论文部分内容阅读
癫痫是一种常见的神经系统紊乱的慢性疾病,它能导致意识的丧失和肌肉颤搐。目前在全球范围内大约有6千万癫痫患者,我国大约有6百万～9百万。如果癫痫发作能被提前有效地预测,病人和医生则能及时做出有效防护措施,这样能减少发病对患者的危害,提高患者生活质量。因此癫痫预警系统的研究意义十分重大。目前关于癫痫预警系统研究大多处于算法仿真和静态建模阶段,可用于临床试验的在线预警系统研究的相关报道较少。因此开发一套实时性和预测精度较好的,可用于临床试验的癫痫发作前期(简称癫痫前期)远程在线预警系统十分必要。本课题主要目的是研究高噪声背景下癫痫前期EEG的动态建模,在癫痫前期自动检测的基础上建立单服务器多客户端的远程在线预警系统,并提高系统的预测时间和预测精度,减小漏测率和误测率。该系统利用连续隐马尔科夫模型(简称CHMM)对高噪声癫痫前期EEG动态建模,并用线性和非线性在特征层的多元融合来重构该模型的观测序列作为模型的输入。为验证系统的有效性和可靠性,针对系统的交互训练模式,特征建模模式和远程在线预警模式设计三个实验。交互训练实验显示：当隐状态数从2到5变化时,为1500个样本点的癫痫前期EEG建立CHMM最多需要467毫秒；特征建模实验显示：基于CHMM的近似熵、CO复杂度和Hurst指数的融合建模在区分癫痫前期和发作期以及正常期时表现较为理想,癫痫前期的平均识别率能达到85.74%±2.43。系统的特异性和敏感性也分别为69%和89%。当整个模型库建立后,识别一段未知脑电信号最多193毫秒；远程在线预警实验结果显示：经过训练集和测试集的验证实验,系统参数设置为最优组合时,预测精度为100%,即每段信号均能提前预测到癫痫前期,预测时间平均为23.71±5.85秒,即预测到癫痫将在23.71±5.85秒后发作,预测效率平均为17.79±11.99秒,漏测率和误测率均为0。因此该系统预测精度,预测时间和预测效率等指标都达到较为理想的水平。本课题研究的癫痫前期远程在线预警系统集成交互训练、特征建模和远程在线预警三大工作模式,它的预测时间、预测精度和预测效率较为理想,且参数灵活可调,自适应性较强,在癫痫诊断,远程检测,脑科学和脑认知等领域具有广阔的应用前景。