基于LS-MEMD的sEEG高频振荡自动识别方法

立体定向脑电(stereo-EEG,sEEG)的癫痫间期高频振荡(High Frequency Oscillations,HFOs)与癫痫灶高度相关,广泛用于难治性癫痫切除术前定位中,但HFOs易与高频伪迹等混淆,自动辨识精度低,临床上仍依赖人工辨识,长程sEEG数据量巨大,人工辨识耗时费力易出错,急需HFOs高精度自动识别方法。考虑sEEG具有非线性、非平稳以及多维sEEG之间具有一致相关性等特点,本文提出基于最小二乘-多维经验模态分解(Least Square-Multivariate Empirical Mode Decomposition,LS-MEMD)的HFOs快速自动识别方法。本文基于临床1680段HFOs和1720段高频伪迹测试了该算法的性能,且与小波变换、经验模态分解等方法比较,证明了所提方法具有更高的准确率和更低的误检率。

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.