EEG癲癇信號的大腦連通性分析算法研究.pdf

1、在中國，癲癇已成為神經(jīng)科僅次于頭痛的第二大常見病，它是一種反復發(fā)作的神經(jīng)性疾病。在所有患者中，約有30％的是抗藥性癲癇患者。對于這類患者，采用的治療手段是通過外科手術來切除致癇區(qū)，而手術成功的關鍵在于精確定位致癇區(qū)。通過研究大腦的效應連通性算法，用這些算法來分析記錄到的癲癇腦電信號，可以為術前評估中致癇區(qū)的精確定位提供有效的幫助。因此，本文主要致力于研究大腦效應連通性相關的模型和算法。
　　Wiener-Granger因果方法(W

2、iener-Granger Causality Index，WGCI)是一種典型的數(shù)據(jù)驅(qū)動的效應連通方法。它是基于一個隨機過程的線性自回歸模型的方法，可以檢測到多個時間序列之間的因果影響關系。從它推廣出的PDC(Partial Directed Coherence)和NPDC(Nonlinear Partial DirectedCoherence)方法可以在頻率域中分別檢測到信號之間線性和非線性的因果關系。這些方法都依賴于線性或者非線性

3、自回歸模型，因此，自回歸模型的參數(shù)估計方法在其中起著至關重要的作用。OPS(Optimal Parameter Search)和FROLS（Forward Regression Orthogonal Least Squares）是分別針對于線性和非線性自回歸模型的參數(shù)估計方法，但是OPS方法中存在兩個地方的不足:1.算法的抗噪性不佳2.算法的計算過程中需要閾值來作為算法停止的條件，但閾值的選取沒有理論上的方法。基于此本文提出了兩種基于g

4、AIC(generalized Akaike Information Criterion)和OPS方法的改進算法:1.對信號進行加窗處理，以減少噪聲帶來的影響。2.將所有候選項根據(jù)權重值分為高低兩部分，選取高部分作為最終候選項，以解決閾值難以選取的問題。
　　在實驗部分，首先將OPS改進方法應用于線性自回歸模型，并以此改進WGCI方法以提高原始方法的準確率，隨后將FROLS方法應用在非線性自回歸模型和生理模型，并在這個結果之上利用