本文關(guān)鍵詞：基于腦電的癲癇預(yù)警及預(yù)警—抑制診療系統(tǒng)關(guān)鍵技術(shù)研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：癲癇是一種常見的、多發(fā)的慢性神經(jīng)系統(tǒng)疾病。癲癇發(fā)作可引起運(yùn)動(dòng)、感覺、意識(shí)和行為等功能障礙,給患者帶來巨大的痛苦。全球癲癇患者約為5000萬(wàn)人,其中百分之八十的患者能夠通過藥物及手術(shù)的方式得到治療,但仍有近1000萬(wàn)患者病情得不到有效控制,給家庭和社會(huì)帶來極大的精神和經(jīng)濟(jì)負(fù)擔(dān),迫切需要新的有效癲癇治療手段。近年來,隨著神經(jīng)科學(xué)、信息科學(xué)等相關(guān)領(lǐng)域的飛速發(fā)展,以反應(yīng)性神經(jīng)電刺激技術(shù)為代表的癲癇治療新手段迅速發(fā)展,有望為難治性癲癇治療帶來新的希望。與傳統(tǒng)的開環(huán)電刺激方式不同,反應(yīng)性電刺激采用“癲癇預(yù)警-電刺激抑制”的閉環(huán)框架,該框架首先利用信息處理技術(shù)實(shí)現(xiàn)基于腦電的癲癇預(yù)警,當(dāng)且僅當(dāng)系統(tǒng)預(yù)警到癲癇發(fā)作時(shí)啟動(dòng)電刺激抑制,以阻止或減輕癲癇發(fā)作,實(shí)現(xiàn)癲癇診療。反應(yīng)性電刺激癲癇診療框架可以極大地減少電刺激用量,顯著降低組織傷害風(fēng)險(xiǎn),有望為癲癇臨床治療,特別是難治性癲癇治療帶來新突破。因此,反應(yīng)性電刺激技術(shù)已成為國(guó)內(nèi)外研究熱點(diǎn),許多大學(xué)和研究團(tuán)體均投入力量開展相關(guān)技術(shù)研究,并有商業(yè)化產(chǎn)品問世。本文研究反應(yīng)性電刺激“預(yù)警-抑制”閉環(huán)系統(tǒng)相關(guān)關(guān)鍵技術(shù),緊密聚焦現(xiàn)有技術(shù)尚未解決的重點(diǎn)和難點(diǎn)問題,研究腦電中癲癇有效特征的提取方法、腦電中強(qiáng)噪聲的處理方法,以及癲癇腦電動(dòng)態(tài)過程的建模方法,實(shí)現(xiàn)穩(wěn)定、魯棒的癲癇預(yù)警。在此基礎(chǔ)上,研究實(shí)時(shí)預(yù)警-反應(yīng)性電刺激抑制軟硬件系統(tǒng),并在動(dòng)物平臺(tái)上實(shí)現(xiàn)實(shí)驗(yàn)驗(yàn)證。本文主要研究?jī)?nèi)容及創(chuàng)新點(diǎn)如下：1)針對(duì)癲病腦電發(fā)放模式變化多樣、個(gè)體差異大的問題,本文提出了一種自動(dòng)特征學(xué)習(xí)的深度網(wǎng)絡(luò)模型。該模型以傳統(tǒng)深度神經(jīng)網(wǎng)絡(luò)模型為基礎(chǔ),融合基于相關(guān)熵的深度自編碼模型,可以自動(dòng)依據(jù)數(shù)據(jù)的分布狀況計(jì)算樣本點(diǎn)的距離,解決了傳統(tǒng)模型在強(qiáng)噪聲下失效的問題。并且,該深度網(wǎng)絡(luò)模型可以根據(jù)不同病人的癲癇腦電數(shù)據(jù)學(xué)習(xí)表示癲癇發(fā)作的最優(yōu)特征,實(shí)驗(yàn)表明,采用該方法選擇的特征提升檢測(cè)率超過10%以上。2)針對(duì)腦電信號(hào)中大量肌電、眼電偽跡和硬件噪聲干擾導(dǎo)致預(yù)警算法虛警率高、魯棒性差的問題,本文提出了一種基于柯西分布的狀態(tài)空間模型,實(shí)現(xiàn)對(duì)癲癇腦電狀態(tài)的動(dòng)態(tài)建模。研究表明腦電信號(hào)中噪聲分布呈現(xiàn)出更多的非高斯特性,本文采用重尾的柯西分布建立噪聲模型。同時(shí),癲癇腦電的發(fā)放是一個(gè)動(dòng)態(tài)過程,為充分借助腦電時(shí)序信息,本文建立了柯西噪聲狀態(tài)空間模型,實(shí)現(xiàn)了狀態(tài)估計(jì)和腦電動(dòng)態(tài)建模方法,以更加準(zhǔn)確地對(duì)大腦狀態(tài)進(jìn)行估計(jì)。該方法準(zhǔn)確估計(jì)和抑制了腦電信號(hào)中的非高斯噪聲,減少了由噪聲引起的虛警。臨床實(shí)驗(yàn)表明,該癲癇預(yù)警方法能夠有效降低虛警率(約降低91%)。3)在穩(wěn)定、魯棒的癲痛預(yù)警方法的基礎(chǔ)上,本文進(jìn)一步研發(fā)了在線預(yù)警-抑制反應(yīng)性電刺激閉環(huán)系統(tǒng),該系統(tǒng)集成了多種預(yù)警方法、數(shù)據(jù)采集和電刺激硬件,以及實(shí)時(shí)控制軟件系統(tǒng)。在動(dòng)物平臺(tái)上,采用該系統(tǒng)研究了反應(yīng)性電刺激癲癇抑制的效果�；诖笫蟀d癇模型的對(duì)照實(shí)驗(yàn)表明,通過反應(yīng)性電刺激,癲癇平均發(fā)作時(shí)長(zhǎng)縮短32%,證明反應(yīng)性電刺激系統(tǒng)具有顯著的癲癇抑制效果。綜上,本文圍繞基于腦電信號(hào)的癲癇預(yù)警和“預(yù)警-抑制”反應(yīng)性電刺激癲癇診療系統(tǒng)中的關(guān)鍵問題,提出具有針對(duì)性的解決方案,最終實(shí)現(xiàn)穩(wěn)定、魯棒的在線預(yù)警,以及基于反應(yīng)性電刺激的癲癇抑制。文中針對(duì)復(fù)雜多變數(shù)據(jù)模式的特征分析、時(shí)序建模以及噪聲處理等方法,在模式識(shí)別、信號(hào)處理等算法領(lǐng)域等有一定的獨(dú)創(chuàng)性,部分算法成果不僅在癲癇預(yù)警方面帶來了新的突破,而且在其他復(fù)雜數(shù)據(jù)上也顯示出巨大的潛力,值得進(jìn)一步研究和推廣。
【關(guān)鍵詞】：反應(yīng)性電刺激 癲癇預(yù)警 機(jī)器學(xué)習(xí) 信號(hào)處理
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類號(hào)】：R742.1;TP181
【目錄】：

• 摘要5-7
• Abstract7-16
• 第1章 緒論16-27
• 1.1 研究背景16-17
• 1.2 傳統(tǒng)癲癇療法概述17-20
• 1.2.1 傳統(tǒng)治療手段及其局限17-19
• 1.2.2 傳統(tǒng)電刺激癲癇抑制技術(shù)及其不足19-20
• 1.3 新突破：基于癲癇預(yù)警的反應(yīng)性電刺激20-24
• 1.3.1 反應(yīng)性電刺激概述20-21
• 1.3.2 反應(yīng)性電刺激的關(guān)鍵：自動(dòng)癲癇預(yù)警技術(shù)21-22
• 1.3.3 反應(yīng)性電刺激研究現(xiàn)狀22-23
• 1.3.4 困難和挑戰(zhàn)23-24
• 1.4 本文的研究目標(biāo)與貢獻(xiàn)24-26
• 1.5 論文的結(jié)構(gòu)和內(nèi)容26-27
• 第2章 癲癇預(yù)警的困難及核心問題27-37
• 2.1 癲癇預(yù)警概述27-28
• 2.2 癲癇預(yù)警中的關(guān)鍵問題28-36
• 2.2.1 魯棒的特征學(xué)習(xí)方法29-32
• 2.2.2 噪聲及時(shí)序信息建模32-34
• 2.2.3 穩(wěn)定的在線快速預(yù)警34-36
• 2.3 本章小結(jié)36-37
• 第3章 基于深度神經(jīng)網(wǎng)絡(luò)的癲癇特征提取37-59
• 3.1 深度學(xué)習(xí)與深度神經(jīng)網(wǎng)絡(luò)37-38
• 3.2 基于最大相關(guān)熵目標(biāo)的魯棒深度自編碼神經(jīng)網(wǎng)絡(luò)38-44
• 3.2.1 傳統(tǒng)深度自編碼模型38-40
• 3.2.2 傳統(tǒng)自編碼模型的不足40
• 3.2.3 相關(guān)熵及最大相關(guān)熵目標(biāo)40-41
• 3.2.4 基于最大相關(guān)熵的魯棒稀疏自編碼模型41-43
• 3.2.5 魯棒的深度自編碼模型訓(xùn)練43-44
• 3.3 仿真實(shí)驗(yàn)44-49
• 3.3.1 MNIST數(shù)據(jù)集45
• 3.3.2 算法配置45-46
• 3.3.3 特征學(xué)習(xí)結(jié)果46-49
• 3.4 基于R-SAE模型的癲癇特征提取49-58
• 3.4.1 數(shù)據(jù)集49-50
• 3.4.2 算法配置50-53
• 3.4.3 實(shí)驗(yàn)結(jié)果53-58
• 3.5 本章小結(jié)58-59
• 第4章 基于柯西噪聲的癲癇檢測(cè)時(shí)序模型59-84
• 4.1 狀態(tài)空間模型及其狀態(tài)估計(jì)60-62
• 4.1.1 狀態(tài)空間模型概述60-61
• 4.1.2 貝葉斯濾波61-62
• 4.2 基于柯西觀察噪聲的狀態(tài)空間模型(SSMC)62-68
• 4.2.1 狀態(tài)空間建模63
• 4.2.2 噪聲模型63-65
• 4.2.3 基于粒子濾波的狀態(tài)估計(jì)65-68
• 4.3 基于SSMC的癲癇檢測(cè)方法68-83
• 4.3.1 數(shù)據(jù)集69-70
• 4.3.2 分段和特征提取70-71
• 4.3.3 狀態(tài)定義71-73
• 4.3.4 模型訓(xùn)練73
• 4.3.5 癲癇檢測(cè)73-75
• 4.3.6 癲癇檢測(cè)結(jié)果75-83
• 4.4 本章小結(jié)83-84
• 第5章 在線預(yù)警及預(yù)警-抑制電刺激癲癇診療系統(tǒng)84-104
• 5.1 反應(yīng)性電刺激癲癇治療系統(tǒng)框架84-85
• 5.2 硬件平臺(tái)85-87
• 5.2.1 多通道腦電放大器85-86
• 5.2.2 神經(jīng)電刺激器86-87
• 5.3 軟件平臺(tái)87-94
• 5.3.1 功能分析88-89
• 5.3.2 流程分析89
• 5.3.3 模塊設(shè)計(jì)89-91
• 5.3.4 界面設(shè)計(jì)91-94
• 5.4 青霉素誘發(fā)皮層局灶性癲癇大鼠模型94-96
• 5.4.1 手術(shù)方案與癲癇建模94-95
• 5.4.2 有效電刺激參數(shù)預(yù)實(shí)驗(yàn)95-96
• 5.5 基于反應(yīng)性電刺激系統(tǒng)的癲癇抑制96-103
• 5.5.1 在線癲癇預(yù)警96-98
• 5.5.2 對(duì)照實(shí)驗(yàn)設(shè)計(jì)98
• 5.5.3 實(shí)驗(yàn)結(jié)果與分析98-103
• 5.6 本章小節(jié)103-104
• 第6章 總結(jié)與展望104-107
• 6.1 本文工作總結(jié)104-105
• 6.2 未來工作展望105-107
• 參考文獻(xiàn)107-115
• 攻讀博士學(xué)位期間主要研究成果115-118
• 致謝118-119

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前1條

1 趙林;;晃帽機(jī)噪聲處理[J];鐵道勞動(dòng)安全衛(wèi)生與環(huán)保;1988年04期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前2條

1 祁玉;基于腦電的癲癇預(yù)警及預(yù)警—抑制診療系統(tǒng)關(guān)鍵技術(shù)研究[D];浙江大學(xué);2015年

2 周磊;電影膠片修復(fù)及噪聲處理關(guān)鍵技術(shù)的研究[D];上海交通大學(xué);2008年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

1 胡立茂;紅外與微光圖像噪聲處理及硬件實(shí)現(xiàn)[D];南京理工大學(xué);2004年

  本文關(guān)鍵詞：基于腦電的癲癇預(yù)警及預(yù)警—抑制診療系統(tǒng)關(guān)鍵技術(shù)研究，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：487703