基于EEG的帕金森病诊断系统开发及其应用研究

作     者：熊世滔 

作者单位：南昌大学 

学位级别：硕士

导师姓名：黄菊花;饶良星

授予年度：2024年

学科分类：0831[工学-生物医学工程（可授工学、理学、医学学位）] 12[管理学] 1004[医学-公共卫生与预防医学(可授医学、理学学位)] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 081104[工学-模式识别与智能系统] 0835[工学-软件工程] 0811[工学-控制科学与工程] 10[医学] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：帕金森病 脑电采集系统 卷积神经网络 支持向量机 

摘      要：帕金森病(Parkinson s disease,PD)是一种逐渐发展的神经退行性疾病,但是目前这种病的诊断过程比较繁琐,诊断结果也因个体存在差异,特别是在早期阶段,症状可能不典型或较轻微,很难与其他神经系统障碍鉴别,目前尚未发现特异性的生物标志物用于这种病的诊断,这使得早期诊断成为一个挑战。既往的研究表明,早期的PD患者已经产生了与此病相关的脑电(Electroencephalography,EEG)活动的改变。本文针对早期PD诊断的不准确、不便利的两个问题,开发了基于卷积神经网络(Convolutional Neural Network,CNN)和支持向量机(Support Vector Machine,SVM)算法的早期PD诊断系统。具体工作如下: 本文根据EEG诊断PD的研究现状确定了研究方案。基于ADS1299前端采集芯片和stm32f103单片机研制了8通道EEG采集系统,完成了采集设备的软硬件设计开发。设计了PD组和对照组EEG采集的实验方案,完成了早期PD组和对照组静息态EEG数据采集及预处理工作。 依据早期PD患者的EEG特征建立了CNN和SVM的分类模型。将睁眼和闭眼两种状态下早期PD患者和对照组的静息态EEG预处理制作成数据集,将其分别送入CNN当中进行训练,模型的分类准确率最高达到93.8%。此外,提取了PD组和对照组的样本熵(Sample Entropy,SE)和四个波段的功率谱密度(Power Spectral Density,PSD)特征,采用SVM分类,分类准确率最高达到95%;对EEG的20个通道对分类的重要度进行了排序,得到了表现最佳的通道组合。 基于分类结果选择最优的分类器和特征组合开发出基于EEG的早期帕金森病的诊断系统界面,为早期帕金森病患者居家监测和诊断的便携设备的开发奠定基础。