癫痫是一种常见的神经类系统疾病。据世界卫生组织报道,世界上大约有五千万人口患有癫痫。
再就业培训脑电图被广泛应用于癫痫患者的临床检查中,专业医师需要借助经验人工分析。这种方式枯燥乏味,需要消耗大量的时间与精力。
文化月刊因此,研究计算机辅助的自动、高效、准确的癫痫诊断与发作预测方法极其必要。本文以弗莱堡和CHB-MIT两个数据集为研究对象,将熵的复杂度分析、时域频域分析理论应用到癫痫信号的诊断与发作预测研究中,主要研究内容和成果如下:（1）分析排列熵参数设置方法,对比不同排列熵信号诊断能力。 排列熵抗噪性强,计算复杂度低,研究选取排列熵作为复杂度指标。由于排列熵种类较多,本研究首先讨论四种排列熵参数设置方法,接着通过统计检验和分类比较排列熵的癫痫信号诊断能力。
抗独特型抗体结果表明,合理的参数取值对于排列熵准确提取特征具有一定的影响;四种排列熵都可以有效班杜拉
反映大脑活动的动态变化,实现发作间期与发作前期的信号诊断,且诊断能力相当。（2）提出基于排列熵的癫痫发作预测方法,对比排列熵的预测能力。
本研究提出基于统计方法的One-step FP和Two-step FP两种预测算法,比较二者在预测表现上的差异,并对比了四种排列熵的发作预测能力。结果表明,该方法可以提前61.93分钟预测到癫痫发作,准确率为94%,误报率仅为0.111h<sup>-1</sup>;相比One-step FP,Two-step FP可以明显降低预测的误报率;基于香农熵的排列熵比其他三种排列熵更适用于发作预测。
（3）对比研究时域和频域特征的癫痫脑电信号诊断性能。为了比较时域特征与频域特征在癫痫脑电信号诊断上的差异,本研究设计两组二分类实验和一组三分类实验,使用卷积神经网络进行信号诊断。
结果表明:基于频域信号时,弗莱堡数据三组实验的平均分类准确率分别为96.7%、95.4%和92.3%;CHB-MIT数据分别获得95.6%、97.5%和93%的准确率。基于时域信号时,弗莱堡数据获得91.1%、83.8%和85.1%的准确率,而CHB-MIT数据集仅仅获得59.5%、62.3%和47.9%的准确率。
INBOS
以上结果表明,频域特征的诊断性能优于时域特征。（4）探索将卷积神经网络应用于癫痫发作预测研究。碱式碳酸锌
基于卷积神经网络的深度学习算法在癫痫信号诊断中表现出较好的结果,本研究将卷积神经网络结合Two-step FP预测算法进行癫痫发作预测研究。虽然部分病人得到较满意的结果,但是整体预测性能欠佳。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议