全球約有癲癇患者5000萬(wàn)人,在我國(guó)大約有1000萬(wàn)人,癲癇發(fā)作是腦皮質(zhì)中異常過(guò)度的神經(jīng)元自發(fā)、同步放電導(dǎo)致的,持續(xù)發(fā)作的癲癇可能會(huì)造成患者的永久性損傷,甚至死亡。癲癇的發(fā)作具有突發(fā)性和反復(fù)性,嚴(yán)重影響了患者的正常工作和生活。因此,有效的癲癇發(fā)作預(yù)測(cè)能夠減緩癲癇患者的痛苦,進(jìn)一步保證癲癇患者的生命安全。在預(yù)測(cè)癲癇發(fā)作的基礎(chǔ)上,還可以應(yīng)用各種干預(yù)方法(例如通過(guò)遞送短效抗癲癇藥物或通過(guò)施加電刺激)抑制癲癇發(fā)作。目前,癲癇發(fā)作自動(dòng)預(yù)測(cè)已經(jīng)成為癲癇研究領(lǐng)域的熱點(diǎn)。但是,用于識(shí)別癲癇發(fā)作前期的腦電特征學(xué)習(xí)是發(fā)作預(yù)測(cè)技術(shù)的瓶頸。本文利用深度學(xué)習(xí)來(lái)自動(dòng)學(xué)習(xí)用于發(fā)作預(yù)測(cè)的腦電特征,有效地實(shí)現(xiàn)了癲癇發(fā)作預(yù)測(cè)。本文提出了基于雙向LSTM的癲癇發(fā)作預(yù)測(cè)方法,首先將每個(gè)患者不同導(dǎo)聯(lián)的腦電圖(EEG)拼接濾波,同時(shí)提取描述腦電信號(hào)波形的多種線性特征,然后構(gòu)建用于癲癇發(fā)作間期和發(fā)作前期的深度雙向LSTM網(wǎng)絡(luò),并將特征向量送入該雙向LSTM網(wǎng)絡(luò)中針對(duì)癲癇發(fā)作前期和發(fā)作間期進(jìn)行特征學(xué)習(xí),經(jīng)過(guò)網(wǎng)絡(luò)的正反腦電數(shù)據(jù)處理最終實(shí)現(xiàn)發(fā)作間期和發(fā)作前期的腦電分類(lèi);最后通過(guò)一定規(guī)則的后處理實(shí)現(xiàn)結(jié)果的優(yōu)化,提高了預(yù)測(cè)的正確率。本文在9例顳葉癲癇患者的臨床腦電數(shù)據(jù)上,通過(guò)SOP、SPH、靈敏度、誤報(bào)率、平均預(yù)測(cè)時(shí)間等性能指標(biāo)對(duì)所構(gòu)建的深層雙向LSTM網(wǎng)絡(luò)進(jìn)行性能評(píng)估。實(shí)驗(yàn)中,總共發(fā)作次數(shù)為29次,預(yù)測(cè)正確為24次,平均誤報(bào)率為0.17/h,從而證明了基于雙向LSTM的腦電特征學(xué)習(xí)的癲癇發(fā)作預(yù)測(cè)系統(tǒng)有著較好的預(yù)測(cè)性能。對(duì)于平均預(yù)測(cè)時(shí)間,有一半以上的患者具有較長(zhǎng)的預(yù)測(cè)時(shí)間,平均預(yù)測(cè)時(shí)間為35.47min,能夠在癲癇發(fā)作之前為患者提供充足的治療和心理準(zhǔn)備。在顳葉癲癇患者的基礎(chǔ)上,今后的工作會(huì)對(duì)其他病灶區(qū)患者進(jìn)行實(shí)驗(yàn),更加充分地完善預(yù)測(cè)系統(tǒng)。
【學(xué)位單位】：山東師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類(lèi)】：TP181;R742.1
【部分圖文】：

圖 1-1 癲癇發(fā)作預(yù)測(cè)流程圖本論文預(yù)處理是對(duì)拼接后的腦電數(shù)據(jù)按 10s 進(jìn)行截取、處理，再經(jīng)過(guò)濾波器濾波得到子帶。特征提取采用線性特征提取，訓(xùn)練數(shù)據(jù)選擇 30-50 分鐘的發(fā)作間期和 30-50 分鐘的發(fā)作前期合并。測(cè)試數(shù)據(jù)選取全部發(fā)作間期和剩余發(fā)作點(diǎn)的腦電信號(hào)。經(jīng)過(guò)雙向LSTM 循環(huán)神經(jīng)網(wǎng)絡(luò)的特征學(xué)習(xí)，全連接層將其分類(lèi)出發(fā)作間期和發(fā)作前期。1.5 論文結(jié)構(gòu)和章節(jié)安排本文首先介紹癲癇預(yù)測(cè)的發(fā)展歷程，對(duì)腦電信號(hào)進(jìn)行介紹和研究，其次對(duì)本文用到的線性特征提取和雙向 LSTM 神經(jīng)網(wǎng)絡(luò)進(jìn)行詳細(xì)介紹。然后研究基于雙向 LSTM 神經(jīng)網(wǎng)絡(luò)的癲癇腦電信號(hào)算法，最后得出實(shí)驗(yàn)結(jié)果。本文內(nèi)容結(jié)構(gòu)安排如下：第一章 介紹癲癇預(yù)測(cè)的研究背景及意義，同時(shí)闡述了深度學(xué)習(xí)的發(fā)展史和預(yù)測(cè)癲癇發(fā)作的一般流程。對(duì)基于深度學(xué)習(xí)的腦電處理的文獻(xiàn)、期刊進(jìn)行匯總整理。

山東師范大學(xué)碩士學(xué)位論文梢把信號(hào)傳遞給多個(gè)神經(jīng)元，通過(guò)軸突末梢跟其他神經(jīng)元的樹(shù)突搭橋輸神經(jīng)網(wǎng)絡(luò)與人工神經(jīng)網(wǎng)絡(luò)有著相似的結(jié)構(gòu)，通常把人工神經(jīng)網(wǎng)絡(luò)簡(jiǎn)稱(chēng)為神神經(jīng)網(wǎng)絡(luò)的神經(jīng)元對(duì)應(yīng)著神經(jīng)網(wǎng)絡(luò)中的節(jié)點(diǎn)、神經(jīng)元的連接對(duì)應(yīng)著神經(jīng)網(wǎng)重。單個(gè)神經(jīng)元是一種簡(jiǎn)單的網(wǎng)絡(luò)模型，整體結(jié)構(gòu)由輸入、輸出和計(jì)算功網(wǎng)絡(luò)單元結(jié)構(gòu)如下[33]：

循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network），簡(jiǎn)稱(chēng) RNN[36]。2010 年，Mikolov 提出利用 RNN 建立語(yǔ)言模型，2012 年，Sundermeyer 提出 RNN 的改進(jìn)版本——LSTM。RNN 根據(jù)英文意義，主要分兩種類(lèi)型：一種是遞歸神經(jīng)網(wǎng)絡(luò)，另一種是循環(huán)神經(jīng)網(wǎng)絡(luò)（本論文 RNN 均指循環(huán)神經(jīng)網(wǎng)絡(luò)）。遞歸神經(jīng)網(wǎng)絡(luò)主要解決部分遞歸結(jié)構(gòu)的存在，而循環(huán)神經(jīng)網(wǎng)絡(luò)是對(duì)網(wǎng)絡(luò)結(jié)構(gòu)的重復(fù)循環(huán)。RNN 模型的不同部分能夠共享參數(shù)，共享的參數(shù)可以處理不同長(zhǎng)度的樣本。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)給每一個(gè)輸入特征分配一個(gè)單獨(dú)的參數(shù)，對(duì)應(yīng)不同的語(yǔ)言規(guī)則，而循環(huán)神經(jīng)網(wǎng)絡(luò)在一定時(shí)間步長(zhǎng)內(nèi)共享相同的參數(shù)，不需要學(xué)習(xí)每一個(gè)位置的語(yǔ)言規(guī)則。把 RNN 展開(kāi)可以看做若干個(gè)相同的網(wǎng)絡(luò)連接在一起，RNN 解決前饋神經(jīng)網(wǎng)絡(luò)的問(wèn)題，對(duì)時(shí)間序列上的變化建模有著重要意義。前饋神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)是獨(dú)立的，并且輸出只依賴(lài)于當(dāng)前的腦電信號(hào)的輸入，而循環(huán)神經(jīng)網(wǎng)絡(luò)不僅與現(xiàn)在的信號(hào)輸出狀態(tài)有關(guān)，也和以前的信號(hào)狀態(tài)有關(guān)。
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 伍亞舟;吳寶明;何慶華;張玲;易東;;基于想象左右手運(yùn)動(dòng)腦電特征提取及其統(tǒng)計(jì)特性分析[J];北京生物醫(yī)學(xué)工程;2007年02期

2 吳小培,馮煥清,周荷琴,李曉輝;結(jié)合小波變換和獨(dú)立分量分析的腦電特征提取[J];儀器儀表學(xué)報(bào);2004年01期

3 馬娜;王學(xué)民;田苗;劉靜;綦宏志;明東;周鵬;;20Hz體感振動(dòng)刺激對(duì)腦電特征影響研究[J];生物醫(yī)學(xué)工程學(xué)雜志;2016年06期

4 董光恒;楊麗珠;;情緒沖突控制過(guò)程的腦電特征研究[J];心理科學(xué);2008年06期

5 萬(wàn)柏坤;劉延剛;明東;孫長(zhǎng)城;綦宏志;張廣舉;程龍龍;;基于腦電特征的多模式想象動(dòng)作識(shí)別[J];天津大學(xué)學(xué)報(bào);2010年10期

6 殷罡;吳平東;彭軍強(qiáng);黃漫玲;汪東;;性格行為特征與腦電特征間關(guān)系的研究[J];北京理工大學(xué)學(xué)報(bào);2009年04期

7 白樹(shù)林;謝松云;張玉梅;楊金孝;;基于灰色系統(tǒng)理論的腦電特征提取[J];貴州工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版);2005年06期

8 宋亞林;孫杳如;;手指動(dòng)作自動(dòng)矯正的腦電特征[J];同濟(jì)大學(xué)學(xué)報(bào)(自然科學(xué)版);2017年06期

9 嚴(yán)娜;喬曉艷;李鵬;;基于小波-雙譜分析的視覺(jué)誘發(fā)腦電特征提取[J];測(cè)試技術(shù)學(xué)報(bào);2012年01期

10 李飛;高小榕;高上凱;;基于隨機(jī)森林算法的高維腦電特征優(yōu)選[J];北京生物醫(yī)學(xué)工程;2007年04期

相關(guān)博士學(xué)位論文 前10條

1 饒娟;面向抑郁注意機(jī)制的任務(wù)態(tài)腦電特征算法研究[D];蘭州大學(xué);2019年

2 辛喜艷;中風(fēng)病虛實(shí)證候演變及腦電特征與預(yù)后的關(guān)系研究[D];北京中醫(yī)藥大學(xué);2012年

3 石立臣;基于腦電信號(hào)的警覺(jué)度估計(jì)研究[D];上海交通大學(xué);2012年

4 何洋;我國(guó)優(yōu)秀射箭運(yùn)動(dòng)員腦電特征的研究[D];山西大學(xué);2008年

5 朱亞忱;基于特權(quán)信息的情感識(shí)別[D];中國(guó)科學(xué)技術(shù)大學(xué);2015年

6 陳昌樂(lè);三種佛家靜功操作方法的腦電特征比較研究[D];北京中醫(yī)藥大學(xué);2012年

7 呂佳;基于事件相關(guān)電位技術(shù)的服裝情緒研究[D];江南大學(xué);2014年

8 張海波;具象思維作業(yè)的腦電空間與頻域特征研究[D];北京中醫(yī)藥大學(xué);2011年

9 彭宏;普適化腦電信息感知關(guān)鍵問(wèn)題的研究[D];蘭州大學(xué);2015年

10 郁洪強(qiáng);過(guò)度使用互聯(lián)網(wǎng)者的腦電特征分析[D];天津大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 韓佳碩;抑郁人群睡眠腦電特征研究[D];蘭州大學(xué);2019年

2 王鳳娟;基于LSTM的腦電特征學(xué)習(xí)及癲癇發(fā)作預(yù)測(cè)系統(tǒng)研究[D];山東師范大學(xué);2019年

3 汪小雙;基于腦電特征獨(dú)立分量分析的癲癇檢測(cè)[D];大連理工大學(xué);2018年

4 王永宗;面向情緒識(shí)別的腦電特征組合及通道優(yōu)化選擇研究[D];蘭州大學(xué);2018年

5 宋江玲;非線性腦電特征提取方法研究[D];西北大學(xué);2016年

6 嚴(yán)娜;視聽(tīng)誘發(fā)腦電特征研究[D];山西大學(xué);2012年

7 翟靜波;老年輕度認(rèn)知功能障礙向阿爾茲海默病轉(zhuǎn)歸的腦電特征研究[D];山西醫(yī)科大學(xué);2011年

8 頊春元;感覺(jué)刺激誘發(fā)腦電特征研究[D];山西大學(xué);2011年

9 張穎群;初中生自我控制結(jié)構(gòu)、發(fā)展特點(diǎn)及腦電特征的研究[D];遼寧師范大學(xué);2013年

10 沈驥;基于眼動(dòng)、腦電特征的抑郁識(shí)別研究[D];蘭州大學(xué);2015年

本文編號(hào)：2879113