【摘要】：癲癇是一種腦部的慢性障礙綜合癥,腦部神經(jīng)的異常放電則是引起癲癇發(fā)作的主要原因。由于癲癇發(fā)作具有反復(fù)性,突發(fā)性等特點(diǎn),發(fā)作時(shí)常表現(xiàn)為意識喪失,整個(gè)身體非自主性抽搐,精神異常等,因而給患者帶來巨大的痛苦和壓力。如果能在癲癇發(fā)作前就預(yù)測到即將發(fā)作的癲癇,從而采用一些必要的措施,就能夠在一定程度上減輕患者和醫(yī)護(hù)人員的負(fù)擔(dān),也有助于癲癇發(fā)病機(jī)理、診斷和治療等方面的研究。目前癲癇預(yù)測算法取得了很大的進(jìn)展,特別是非線性動力學(xué)的應(yīng)用,但是也存在許多問題。腦電圖作為研究癲癇發(fā)作特征的重要工具,反映了許多其他生理學(xué)方法無法提供的發(fā)作信息。通過對癲癇腦電數(shù)據(jù)進(jìn)行分析,可以發(fā)現(xiàn)癲癇腦電在不同的時(shí)期其特征會有較為明顯的差別。卷積神經(jīng)網(wǎng)絡(luò)是近十多年發(fā)展起來的廣泛應(yīng)用于各個(gè)領(lǐng)域的算法,由于其具有良好的特征自動學(xué)習(xí)的特性,特別是在識別,預(yù)測估計(jì)等領(lǐng)域取得了巨大的成果。本文基于上述現(xiàn)狀對癲癇發(fā)作預(yù)測的算法進(jìn)行研究,提出了基于卷積神經(jīng)網(wǎng)絡(luò)的癲癇腦電自動識別算法和基于卷積神經(jīng)網(wǎng)絡(luò)的癲癇發(fā)作預(yù)測算法。文章先提出了基于卷積神經(jīng)網(wǎng)絡(luò)的癲癇腦電自動識別的算法,利用搭建的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)自動學(xué)習(xí)腦電數(shù)據(jù)特征,以區(qū)分正常腦電和癲癇發(fā)作腦電,癲癇發(fā)作期腦電和癲癇發(fā)作間期腦電。該算法的實(shí)驗(yàn)數(shù)據(jù)是臨床短程的腦電數(shù)據(jù),采用了德國波恩癲癇研究室的數(shù)據(jù)進(jìn)行研究。實(shí)驗(yàn)結(jié)果表明,基于卷積神經(jīng)網(wǎng)絡(luò)的癲癇腦電自動識別算法針對腦電數(shù)據(jù)能夠取得較為理想的識別性能。本文還提出了基于卷積神經(jīng)網(wǎng)絡(luò)的癲癇發(fā)作預(yù)測算法,該算法主要包含三個(gè)部分:信號預(yù)處理,卷積神經(jīng)網(wǎng)絡(luò)和后處理。其中在預(yù)處理階段首先使用移動窗技術(shù)對原始的腦電信號進(jìn)行分段處理,然后對分好的每段信號利用小波變換得到不同頻段的腦電數(shù)據(jù)。在卷積神經(jīng)網(wǎng)絡(luò)部分主要搭建卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),利用卷積神經(jīng)網(wǎng)絡(luò)強(qiáng)大的特征自動提取性能,對腦電信號進(jìn)行訓(xùn)練和測試。后處理階段則主要是利用邏輯運(yùn)算,平滑處理等方法對訓(xùn)練和測試的結(jié)果做進(jìn)一步的分析。該算法的實(shí)驗(yàn)數(shù)據(jù)來自德國Freiburg醫(yī)學(xué)院的癲癇研究中心,對21例患者長期顱內(nèi)EEG記錄的6個(gè)導(dǎo)聯(lián)進(jìn)行分析。實(shí)驗(yàn)結(jié)果表明,在用來訓(xùn)練的21次癲癇發(fā)作被剔除之后,還有66次癲癇發(fā)作,其中有58次能夠被正確預(yù)測到,算法的靈敏度達(dá)到87.88%。通過實(shí)驗(yàn)結(jié)果可以看到,基于卷積神經(jīng)網(wǎng)絡(luò)的癲癇發(fā)作預(yù)測算法能夠獲得較為理想的靈敏度,但是在誤報(bào)率上還有很大的改進(jìn)空間。
【圖文】：

發(fā)作預(yù)測的一般流程患者的腦電信號一般分為四個(gè)時(shí)期，這四個(gè)時(shí)期是發(fā)作間期、發(fā)作前期、后期[24]。發(fā)作間期是指癲癇患者在癲癇不發(fā)作的時(shí)候采集到的腦電信號；在癲癇即將發(fā)作時(shí)采集到的可能會發(fā)生變化的腦電信號，，這段時(shí)間長短以都沒有明確的規(guī)定；發(fā)作期是指在患者癲癇發(fā)作時(shí)記錄的腦電信號；發(fā)作指在癲癇發(fā)作完后，腦電信號是在大腦處于恢復(fù)狀態(tài)時(shí)采集到的。發(fā)作的預(yù)測的流程一般可以分為以下幾個(gè)步驟：首先，要對腦電信號進(jìn)行作；然后分別將提取到的發(fā)作間期和發(fā)作前期的腦電信號特征送到分類器利用訓(xùn)練好的分類器對新輸入的腦電信號進(jìn)行分類識別，其依據(jù)就是訓(xùn)練。其流程圖如圖 1-1 所示。但是由于卷積神經(jīng)網(wǎng)絡(luò)可以自動學(xué)習(xí)數(shù)據(jù)特征提取，所以本文提出的基于卷積神經(jīng)網(wǎng)絡(luò)的癲癇發(fā)作預(yù)測算法的流程圖如。

不需要人為提取，所以本文提出的基于卷積神經(jīng)網(wǎng)絡(luò)的癲癇發(fā)作預(yù)測算法的流程圖如下圖1-2 所示。圖 1-1 癲癇發(fā)作預(yù)測一般流程圖圖 1-2 基于卷積神經(jīng)網(wǎng)絡(luò)的癲癇發(fā)作預(yù)測流程圖
【學(xué)位授予單位】：山東師范大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：R742.1;TP183

【參考文獻(xiàn)】

相關(guān)期刊論文 前5條

1 劉建偉;劉媛;羅雄麟;;深度學(xué)習(xí)研究進(jìn)展[J];計(jì)算機(jī)應(yīng)用研究;2014年07期

2 劉崇;陳寧;葛燕;孟凡剛;文雄偉;張建國;;癲癇發(fā)作預(yù)測的研究進(jìn)展[J];中華神經(jīng)外科雜志;2013年03期

3 張睿;劉紹明;;基于EEG信號分析處理的癲癇預(yù)測研究[J];現(xiàn)代生物醫(yī)學(xué)進(jìn)展;2013年04期

4 賈文艷,高上凱,高小榕;癲癇發(fā)作預(yù)測研究的新進(jìn)展[J];生物醫(yī)學(xué)工程學(xué)雜志;2004年02期

5 劉魯源,李宗勃;從傅立葉變化到小波變化[J];自動化與儀表;2000年06期

相關(guān)博士學(xué)位論文 前4條

1 袁琦;癲癇腦電的分類識別及自動檢測方法研究[D];山東大學(xué);2014年

2 衡彤;小波分析及其應(yīng)用研究[D];四川大學(xué);2003年

3 覃光華;人工神經(jīng)網(wǎng)絡(luò)技術(shù)及其應(yīng)用[D];四川大學(xué);2003年

4 趙瑞珍;小波理論及其在圖像、信號處理中的算法研究[D];西安電子科技大學(xué);2001年

相關(guān)碩士學(xué)位論文 前10條

1 范明莉;基于卷積神經(jīng)網(wǎng)絡(luò)的運(yùn)動想象腦電信號特征提取與分類[D];鄭州大學(xué);2017年

2 宋欣益;基于卷積神經(jīng)網(wǎng)絡(luò)的高光譜數(shù)據(jù)分類方法研究[D];哈爾濱工業(yè)大學(xué);2016年

3 高強(qiáng);基于深度卷積網(wǎng)絡(luò)學(xué)習(xí)算法及其應(yīng)用研究[D];北京化工大學(xué);2015年

4 董旭洋;基于EEG信號的癲癇發(fā)病預(yù)測的算法研究[D];哈爾濱工業(yè)大學(xué);2015年

5 謝寶劍;基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類方法研究[D];合肥工業(yè)大學(xué);2015年

6 陳先昌;基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法與應(yīng)用研究[D];浙江工商大學(xué);2014年

7 陳碩;深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)在語音識別中的應(yīng)用研究[D];華南理工大學(xué);2013年

8 劉銀霞;基于腦電棘波頻次和AR模型的癲癇發(fā)作預(yù)測算法[D];山東大學(xué);2013年

9 林妙真;基于深度學(xué)習(xí)的人臉識別研究[D];大連理工大學(xué);2013年

10 宋煥榮;癲癇腦電信號的提取與識別[D];大連理工大學(xué);2012年

本文編號：2593953