基于非線性特征的癲癇腦電信號識別算法.pdf

1、癲癇是一種常見的慢性神經(jīng)疾病，以大量神經(jīng)元的異常猝發(fā)性過度同步放電為特征，是神經(jīng)科僅次于腦血管病的第二大頑癥，侵襲大約人口的1％。到目前為止，在癲癇的診斷中，腦電圖(EEG)檢查是最重要的、最有價值和最方便的手段之一，對癲癇腦電圖進行分析有助于醫(yī)生發(fā)現(xiàn)病人的病灶并進行相應的藥劑和物理治療。目前對癲癇腦電圖的檢查主要由醫(yī)療工作者通過視覺來完成。由于癲癇發(fā)作具有不確定性，就需要對患者進行長期的腦電圖記錄，這樣長期記錄的數(shù)字腦電圖中癲癇波的目

2、測檢查就需要消耗醫(yī)師大量的時間和精力，所以有必要在臨床中開展計算機輔助癲癇自動檢測。
　　 越來越多的研究表明，大腦神經(jīng)元活動和EEG信號均具有非線性動力學特征，傳統(tǒng)的線性分析方法難以全面描述EEG信號的動力學特性。非線性方法不僅在癲癇信號檢測方面效果顯著，更能反映癲癇腦電信號的內在規(guī)律，也可為癲癇預測帶來新的希望。本文在研究了腦電非線性特性的基礎上，提出了兩種腦電信號分類的算法，這兩種方法主要是基于腦電的非線性特征，并通過支持

3、向量機(SVM)分類器實現(xiàn)分類。
　　 基于Hurst指數(shù)和支持向量機的癲癇腦電分類算法，首先計算Hurst指數(shù)來度量腦電時間序列的長程相關性；然后使用切比雪夫Ⅱ型零相位數(shù)字濾波器對腦電數(shù)據(jù)進行帶通濾波以突出相應頻帶的特征，同時抑制偽差信號的干擾，再計算相應頻段內波幅的相對幅度以體現(xiàn)腦電信號能量的變化；最后將Hurst指數(shù)和波幅的相對幅度輸入到SVM分類器實現(xiàn)癲癇波的自動檢測。
　　 基于去趨勢波動分析方法(DFA)和支