大鼠颞叶癫痫模型的脑电信号智能化分析及发作预测研究

作     者：刘慧卿 

作者单位：吉林大学 

学位级别：硕士

导师姓名：孟红梅

授予年度：2024年

学科分类：1002[医学-临床医学] 1001[医学-基础医学(可授医学、理学学位)] 100204[医学-神经病学] 10[医学] 

主      题：颞叶癫痫 机器学习 动物模型 发作预测 昼夜节律 

摘      要：目的: 运用机器学习(machine learning,ML)技术对颞叶癫痫大鼠的脑电信号进行智能化分析,探索颞叶癫痫大鼠的发作预测时间,结合不同分类器进行性能比较,为颞叶癫痫发作预测提供有效的分析方法。 方法: 制备氯化锂-毛果芸香碱癫痫大鼠模型,进行严格的12小时光照/12小时黑暗控制,在大鼠进入慢性发作期后进行长期连续的视频脑电监测,捕捉自发发作并截取其间期30min、前期30min、发作期脑电片段,发作时间在早8:00至晚20:00的记为白天组,发作时间在晚20:00至次日早8:00的记为夜间组,记录的指标包括:每次发作的体重、距造模的时间、发作时长、发作期平均波幅和平均每秒线长,对上述指标采用独立样本t检验进行组间比较以评估动物昼夜发作的一般状态和脑电能量差异;运用ML技术提取两组脑电的对数能量熵(log energy entropy,Log E)、排列熵(permutation entropy,PE)特征并分析其变化趋势,计算预测时间,结合支持向量机(support vector machine,SVM)、K最近邻(k-nearest neighbors,KNN)、线性判别分析(linear discriminant analysis,LDA)、决策树(decision trees,DT)四种分类器分别对发作间期-发作前期、发作前期-发作期进行分类并比较其性能。运用线性回归方法对发作指标和预测时间及分类性能之间的相关性进行分析。 结果: (1)多数情况下大鼠脑电信号的Log E值在发作间期到发作前期无明显变化,从发作前期到发作期Log E明显升高。两组脑电发作基于Log E的平均预测时间为11.74±5.31分钟。平均预测时间及演变情况在昼夜间无统计学差异。 (2)多数情况下大鼠脑电信号的PE值在发作间期到发作前期无明显变化,从发作前期到发作期,PE先短暂上升后迅速下降。两组脑电发作基于PE的平均预测时间为4.16±2.13分钟。平均预测时间及演变情况在昼夜间无统计学差异。 (3)执行发作前期-发作期分类任务中,Log E与SVM组合性能最佳,平均准确率97.59%,特异性99.51%,灵敏度93.19%。 (4)执行发作间期-发作前期分类任务中,PE与KNN组合性能最佳,平均准确率93.50%,特异性96.04%,灵敏度86.35%。 (5)昼夜分组、发作时体重、发作距造模的时间、发作时长、发作期平均波幅、发作期平均每秒线长等因素对基于两种脑电特征的ML预测模型的预测时间和性能均无显著影响。 结论: (1)癫痫发作前约11.74分钟可见Log E值发生变化,癫痫发作前4.16分钟可见PE值发生变化,因此基于Log E和PE的ML模型可以预测癫痫发作。 (2)在发作前约4分钟PE值上升,提示警觉水平提高,是癫痫发作期脑电的先兆特征。