外伤性癫痫手术ECOG和睡眠EEG的应用

我们对外伤后顽固性癫痫的患者采用睡眠ＥＥＧ全程监测，选择其中５例行手术治疗，术中ＥＣＯＧ监测。１临床资料本组５例均为外伤后顽固性癫痫，男４例，女１例。年龄２０～４０岁。病程２～３２年，４例伴颅骨缺损，１例生活不能自理。ＭＲＩ、ＣＴ均有不同程度脑软化灶...

基于Flexible ICA的睡眠EEG及EOG中心电伪差的消除

提出了一种采用自适应非线性函数的ICA学习算法,FlexibleICA算法,并将其应用于睡眠EEG自动分期的前期预处理中,用于消除采集到的各通道信号中的心电伪差。实验结果证明,FlexibleICA算法能够快速有效的消除各通道的心电伪差,为后期的睡眠EEG自动分期打下了良好的基础。

剥夺睡眠—睡眠脑电图在癫痫诊断及鉴别诊断中的应用(附53例剥夺睡眠——睡眠EEG)

癫痫波(尖波、棘波、棘慢综合波等)是临床诊断及鉴别诊断癫痫的重要依据。临床许多主诉有抽搐等发作性症状的病人,多次常规脑电图检查均未查到痫性波形,使其难于得到正确的诊治。剥夺睡眠可以有效地诱发痫性放电,睡眠时易出现异常波形。本组采用剥夺睡眠——睡眠联合法检查53例常规脑电图检查阴性,但临床诊断为癫痫或可疑癫痫的病人,阳性率达77％。

回归分析最小化睡眠信号中的ECG干扰

简要介绍了回归分析的方法 ,并将其应用于睡眠EEG自动分期研究中 ,用于抑制所采集的各通道信号中的ECG干扰。实验结果表明 :回归分析方法可以极大地消除各通道信号中的ECG干扰 。

基于神经网络集成的睡眠脑电分期研究

用近似熵对睡眠脑电信号进行分期,由于睡眠Ⅲ期和Ⅳ期近似熵值非常接近,靠近似熵值无法区分,提出基于神经网络集成的睡眠脑电信号分期,采用BP神经网络为分类器,对用AR参数提取的睡眠脑电特征对睡眠Ⅲ期和Ⅳ期进行分期。为进一步提高BP神经网络性能,采用Bagging算法对BP神经网络分类器进行加权投票,实验表明,提出的方法具有很好的分期效果。

基于指数加权的时变Hurst指数的睡眠脑电信号研究

睡眠脑电信号分析对于脑疾病早期诊断和睡眠质量监测具有重要意义。睡眠脑电信号具有明显的长相关特性,Hurst指数估计被广泛用于表征时间序列的分数或缩放特性、成为预测长相关时间序列的有效方法。但恒定的Hurst指数不能捕获动态睡眠EEG信号的详细信息,因此本文引入时变Hurst指数的指数加权方法,在移动时间窗口上对数据进行指数加权处理,对睡眠EEG信号时间序列进行动态分析。分析结果表明,基于指数加权的时变Hurst指数估计为不同睡眠阶段的大脑活动动态评估和脑疾病早期诊断提供了一种新颖而有效的研究方法。

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.