癲癇(Epilepsy,EP)是一種以突然、反復(fù)發(fā)生的大腦內(nèi)神經(jīng)細(xì)胞群發(fā)生陣發(fā)性異常超同步電活動(dòng),導(dǎo)致短暫的大腦功能障礙的慢性神經(jīng)系統(tǒng)疾病。為了深入研究癲癇的發(fā)病機(jī)制,大量的實(shí)驗(yàn)室研究常常借助于癲癇動(dòng)物模型。小鼠癲癇腦電(electroencephalogram,EEG)的自動(dòng)分類對(duì)發(fā)揮小鼠模型在癲癇研究方面的潛力十分重要,相關(guān)的癲癇腦電信號(hào)自動(dòng)分類算法也有可能啟發(fā)臨床癲癇腦電的自動(dòng)分類算法,從而有助于減輕醫(yī)療工作者的工作量、減少對(duì)患者的負(fù)面影響,在進(jìn)一步深入研究癲癇腦電信號(hào)自動(dòng)檢測(cè)中具有非常重要的價(jià)值和臨床意義。為了研究癲癇動(dòng)物模型腦電的自動(dòng)檢測(cè)與分類,本文選用戊四挫(Pentylenetetrazole,PTZ)誘發(fā)小鼠急性癲癇模型,記錄致癲劑給藥時(shí)間、小鼠行為、小鼠常態(tài)腦電和致癲狀態(tài)腦電等數(shù)據(jù)。相較于人類的腦部病變而引起的癲癇疾病,戊四唑藥物誘導(dǎo)的急性癲癇發(fā)作癥狀、腦電圖、癇樣放電等方面大致相似,且戊四唑誘發(fā)小鼠急性癲癇模型已經(jīng)十分成熟,是一種在急性癲癇相關(guān)研究領(lǐng)域得到了世界廣泛認(rèn)可,也是一種比較趨于理想化的動(dòng)物模型。基于癲癇腦電的非平穩(wěn)性(突發(fā)性、幅度異常)和頻率分布特性,本文采用小波變換分解出特定的腦電成分并提取特征,用支持向量機(jī)(Support Vector Machine,SVM)對(duì)這些特征進(jìn)行學(xué)習(xí),實(shí)現(xiàn)小鼠癲癇腦電的自動(dòng)分類。首先,按照致癲劑給藥時(shí)間和小鼠行為對(duì)采集的小鼠腦電原始信號(hào)進(jìn)行分段及預(yù)處理;其次,對(duì)分段腦電信號(hào)進(jìn)行離散平穩(wěn)小波變換,獲得不同頻率子帶的小波系數(shù),選取與癲癇腦電特性波(棘波、尖波、慢波)所在頻率范圍內(nèi)的小波系數(shù),小波逆變換重構(gòu)相關(guān)癲癇腦電特征波頻段;分別對(duì)預(yù)處理后的腦電信號(hào)、相關(guān)的腦電小波系數(shù)及其重構(gòu)腦電提取相關(guān)線性特征(最大值和標(biāo)準(zhǔn)差值)和非線性特征(樣本熵);最后,應(yīng)用支持向量機(jī)方法實(shí)現(xiàn)小鼠癲癇腦電信號(hào)自動(dòng)分類。實(shí)驗(yàn)結(jié)果表明基于小鼠腦電信號(hào)本身的最大值、標(biāo)準(zhǔn)差值和樣本熵值的分類敏感性分別為53.67%、62.00%和48.33%,特異性分別為87.67%、95.67%和95.67%,準(zhǔn)確率分別為70.70%、80.00%和72.00%;基于相關(guān)小波變換系數(shù)的最大值、標(biāo)準(zhǔn)差和樣本熵進(jìn)行特征融合后,其小鼠癲癇腦電的分類敏感性達(dá)到99.67%,特異性為100.00%,正確率達(dá)到了 99.80%;另一方面,對(duì)癲癇特征波所在頻段的小波系數(shù)重構(gòu)的腦電的最大值、標(biāo)準(zhǔn)差和樣本熵進(jìn)行特征融合后,分類敏感性達(dá)到了 99.00%,特異性為100.00%,正確率也達(dá)到了99.50%。這些結(jié)果說(shuō)明基于小波分解系數(shù)或癲癇特征波頻段的特征融合進(jìn)行分類的算法較基于信號(hào)本身的單一特征學(xué)習(xí)算法的分類性能有顯著提升,能有效實(shí)現(xiàn)小鼠癲癇腦電信號(hào)自動(dòng)檢測(cè)與分類。
【學(xué)位單位】：南方醫(yī)科大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：R742.1;R-332
【部分圖文】：

的腦電信號(hào)特征。癲癇腦電信號(hào)相較于正常狀態(tài)下腦電信號(hào)，其易出現(xiàn)幅值??更高的陣發(fā)性的瞬態(tài)波形，波形的頻率與形式多種多樣，主要包括棘波、尖??波、棘－慢復(fù)合波、尖－慢復(fù)合波等［１（）］，如圖１－１所示。??（ａ）?（ｂ）??Ｊ＆Ｗｌ?Ｊｆ＼Ｍ??（ｃ）?（ｄ）??圖１－１常見(jiàn)的癲癇特征波ｎ°］⑷棘波；（ｂ）尖波；（ｃ）棘－慢復(fù)合波；（ｄ）尖－慢復(fù)合波??Ｆｉｇ．?１－１?Ｃｏｍｍｏｎ?ｅｐｉｌｅｐｔｉｃ?ｃｈａｒａｃｔｅｒｉｓｔｉｃ?ｗａｖｅｓ?（ａ）?ｓｐｉｋｅ?ｗａｖｅｓ；?（ｂ）?ｓｈａｒｐ?ｗａｖｅｓ；??（ｃ）?ｓｐｉｋｅ－ｓｌｏｗ?ｃｏｍｐｌｅｘｅｓ；

?４．尖－慢復(fù)合波［１（）］：??如圖１－１?（ｄ）所示，尖－慢復(fù)合波是由尖波和慢波共同組成，通常出現(xiàn)在??顳葉癲癇疾病中，多數(shù)是１．５￣２．５Ｈｚ，也存在４￣６Ｈｚ尖一慢復(fù)合波，其形??式多種多樣。??１．３腦電信號(hào)的處理分析方法??自上世紀(jì)六十年以來(lái)，人類對(duì)癲癇腦電信號(hào)的分析研究己有６０多年的歷??史。最初研究癲癇腦電信號(hào)主要是在時(shí)間域中分析ＥＥＧ波形的幅度、頻率、??瞬時(shí)波形等信息，從而人工對(duì)腦電進(jìn)行判斷與分類，這種方法在臨床上十分??耗時(shí)耗力，并存在很大的局限性。然而近年來(lái)，研究人員對(duì)癲癇性發(fā)作的檢??測(cè)技術(shù)有了很大的進(jìn)步，并提出了多種癲癇檢測(cè)方案，如時(shí)域分析、頻域分??析、時(shí)頻分析、非線性分析方法等［１１］，如圖１－２所示。多種多樣的新方法的發(fā)??現(xiàn)，使癲癇腦電信號(hào)的自動(dòng)檢測(cè)與分類技術(shù)得到飛快的發(fā)展，也為廣大的癲??癇患者帶來(lái)了福音。本文歸納了常用的ＥＥＧ信號(hào)處理分析方法

系數(shù)及其重構(gòu)腦電的相關(guān)線性特征（最大值和標(biāo)準(zhǔn)差值）和非線性特征（樣本??熵）；最后，應(yīng)用支持向量機(jī)方法實(shí)現(xiàn)小鼠癲癇腦電信號(hào)自動(dòng)分類。具體流程??圖如圖１－３所示。??制備癲癇小Ｉ?ｊ采集腦電丨ａ?｜信號(hào)的預(yù)?祕(mì)＿??鼠信號(hào)處理?｜????＇?＜?＠丨小波系數(shù)Ｉ１??正常腦電＊ｎ???Ｉ?￣－Ｔ－￣１１???１?＿?ＳＶＭ分類？十特征提取?ｕ?Ｉ???１?器?Ｉ?③丨小波＇逆變ｌｉ??丨議，ｈ?—；?－——ｍｉ，??Ｉ?Ｉ??圖１－３小鼠癲癇腦電自動(dòng)檢測(cè)流程圖??Ｆｉｇ．?１－３?Ｆｌｏｗ?ｃｈａｒｔ?ｏｆ?ａｕｔｏｍａｔｉｃ?ＥＥＧ?ｄｅｔｅｃｔｉｏｎ?ｉｎ?ｍｉｃｅ??７??
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 韋曉燕;陳子怡;周毅;;基于多尺度排列熵的腦電信號(hào)分類[J];中國(guó)數(shù)字醫(yī)學(xué);2019年05期

2 王曉麗;;基于深度學(xué)習(xí)的癲癇腦電信號(hào)分析與預(yù)測(cè)[J];長(zhǎng)春大學(xué)學(xué)報(bào);2019年06期

3 王薇蓉;張雪英;孫穎;暢江;;關(guān)于腦電信號(hào)的情感優(yōu)化識(shí)別仿真[J];計(jì)算機(jī)仿真;2018年06期

4 郭婷儀;李素芳;鐘桂仙;曾佳璇;周酥;;基于腦電信號(hào)的耳鳴識(shí)別算法研究[J];科技傳播;2018年13期

5 左晶;萬(wàn)小勤;羅楊;鄭斌;陳斌林;任祥花;;癲癇腦電信號(hào)的相關(guān)性分析[J];電子世界;2017年05期

6 張娜;唐賢倫;劉慶;;基于半監(jiān)督學(xué)習(xí)的腦電信號(hào)特征提取及識(shí)別[J];工程科學(xué)與技術(shù);2017年S2期

7 石喬莉;王延輝;李信政;;基于腦電信號(hào)的駕駛疲勞的研究[J];世界最新醫(yī)學(xué)信息文摘;2017年55期

8 王恒;李念強(qiáng);齊鵬沖;;運(yùn)動(dòng)想象腦電信號(hào)特征的提取與分類[J];工業(yè)控制計(jì)算機(jī);2015年02期

9 李亞杰;宋明星;張玉棟;;腦電信號(hào)采集系統(tǒng)的設(shè)計(jì)[J];河北建筑工程學(xué)院學(xué)報(bào);2014年01期

10 蔡超峰;張勇;郭舒婷;姜利英;;思維腦電信號(hào)的關(guān)聯(lián)維數(shù)分析[J];河南科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年01期

相關(guān)博士學(xué)位論文 前10條

1 張濤;基于模糊分布熵和復(fù)值模糊分布熵的癲癇腦電信號(hào)自動(dòng)分類算法研究[D];吉林大學(xué);2019年

2 李明陽(yáng);基于復(fù)合域分析的癲癇腦電信號(hào)檢測(cè)算法研究[D];吉林大學(xué);2018年

3 韓凌;腦電信號(hào)同步分析及癲癇發(fā)作預(yù)測(cè)方法研究[D];東北大學(xué);2016年

4 趙麗;基于腦電信號(hào)的腦-機(jī)接口技術(shù)研究[D];天津大學(xué);2004年

5 繆曉波;基于腦電信號(hào)的認(rèn)知?jiǎng)恿W(xué)系統(tǒng)研究——線性/非線性方法及動(dòng)態(tài)時(shí)—頻—空分析[D];重慶大學(xué);2004年

6 徐鵬;信號(hào)的稀疏分解及其在腦電信號(hào)處理中的應(yīng)用研究[D];電子科技大學(xué);2006年

7 伍亞舟;基于想象左右手運(yùn)動(dòng)思維腦電BCI實(shí)驗(yàn)及識(shí)別分類研究[D];第三軍醫(yī)大學(xué);2007年

8 唐艷;基于時(shí)間、頻率和空間域的自發(fā)腦電信號(hào)提取[D];中南大學(xué);2008年

9 陳東偉;非線性動(dòng)力學(xué)、因果腦網(wǎng)絡(luò)與聚類穩(wěn)定性在腦電信號(hào)分析中的應(yīng)用研究[D];太原理工大學(xué);2015年

10 馬小飛;認(rèn)知任務(wù)下的腦電動(dòng)力學(xué)分析[D];南京大學(xué);2017年

相關(guān)碩士學(xué)位論文 前10條

1 常宇;基于運(yùn)動(dòng)想象的腦電信號(hào)分析與腦機(jī)接口系統(tǒng)設(shè)計(jì)[D];中北大學(xué);2019年

2 侯曉瑩;基于深度學(xué)習(xí)和腦電信號(hào)的情感分類方法研究[D];山東大學(xué);2019年

3 陸怡菲;基于腦電信號(hào)和眼動(dòng)信號(hào)融合的多模態(tài)情緒識(shí)別研究[D];上海交通大學(xué);2017年

4 王晴;基于腦電信號(hào)的情緒分類[D];北京郵電大學(xué);2019年

5 孔維嘉;基于腦電信號(hào)的實(shí)時(shí)情感識(shí)別系統(tǒng)[D];蘭州大學(xué);2019年

6 于祖熠;癲癇腦電的概率協(xié)作表示及用于發(fā)作預(yù)警的深度卷積特征研究[D];山東師范大學(xué);2019年

7 鄭文凱;基于深度學(xué)習(xí)腦電信號(hào)分類FPGA加速器的實(shí)現(xiàn)[D];山東師范大學(xué);2019年

8 崔志紅;基于卷積神經(jīng)網(wǎng)絡(luò)的腦電信號(hào)分析方法研究[D];山東師范大學(xué);2019年

9 李超;疲勞駕駛檢測(cè)系統(tǒng)的設(shè)計(jì)及其嵌入式實(shí)現(xiàn)[D];江西師范大學(xué);2018年

10 張麗平;表征心算任務(wù)復(fù)雜度的腦電信號(hào)分析及其眼電偽跡去除[D];南方醫(yī)科大學(xué);2019年

本文編號(hào)：2875667