检索结果-南通市图书馆

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于脑电信号的癫痫发作预测特征及识别

生物化学与生物物理进展 2023年第2期50卷 322-333页

作者：单宝莲张力新徐舫舟许敏鹏于海情魏斯文明东天津大学医学工程与转化医学研究院天津300072 天津大学精密仪器与光电子工程学院天津300072 齐鲁工业大学电子信息工程学院济南250353

解码癫痫发作前脑电信号的神经元集群异常痫样放电活动,对癫痫发作进行有效预测并实施病前干预,可显著减少疾病病损,是癫痫防治的研究热点之一。基于脑电信号的癫痫发作预测研究关键在于发作间期和前期的异常状态识别,研究上述两状态间... 详细信息

解码癫痫发作前脑电信号的神经元集群异常痫样放电活动,对癫痫发作进行有效预测并实施病前干预,可显著减少疾病病损,是癫痫防治的研究热点之一。基于脑电信号的癫痫发作预测研究关键在于发作间期和前期的异常状态识别,研究上述两状态间的神经动力学特征差异对明确癫痫发病机制、选取高分辨特征,进而有效识别该渐进性疾病所处的发作阶段具有重要价值。目前,研究者已对当前主流特征提取及模式识别方法进行了充分的调研梳理,但忽视了神经动态特征变化对于癫痫发作预测的重要意义。基于此,本文归纳总结了5类典型的发作预测特征分析方法及其优缺点,重点剖析了发作间期至前期神经生理特征的动态变化及其动力学特性,类比分析了当前该领域主流的机器学习和深度学习特征识别方法,以期为进一步建立精准、高效的癫痫发作预测技术提供新思路。

关键词：癫痫发作预测脑电信号神经动力学特征机器学习

在线全文

学校读者我要写书评

暂无评论

基于脑电信号的癫痫发作预测研究进展

生物医学工程学杂志 2021年第6期38卷 1193-1202页

作者：韩长明彭福来陈财李文超张昔坤王星维(综述) 周卫东(审校) 山东大学微电子学院济南250101 山东中科先进技术研究院有限公司济南250000

癫痫作为一种神经系统常见疾病,具有发病率高、突发性和反复性的特点。及时预测癫痫发作并进行干预治疗,可以显著减少患者的意外伤害。当前,基于脑电信号的癫痫发作预测正成为癫痫研究的热点,虽然相关研究取得很多进展,但距临床应用仍... 详细信息

癫痫作为一种神经系统常见疾病,具有发病率高、突发性和反复性的特点。及时预测癫痫发作并进行干预治疗,可以显著减少患者的意外伤害。当前,基于脑电信号的癫痫发作预测正成为癫痫研究的热点,虽然相关研究取得很多进展,但距临床应用仍有一定距离。本文就该领域的研究进行综述,阐述了其发展历程及关键技术,着重介绍和分析基于机器学习和深度学习进行癫痫发作预测的研究进展。传统机器学习方法面临特征选取和浅层模型泛化能力弱等制约,采用深度学习进行癫痫预测逐渐成为当前发展趋势,需要开展更加深入的探索,以促进癫痫发作预测技术的临床应用。

关键词：癫痫发作预测脑电信号机器学习深度学习

在线全文

学校读者我要写书评

暂无评论

基于深度学习的EEG癫痫发作预测方法研究

基于深度学习的EEG癫痫发作预测方法研究

作者：陈梁辉北京化工大学

学位级别：硕士

癫痫是一种由大脑异常放电引起的神经系统疾病,其发作会对患者的神经系统、认知、心理造成严重后果,影响患者的身心健康和生活质量,甚至给患者带来不利的社会影响。癫痫发作具有突发性、反复性等特点,如果在发作前能够及时准确地预测癫... 详细信息

癫痫是一种由大脑异常放电引起的神经系统疾病,其发作会对患者的神经系统、认知、心理造成严重后果,影响患者的身心健康和生活质量,甚至给患者带来不利的社会影响。癫痫发作具有突发性、反复性等特点,如果在发作前能够及时准确地预测癫痫发作,将有助于医生通过医疗干预,预防发作,降低发作给患者带来的危害,对患者和社会都具有十分重要的意义。EEG是临床癫痫诊断中最常用的方法之一,目前有很多基于EEG的癫痫发作预测的方法,其中大多数使用EEG单一的时域特征和频域特征,对癫痫发作预测的模型性能提升不大。因此,本课题以两个公开的癫痫脑电数据集作为研究对象,提出了两种基于EEG特征分析的深度学习模型,对癫痫发作预测的方法进行研究。首先,基于EEG时频特征,本文提出一种结合Res Net主干网络和Bi LSTM的深度学习网络模型,称为Res Bi LSTM。该方法通过短时傅里叶变换,将EEG变换为时频图,并使用Res Bi LSTM从时频图中提取特征,对EEG进行分类。通过添加Bi LSTM,Res Bi LSTM能够有效的提取时频特征中更细节的特征。使用了CHB-MIT数据集和新生儿癫痫脑电数据集对该模型的性能进行评估,结果表明,所提出的方法表现出优秀的性能,与其他模型对比,在准确度和每小时误报率方面均有改善。其次,基于EEG的时域特征和频域特征融合的方法,本文提出一种将一维卷积神经网络和改进的LSTM相结合的CLSTM模型,将原始EEG经过快速傅里叶变换提取的频域特征和原始EEG作为模型输入,将1DCNN分支提取的频域特征和LSTM分支提取的时域特征进行融合,以提高模型分类的性能,同时降低计算成本。模型在CHB-MIT数据集和新生儿癫痫脑电数据集上进行四个测试实验,结果表明,通过将时域特征和频域特征进行融合,能够有效的对发作间期和发作前期的EEG样本进行分类,对比于其他方法的结果,说明该方法在癫痫发作预测任务上表现更优秀。综上所述,基于时频特征所提出的Res Bi LSTM模型及基于时域特征和频域特征融合的方法所提出的CLSTM模型均表现出优秀的特征提取能力,能够对癫痫发作进行准确的预测,从而为癫痫发作预测临床应用提供理论支撑。

关键词：癫痫发作预测脑电图深度学习时频特征特征融合

基于LSTM的脑电特征学习及癫痫发作预测系统研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于LSTM的脑电特征学习及癫痫发作预测系统研究

作者：王凤娟山东师范大学

学位级别：硕士

全球约有癫痫患者5000万人,在我国大约有1000万人,癫痫发作是脑皮质中异常过度的神经元自发、同步放电导致的,持续发作的癫痫可能会造成患者的永久性损伤,甚至死亡。癫痫的发作具有突发性和反复性,严重影响了患者的正常工作和生活。因此... 详细信息

全球约有癫痫患者5000万人,在我国大约有1000万人,癫痫发作是脑皮质中异常过度的神经元自发、同步放电导致的,持续发作的癫痫可能会造成患者的永久性损伤,甚至死亡。癫痫的发作具有突发性和反复性,严重影响了患者的正常工作和生活。因此,有效的癫痫发作预测能够减缓癫痫患者的痛苦,进一步保证癫痫患者的生命安全。在预测癫痫发作的基础上,还可以应用各种干预方法(例如通过递送短效抗癫痫药物或通过施加电刺激)抑制癫痫发作。目前,癫痫发作自动预测已经成为癫痫研究领域的热点。但是,用于识别癫痫发作前期的脑电特征学习是发作预测技术的瓶颈。本文利用深度学习来自动学习用于发作预测的脑电特征,有效地实现了癫痫发作预测。本文提出了基于双向LSTM的癫痫发作预测方法,首先将每个患者不同导联的脑电图(EEG)拼接滤波,同时提取描述脑电信号波形的多种线性特征,然后构建用于癫痫发作间期和发作前期的深度双向LSTM网络,并将特征向量送入该双向LSTM网络中针对癫痫发作前期和发作间期进行特征学习,经过网络的正反脑电数据处理最终实现发作间期和发作前期的脑电分类;最后通过一定规则的后处理实现结果的优化,提高了预测的正确率。本文在9例颞叶癫痫患者的临床脑电数据上,通过SOP、SPH、灵敏度、误报率、平均预测时间等性能指标对所构建的深层双向LSTM网络进行性能评估。实验中,总共发作次数为29次,预测正确为24次,平均误报率为0.17/h,从而证明了基于双向LSTM的脑电特征学习的癫痫发作预测系统有着较好的预测性能。对于平均预测时间,有一半以上的患者具有较长的预测时间,平均预测时间为35.47min,能够在癫痫发作之前为患者提供充足的治疗和心理准备。在颞叶癫痫患者的基础上,今后的工作会对其他病灶区患者进行实验,更加充分地完善预测系统。

关键词：颞叶癫痫发作预测深度学习双向长短期记忆网络脑电信号

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

脑电非线性动力学分析：癫痫发作预测

脑电非线性动力学分析：癫痫发作预测

作者：欧阳高翔燕山大学

学位级别：硕士

近年来非线性动力学的发展给癫痫脑电研究带来新的希望。已有的研究表明,癫痫除发作期和发作间隙期外,还有发作前期。这个时期是从发作间隙期向发作期的转化时期,其脑电活动的非线性动力学特征有别于其它时期,但无癫痫的临床发作。若能... 详细信息

近年来非线性动力学的发展给癫痫脑电研究带来新的希望。已有的研究表明,癫痫除发作期和发作间隙期外,还有发作前期。这个时期是从发作间隙期向发作期的转化时期,其脑电活动的非线性动力学特征有别于其它时期,但无癫痫的临床发作。若能在发作前期检测到癫痫发作的先兆症状,提前预报癫痫发作,对患者实施充分的预防和保护措施,就能极大地降低癫痫发作造成的伤害,提高患者的生活质量。针对癫痫预报的需要,本课题应用非线性动力学方法分析脑电信号,比较癫痫发作各阶段脑电非线性动力学的变化,并在此基础上对癫痫发作预测进行研究,具体工作如下: 建立实验性大鼠癫痫动物模型,应用适合处理小样本、非平稳数据的递归图量化分析方法分析癫痫脑电信号,使用移动窗口方法计算各窗口脑电信号的递归图量化变量值,揭示脑电信号隐含的脑电活动动力学特性,了解大鼠癫痫发作不同时期脑电信号的复杂度变化情况,从而掌握癫痫发作过程中脑电复杂度变化的规律,为预测癫痫发作提供理论基础。分析脑电信号的相空间重构问题,结合去偏复自相关法和 Cao 法计算脑电序列相空间重构的参数:嵌入维数和延迟时间。在计算关联和时用Gaussian 函数代替 Heavyside 函数,克服了 Heavyside 函数的刚性边界问题,提出了模糊相似性指数方法。对大鼠癫痫脑电信号进行仿真计算,分析比较动力学相似性指数方法和模糊相似性指数方法的预测性能。

关键词：癫痫发作预测脑电信号非线性动力学递归图量化分析相似性指数

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于近似熵的癫痫发作预测研究

生物医学工程研究 2011年第1期30卷 20-23页

作者：刘治远解玲丽陈子怡黄瑞梅李小江周毅中山大学中山医学院生物医学工程系广州510080 中山大学数学与计算科学学院广州510275 中山大学附属第一医院神经内科广州510080

临床采用诱发方法检测获得的失神发作患者EEG信号,研究其发作前脑电信号的动力学变化的规律,寻找预测癫痫失神发作一般规律和方法。我们选择合适的电极对,使用非线性动力学的方法,采用复杂度变化度量的近似熵指标,通过闪光刺激癫痫患者... 详细信息

临床采用诱发方法检测获得的失神发作患者EEG信号,研究其发作前脑电信号的动力学变化的规律,寻找预测癫痫失神发作一般规律和方法。我们选择合适的电极对,使用非线性动力学的方法,采用复杂度变化度量的近似熵指标,通过闪光刺激癫痫患者获得的EEG信号进行动力学特征研究,根据EEG信号表现出的同步情况实现对癫痫发作的预测。结果表明,本研究可以实现对临床光刺激进行诱发的癫痫失神患者的发作进行预测。研究中采用优化电极的方法优于采用固定电极对。

关键词：癫痫脑电图 T检验近似熵发作预测

在线全文

学校读者我要写书评

暂无评论

基于迁移学习的癫痫发作预测方法

电子设计工程 2022年第12期30卷 27-30,37页

作者：樊轲西安工程大学计算机科学学院陕西西安710600

由于脑电信号因人而异,传统的机器学习方法很难适用于每一个患者。为了解决上述问题,文中提出一种基于迁移学习的癫痫发作预测方法。以波士顿儿童医院癫痫脑电数据集作为实验数据,以6组不同频率区间的带通滤波作为预处理方法,用样本熵... 详细信息

由于脑电信号因人而异,传统的机器学习方法很难适用于每一个患者。为了解决上述问题,文中提出一种基于迁移学习的癫痫发作预测方法。以波士顿儿童医院癫痫脑电数据集作为实验数据,以6组不同频率区间的带通滤波作为预处理方法,用样本熵作为分类特征。使用迁移学习后的VGG19网络作为分类器来识别发作期的癫痫脑电信号。该方法的最长预测时间为41.30 min,平均预测时间为23.82 min,最高预测准确率为93%,平均预测准确率为86.4%。最低误报率为22%,平均误报率为34%。实验结果表明,该方法可很好地用于癫痫发作的预测。

关键词：癫痫发作预测迁移学习样本熵

脑电高频振荡识别与癫痫发作深度预测模型的研究

在线全文

学校读者我要写书评

暂无评论

脑电高频振荡识别与癫痫发作深度预测模型的研究

作者：庄伟林天津大学

学位级别：硕士

癫痫是一种十分常见的慢性系统性神经疾病,癫痫手术治疗可帮助药物难治性患者摆脱发作时的痛苦与身体损害,但致痫灶定位不准限制了手术治疗的有效性。现阶段癫痫致痫灶的定位主要依赖医生对脑电图进行高频振荡(HFO)成分的视觉检测,但由... 详细信息

癫痫是一种十分常见的慢性系统性神经疾病,癫痫手术治疗可帮助药物难治性患者摆脱发作时的痛苦与身体损害,但致痫灶定位不准限制了手术治疗的有效性。现阶段癫痫致痫灶的定位主要依赖医生对脑电图进行高频振荡(HFO)成分的视觉检测,但由于HFO表现隐匿,故导致临床上很难准确检测致痫灶且效率极低。同时未治愈患者可借助癫痫发作预测来避免突然发作所带来的安全隐患,但目前受限于先验知识特征提取与发作前期标记准确性的影响,很难实现发作的准确实时预测。针对上述问题,本文利用癫痫的实验数据,构建深度学习模型实现脑电活动中的HFO自动识别与脑电信号端对端的癫痫发作预测,以提高定位效率与发作预测实现能力。首先,本文提出一种基于彩色时频图输入的二维卷积神经网络模型,提升HFO自动识别性能。通过对脑电信号的时频图进行分频段、独立归一化及融合构建彩色时频图,增强时频图高频分量的特征表现力并将HFO从背景脑电波中有效分离。对采集的患者立体定向脑电图(SEEG)进行模型的识别验证,表明利用自动识别的HFO产生区逼近致痫区是有效的,从而可提高临床定位的效率。其次,提出一种分布式集成模型实现了无需先验特征提取且无发作前期标签条件下的癫痫发作预测。借鉴大脑分布式网络构建分布式模型,采用卷积自编码网络对HFO产生区SEEG信号进行降维编码,卷积长短期记忆网络对降维编码进行预测,全连接网络对预测编码进行发作判别,通过集成各网络实现发作预测。最后,基于上述癫痫发作深度预测模型,构建了基于Raspberry Pi的移动端癫痫发作预测系统。通过Raspberry Pi的ARM-CPU进行深度学习模型的推理计算,并在部署之前对模型进行合适的量化操作,以保证运算速度与性能相对平衡的前提下提高模型在ARM芯片上的推理速度。此外,在癫痫发作预测系统下搭建了无线实时接收模块用于提供连接采集设备的端口并实现无线接收脑电数据,搭建交互界面显示模块用于波形与预测结果的显示和用户操作。本文提出的HFO自动识别方法与癫痫发作预测系统,为高频振荡信号与脑电预测提供了新的研究思路并有助于推动脑电相关的深度模型移动端部署实现。

关键词：癫痫立体定向脑电图高频振荡信号深度模型发作预测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

深度集成网络在癫痫预测中的应用研究

计算机应用与软件 2022年第7期39卷 181-187,194页

作者：杨泽鑫朱晓军太原理工大学信息与计算机学院山西太原030024

针对传统方法在脑电信号上捕获癫痫发作时无法有效利用全部信息的问题,提出深度集成网络的方法从脑电信号中学习多维特征以有效检测癫痫发作。对卷积网络的平移不变性和计算效率进行修复提升后纵向集成循环神经网络以同时捕获频域、空... 详细信息

针对传统方法在脑电信号上捕获癫痫发作时无法有效利用全部信息的问题,提出深度集成网络的方法从脑电信号中学习多维特征以有效检测癫痫发作。对卷积网络的平移不变性和计算效率进行修复提升后纵向集成循环神经网络以同时捕获频域、空域和时域信息。基于深度集成网络进行患者特异性和跨患者模型的训练,两种模型分别达到了平均98.22%和95.65%的灵敏度以及0.09次/h和0.3次/h的误诊率,优于传统模型的结果。实验表明深度集成网络有能力学习癫痫发作的一般不变表示。

关键词：癫痫脑电图多尺度卷积循环卷积网络发作预测