号去噪方法

在癫痫性发作的自动检测中,脑电信号的去噪对检测结果起着至关重要的作用。文中提出了一种新的基于ICA与小波阈值的癫痫脑电信号去噪方法。该方法首先利用ICA将多通道癫痫脑电信号分解为若干独立分量;其次基于独立分量与脑电信号间的夹角余弦识别含噪独立分量并用小波阈值对其去噪处理;最终,在去噪后的癫痫脑电信号与原始癫痫脑电信号中提取样本熵作为脑电特征,并结合超限学习机完成癫痫性发作的自动检测。实验结果表明,在去噪后癫痫脑电信号上的分类性能均优于原始癫痫脑电信号,该文所提方法一定程度上达到了自动去除脑电噪声的效果。同时,该方法避免了去噪过程中对噪声人工辨别及干净参考噪声选取等问题。

基于Lempel-Ziv复杂度和经验模态分解的癫痫脑电信号的检测方法

癫痫脑电信号是非平稳、非线性的,根据此特性我们提出一个基于Lempel-Ziv复杂度和经验模态分解(EMD)的癫痫脑电信号的检测方法,首先将癫痫脑电信号用EMD分解,再分别计算每阶固有模态函数(IMF)的复杂度,最后将得到的复杂度作为特征进行检测.实验用波恩数据库来评估提出的方法.结果表明,该方法检测准确率可达到95.25%,具有准确率高、适应性强等优点.

基于FSWT和GBDT的癫痫脑电信号分类研究

为解决癫痫脑电信号分类类别以及分类精度不足的问题,使用频率切片小波变换对脑电数据进行信号重构,得到5个频段的节律信号,再利用非线性指标近似熵和线性指标波动指数共同作为癫痫信号的特征值,充分提取信号的特征信息。随后使用梯度提升树算法对得到的特征数据集进行多分类。实验表明,该算法对癫痫脑电信号的三分类识别率为98.4%。较传统Adaboost算法,该方法采取了GBDT(Gradient Boosting Decision Tree)作为分类算法,成功利用更多的数据集,并且使得分类精度更高。

癫痫脑电信号的相关性分析

目的:利用相关性来研究癫痫脑电信号,研究其脑电活动特征。方法:采用5只狗的癫痫数据。数据分为间期、前期以及测试数据。首先用分类器对数据进行分类,观察分类效果,选取最好的分段范围。利用相关性来分析间期、前期数据。研究癫痫脑电信号的特征。结果:随时间的推移,信号通道间相关系数呈现递增的趋势。使用SVM分类器能够实现对信号最佳的分类,AUC可高达0.9432。

基于小波变换和样本熵的脑电信号癫痫特征提取

癫痫发作时的脑电信号(EEG)中含有大量的癫痫特征波信息,特征波形是确定癫痫是否发作的重要依据。小波变换可以对信号进行多分辨率分解,将信号分解成不同频率的含有特征信息的细节信号。癫痫发作时,脑电信号的复杂性会降低,样本熵可以表示信号系统的复杂程度。论文采用小波变换(wavelet transform)和样本熵(sample entropy)结合的分析方法,首先运用小波变换分别对正常状态、癫痫发作间期和发作期的脑电信号进行多分辨率分解,提取出含有特征信息的子频带,然后对子频带求样本熵。实验结果表明,此方法可以有效地提取出含有尖波(sharp wave)、棘波(spike wave)等癫痫特征信息。

基于F-Score特征选择的癫痫脑电信号识别方法

随着癫痫脑电信号自动检测算法研究地不断深入,需要处理的特征维度也不断增加,且冗余特征增大了算法的复杂度,导致算法性能下降。为此,提出一种基于F-Score特征选择的癫痫脑电信号识别方法。首先,从原始癫痫脑电信号数据集中提取特征,并计算每个特征的F-Score统计值;然后,根据分类模型的分类准确率,通过序列前向搜索方法,选择最优特征集;最后,利用支持向量机和逻辑回归分类模型进行实验,并与传统的特征降维方法PCA进行对比。实验结果表明,本文方法可有效降低特征矩阵的维数,提高算法运算效率。

基于脑电高频振荡节律的癫痫始发区快速定位算法研究

最新研究发现癫痫脑电信号中的高频振荡节律(High-frequency Oscillations,HFOs)是定位癫痫始发区(Seizure Onset Zone,SOZ)的重要生物指标.在癫痫致痫灶术前定位的过程中,以癫痫样放电判断癫痫始发区的方法十分耗时,而且癫痫样放电与癫痫发作的关系还不明确,不但增加病人感染疾病的风险,还会造成误诊.本文设计了一种基于高频振荡节律的快速定位算法,利用功率谱密度的差异提取疑似癫痫始发区,再根据曲线模板检出高频振荡节律同步出现的导联;同时基于复Morlet小波将信号变换到时频域进行分析,共同实现癫痫始发区快速定位.经过对4例临床病例处理的结果表明,该算法灵敏度和特异性良好,有助于临床癫痫手术术前精确定位.

基于改进残差网络的癫痫脑电自动识别算法

为了提高癫痫脑电图(EEG)的识别精度,提出一种基于改进残差网络的癫痫脑电自动识别算法。首先对EEG信号进行归一化,然后利用改进的残差模块构建一维深度残差网络,将其用于自主学习EEG的内在特征,最后利用Softmax分类器实现癫痫的自动识别。为了评估模型的性能,采用十折交叉验证对波恩大学的癫痫数据集进行实验。实验结果表明,该算法能够有效识别癫痫EEG类别,具有较高的识别准确率。

非平衡数据处理方法在癫痫发作检测中的应用

非平衡数据集是指数据集中的某类样本数量远大于其他样本的数量。对于此类数据,类分布的不平衡会直接导致很多分类算法的失效。文中基于K-means聚类,Silhouette指标和M-近邻下采样提出一种新的数据平衡方法(K-S-M)。该方法首先用K-means算法对多数类样本进行多次聚类并选取最优聚类个数,然后采用M-近邻下采样对聚类后的数据进行采样,将采样后的点最终构成平衡数据,并对得到的平衡数据进行癫痫性发作的自动检测。实验结果表明,文中所提方法可以很好地处理非平衡数据,减少数据信息损失,同时可以提高非平衡数据分类的有效性。

基于LightGBM算法的癫痫状态识别

本文通过使用分块混合的方式将不同时间段的脑电波进行提取,通过LightGBM算法进行模型训练,使用波士顿医院CHB-MIT数据集,波恩大学癫痫数据集进行训练和评估,该模型发挥了决策树的优势,相比使用卷积神经网络模型拥有更高的准确率,为癫痫状态识别提供了参考和依据。

基于视角-规则的深度TSK模糊分类器及其在多元癫痫脑电信号识别中的应用

在癫痫脑电信号分类检测中,传统机器学习方法分类效果不理想,深度学习模型虽然具有较好的特征学习优势,但其“黑盒”学习方式不具备可解释性,不能很好地应用于临床辅助诊断;并且,现有的多视角深度TSK模糊系统难以有效表征各视角特征之间的相关性.针对以上问题,提出一种基于视角-规则的深度Takagi-SugenoKang(TSK)模糊分类器(view-to-rule Takagi-Sugeno-Kang fuzzy classifier,VR-TSK-FC),并将其应用于多元癫痫脑电信号检测中.该算法在原始数据上构建前件规则以保证模型的可解释性,利用一维卷积神经网络(1-dimensional convolutional neural network,1D-CNN)从多角度抓取多元脑电信号深度特征.每个模糊规则的后件部分分别采用一个视角的脑电信号深度特征作为其后件变量,视角-规则的学习方式提高了VR-TSK-FC表征能力.在Bonn和CHB-MIT数据集上,VR-TSK-FC算法模糊逻辑推理过程保证可解释的基础上达到了较好分类效果.

一种基于深度学习的时序病变数据段分类方法

针对在大规模时序医疗数据的分析中现有检测方法检测精度低、检测速度慢等问题,文中提出了一种基于深度学习的时序病变数据段分类方法。该方法在TSTKS(Ternary Search Trees and modified Kolmogorov-Smirnov)算法和滑动窗口理论的基础上,利用深度学习技术实现了对病变数据段的快速准确分类。文中以利用该方法对病变数据段进行分类的结果作为依据,实现了滑动窗口大小的动态调整。通过对真实癫痫脑电信号(Electroencephalogram,EEG)进行分析,证明了所提病变数据段分类方法和基于该分类方法的滑动窗口动态调整机制具有检测速度快、精度较高等优点,可以为大规模时序数据的快速分析研究提供一种新选择。