PSO-LSTM优化的癫痫预测和分类研究

针对癫痫的传统药物治疗方法可能产生耐药性和手术治疗的非通用性等问题,提出一种基于计算模型的癫痫预测和分类算法。该算法从目前公认的癫痫发作机制的研究出发,采用计算模型生成具有特异性的癫痫数据,采用粒子群优化(particle swarm optimization,PSO)-长短期记忆网络(long short-term memory networks,LSTM)对癫痫进行分类和预测。PSO-LSTM算法突破参数搜索和时序特征捕捉的限制,在分析模拟癫痫不同数据特点的基础上,利用LSTM模型预测癫痫发作进程,并采用PSO算法优化LSTM模型参数,达到提高模型精度的目的。采用PSO-LSTM算法对癫痫发作进行分类和预测,并与传统算法进行对比,结果表明:该算法比传统算法在预测和分类癫痫方面具有更高的准确性和鲁棒性。

癫痫预测方法的分析与研究

癫痫预测目的有两个从技术的层面去理解癫痫发作的机理,并对癫痫发作进行测量和改善,探索引发癫痫发作的周期性及先兆;开发出可靠的“癫痫发作前预警及治疗装置”。癫痫预测的主要研究方法有频域分析方法;时序分析方法;智能系统工程方法;非线性动力学方法。目前,越来越多的研究集中在非线性动力学的方法上,且来自多种方法的很多证据证明癫痫可以预测。

脑电信号分析与癫痫预测的研究

癫痫是神经系统的常见疾病,具有反复发作和难以治愈的特征。在此介绍癫痫发作预测的可行性、存在的问题以及癫痫预测可能的应用领域。其预测的主要研究方法分为线性动力学方法和非线性动力学方法。癫痫预测目的是对癫痫发作周期进行定量分析,探索癫痫发作的周期变化规律,为癫痫预警装置的研发提供理论依据。

基于改进的LSTM癫痫预测算法研究

癫痫作为一种脑神经系统疾病,因其反复性强和治愈性低的特点,成为了目前医学界的难题。癫痫的患病率在世界上仅次于急性脑卒中的慢性疾病,达0.4%-1.4%。针对疾病发作的实时预测困难的问题,提出一种基于长短期记忆网络(LSTM)改进的癫痫发作预测算法研究。对经过预处理的电脑信号采用小波变换提取信号中的不同能量特征作为LSTM的输入参数,将电子搜索算法(ESA)和随时间反向传播算法(BPTT)相结合更快更准确地调整网络参数,以实现癫痫病发作的短时预测。与现有的网络预测分类模型LSTM、SVM进行对比试验,本文算法较传统分类算法提高了分类精度,达93.7%。

神经网络算法在癫痫预测模型中的应用研究综述

癫痫作为一种大脑神经元异常放电导致的中枢神经系统疾病,给患者的正常生活带来了极大影响,提前预测癫痫发作并及时采取防范措施可以有效提高患者的生活质量。随着数据科学和大数据技术的发展,神经网络算法越来越多地应用于癫痫预测领域,并展现出了巨大的应用潜力。对神经网络算法在癫痫预测领域的应用情况和不足之处进行了综述,按照癫痫预测模型的搭建流程依次从数据集、数据预处理、特征提取、神经网络算法模型几个模块进行论述。在介绍了脑电信号特点和常用数据集类别、常见数据预处理手段、常见的特征提取方法特别是手工设计特征的提取方法后,重点对多层人工神经网络和脉冲神经网络算法原理及其在癫痫预测领域的应用进行分析梳理和归纳总结,系统性地对神经网络算法的缺点进行剖析,并对神经网络算法在癫痫预测领域的进一步应用发展进行了讨论和展望。

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。

基于脑电棘波频次的癫痫发作预测算法

癫痫发作预测是近年来在神经科学领域中备受关注的课题。预测癫痫发作可以使医护人员或患者提前采取有效措施来预防和控制癫痫发作,在临床上具有重要意义。棘波是最基本的阵发性异常脑电活动,在分析和统计癫痫发作前期和发作期棘波频次不同表现的基础上,首次提出一种基于脑电棘波频次的癫痫预测算法。对脑电进行滤波以去掉高频干扰后,采用形态学滤波器检测脑电棘波数目,并计算各段脑电中棘波出现的频次,最后根据棘波频次的变化预测癫痫的发作。采用本算法对21例癫痫患者长程颅内脑电进行癫痫预测,准确率达到74.7%,每小时错误预测次数仅为0.111次。结果表明,所提出算法能够有效地预测癫痫发作。

基于共同空间模型的癫痫脑电检测预测的优劣

从辅助临床诊断为出发点,对癫痫脑电波的数据进行分析,用统计模式识别的方法——共同空间模型,结合统计学习理论——支持向量机,对脑电波进行检测和分类,结果表明共同空间模型方法可以很好的区分正常和异常的脑电波.而且对于一些癫痫发作模式,能够找到发作之前的征兆脑电波,进行预测.最后,对该检测预测系统之优劣进行了讨论.

基于EEG信号分析处理的癫痫预测研究

癫痫是神经系统的常见病,特点是大脑神经细胞群反复超同步放电,从而引起突发性的脑功能紊乱。由于癫痫发作具有突然性,发作时患者常伴有意识丧失,癫痫的发作常造成患者意外的伤害。如能对癫痫发作进行有效的预测,就可在发作前对患者采取必要的保护措施,从而减少患者受到伤害的风险。癫痫预测的研究也对认识癫痫的发病机制及开发新的治疗方法提供依据。本文介绍了癫痫发作预测常用的方法,研究现状和存在的问题。

癫痫脑电涟波的小波方差预测方法

采用小波包分析提取癫痫发作前脑电信号的波、波、涟波和快速涟波,提出采用脑电信号的小波方差作为癫痫发作的特征量,并选择其中的涟波和快速涟波的小波方差对癫痫发作进行预测。

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。

基于粒子群优化支持向量机的癫痫发作预测

为实现癫痫发作自动预测,采用一种基于粒子群(PSO)与支持向量机(SVM)方法相结合的癫痫发作预测模型。首先利用小波包变换提取小波包系数相对能量特征,接着将训练样本输入到支持向量机中,经过粒子群算法寻找最优参数从而实现对测试样本进行分类识别,最后论文提出一种阈值决策方法对支持向量机输出结果进行后处理。对CHB-MIT癫痫数据库中5名癫痫病人进行研究,通过与随机参数法、网格搜索方法对比分析,发现使用粒子群优化支持向量机提高了发作前期识别准确率,减少了误警率,从而取得更好的预测效果,证明了该方法的可行性,对癫痫预测研究具有一定的应用价值。

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.

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。

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。