基于深度学习的EEG信号癫痫波形的自动检测与识别(2)
表2.1脑电波形分类8
表3.1样本组成结构17
表3.2两层的隐藏层节点数同时改变对检测率的影响22
表3.3不同节点数和迭代次数的耗时23
表3.4三层网络不同节点数和迭代次数的错误率及耗时23
表3.5微调迭代次数对检测结构的影响24
表3.6所有个体在最佳参数下的检测结果25
表4.1改变featuremap和卷积核对检测结果的影响31
表4.2所有个体在最佳参数下的检测结果31
1 绪论 1.1 引言 癫痫活动相对于病人的日常生活来说比较罕见，病人的波形差异性又很大，而且癫痫脑电需要观测很长一段时间，医生不可能时时观察。人工检测费时费力，效率低下，且在判定疾病类别时受主观影响很大，很难实现大规模筛查。本课题主要研究如何用深度学习算法实现癫痫的自动识别，从而解决这一难点。
1.2 课题背景及研究意义 现今，我国癫痫患者人数十分庞大，高达900万之多，且每年以40万以上的速度新增。癫痫已经成为生活中的一种常见病。癫痫属于慢性疾病，长期频繁发作可导致患者的身心蒙受严重损害，影响患者的正常生活，甚至威胁生命。 1、生命的危害：癫痫患者经常会在任何环境下不能自我控制地突然发作，容易出现摔伤、烫伤、溺水、交通事故等[1]。 2、精神上的危害：癫痫患者经常被社会歧视，在就业、婚姻等方面均遇到困难，患者精神压抑，身心健康受到很大影响[2]。 3、生活上的妨碍：认知障碍，主要表现为患者记忆障碍、智力下降、性格改变等，最后逐渐丧失工作能力甚至生活能力[2]。此外，癫痫患者无法驾车，需要长期服药，给生活带来很大麻烦。 另一方面，其发病机制非常复杂，很难预测。同时，由于该病具有突发性，一旦不能及时治疗，患者的生命受到很大威胁。 脑电图可记录脑部的电活动，同时也可记录下癫痫波形。此外，脑电中癫痫的发作时刻先于行为上的表现。故依据脑电不但可鉴别癫痫，而且更加及时，为治疗争取时间。 目前，癫痫发作检测需要长期记录脑电数据，并且脑电图是多通道的，数据量非常庞大，由医生人工完成检测效率低。不同的医生在判别癫痫时，可能会划分为不同类型，受主观影响比较大。若使用算法自动检测并识别癫痫发作，可以大大提高效率，降低漏检率和漏检率。深度学习算法就可以实现这一目的，同时，由于它可以处理大规模数据的特点，还可以实现癫痫的大规模筛查，便于预防和诊治，具有很大的临床应用价值。 1.3 国内外研究现状
1.3.1 癫痫自动检测研究现状 学术界研究自动检测癫痫脑电信号已有多年的历史，研究初期受设备和实验条件等方面的限制，进展缓慢。二十世纪吹冰十年代初，Cooper等研究了癫痫患者术中采集的脑电图，试图提取出发作前期的脑电波，但该方法很难应用于临床。七十年代末至八十年代初，研究重点转变为与疾病发作相关的癫痫脑电的外部物理特征，包含有幅值、频率等。往后，随着非线性理论的发展，非线性动力学方法被应用于癫痫脑电的自动检测，效果比较理想[3]。近几年，人工神经网络也被应用于这方面。现今常用的方法有以下这些：
（1）时域分析法 时域分析法比较直观，主要是分析时域波形，直接提取或使用AR等参数模型提取与发作时类似的波形特征，以供进一步分析。一个典型的方法就是模板匹配法，事先准备好癫痫特征波的模板集，当被测信号与某个模板的相关性超过阈值，则被判定含有癫痫信号[4]。但脑电波极其复杂，构造模板集很困难，并且阈值也很难设置。
（2）频域分析法 频域分析假设脑电信号是平稳的，使用傅里叶变换，将其分解为不同频率的正弦波的叠加。这样就可以避免研究复杂的原函数，转而研究不同频率分量的幅值和相位。功率谱是主要方法之一，把随时间变化的时域脑电信号通过变换转化为随频率变化的脑电功率谱图，可定量分析脑电信号各频段的分量，并可直接观察脑电节律的分布与变化。参数模型谱估计法，特别是自回归(Autoregressive，AR)模型在脑电信号的分析中应用较为广泛。AR模型的参数代表了脑电信号的统计特征，可在检测中作为区分正常脑电和癫痫脑电的依据。但是由于AR模型参数的物理意义不明显，使其在实际应用中受到较大的限制[4]。 （3）时频分析法 事实上，脑电波信号是非平稳的，并且频域和时域是矛盾的，使用其中一种，必然丢失另一种上的信息，所以采用时频分析方法很有必要。时域信号或频域信号都是一文的，将其经过映射变换为时间频率平面上的二文信号，即可揭示信号的频率分布情况，以及每一频率分量随时间变换的规律。 常用的时频分析方法包括短时傅里叶变换，Gabor变换，小波变换等。采用小波变换中的多分辨率分析方法来分析脑电信号快速瞬变的异常波，如棘波和尖波成分等，更具有针对性，有利于癫痫特征的提取，更加有效地找到信号突变的位置。但小波基的选取范围十分狭窄，不能检测所有的癫痫异常波，临床应用受限[5]。