论文部分内容阅读
脑电图(Electroencephalogram,EEG)是脑神经细胞的电生理活动在大脑皮层或头皮表面的总体反映,包含了大量的生理和病理信息。近年来,与疼痛相关脑电信号的研究是当前脑认知和临床治疗领域的研究热点和难点问题之一,对疼痛的客观评估能帮助婴幼儿、术后病人等无法表达疼痛信息的患者做出疼痛的客观判断,对临床疼痛治疗具有很高的价值。本文针对多通道临床疼痛脑电信号的预处理、特征提取、特征选择与分类识别等内容展开研究,以实现无痛、轻痛和重痛三种疼痛水平的客观识别。本文首先介绍了临床疼痛脑电信号的采集方案,并针对脑电信号微弱、容易受到各种噪声(如眼电、心电等)干扰等特点,采用独立分量分析方法进行预处理,去除噪声的同时保留有用信息。为提取和疼痛有关的特征,提出了一种基于离散小波变换(Discrete Wavelet Transform,DWT)的特征组合方法,利用小波分解系数提取小波能量占比、系数统计特征、样本熵和锁相值四种组合特征。为了识别疼痛水平,采用ANOVA进行粗特征选择,选出在不同疼痛水平下具有显著性差异的特征,然后用支持向量机进行模式识别。同时,分析了电信号中各子带信号对疼痛识别能力的影响,表明不同疼痛强度引起的大脑活动的变化反映在各个频带的脑电信号中。为了进一步提高不同疼痛强度的分类精度,针对原始特征集含有大量的冗余特征,采用随机森林(Random Forest,RF)与序列后向选择(Sequential Backward Selection,SBS)相结合的方式进行特征选择,利用选出的最优特征子集进行训练和预测。对比了 ANOVA-SVM和RF-SBS算法的分类结果,得出RF-SBS算法更加适合于疼痛识别,在不痛与轻痛、不痛与重痛、不痛与轻痛与重痛三分类情况下的分类准确率分别达到92.85%、100%、92.85%和80.95%。另外,对最优特征集包含的特征类别进行了统计分析,发现样本熵和锁相值更能够反映出疼痛的变化。