20130415-099 近似熵与SVM结合在脑电信号分类中的应用.pdfVIP

2013中华医院信息网络大会征文，请勿转载 近似熵与SVM 结合在脑电信号分类中的应用 ① ＊ ② ① 张振 周毅 陈子怡 黄瑞梅 基金项目：国家自然科学基金项目；中央高校基本科研业务费中山大学 培育项目（11ykpy07）；广东省自然科学基金项目（S2011010005309） ＊通讯作者：中山大学中山医学院生物医学工程系，510080，广东省广州市越秀区中山二路 74 号 ①中山大学中山医学院生物医学工程系，510080，广东省广州市越秀区中山二路74 号 ②中山大学附属第一医院神经内科，510080，广东省广州市中山二路58 号 摘 要 自动探测和识别脑电（EEG）癫痫波对于临床上预测癫痫发作和辅助医师诊断治疗具有 重要意义。本文通过非线性动力学指标近似熵（ApEn）与支持向量机（SVM）相结合的方法对 癫痫发作间歇期EEG 和发作期EEG 进行分类，通过分类结果来检验非线性动力学指标是否可有效 运用于脑电癫痫波的自动实时探测中并验证由非线性动力学指标训练的分类器的泛化能力。首先 选取四例病人的脑电癫痫波(一例病人的数据用于训练分类器，另三例病人的数据用于测试分类 器)，然后按实验要求将数据分段并提取各段特征值，将一例病人的数据用于构建 SVM 分类器， 然后用该SVM 分类器对另外三例病人的脑电癫痫波进行分类得到结果。结果表明利用非线性动力 学指标训练的分类器具有良好的泛化能力，对三例不同病人的脑电数据的平均分类准确率达 93.33%。 关键词 癫痫 EEG 近似熵 支持向量机 分类 1 引言 癫痫是由大脑神经元群高度同步化异常放电所导致的一组疾病或综合征，常会反复、突然发 作，会严重影响患者的生活与工作。脑电(EEG)信号中包含了脑内大量的生理和病理信息，在癫 [1] 痫等脑科疾病的诊断治疗中起着非常重要的作用 。EEG 信号表现为随机性很强的电生理信号， 具有明显的非平稳性和非线性特征，针对EEG 信号的这两种特性，越来越多的学者开始采用非线 [2] 性方法来研究EEG 信号。同其他方法相比，非线性方法在表征信号的随机性时有着很大的优势 。 对EEG 信号的非线性研究已成为非线性科学研究领域的热点和难点。 目前，癫痫患者大约占全球总人口的千分之五，而我国大约有600 万人患有癫痫。在如此庞 大的癫痫患者群中，约有2/3 的癫痫病人通过一段时间正规的药物治疗后可以得到有效控制，剩 下1/3 不能通过药物治疗来有效控制的癫痫患者被称之为顽固性癫痫患者，其中约有21%~24%的 顽固性癫痫病人可以通过手术除去癫痫灶的方法来进行治疗，另外有 75%左右的顽固性癫痫患者 [3] 的癫痫症状还没有任何合适的治疗手段可以控制 对于没有合适治疗手段来加以控制的癫痫患 。 者，最好的办法就是对其反复而且突然出现的 癫痫发作进行预测，从而来提高这些癫痫患者的生活质量。国内外有众多学者正在对癫痫预 测进行相关研究，最近，美国明尼苏达大学贺斌教授的课题组取得了不错的成果，他们使用非线 性动力学指标与基于规则的算法相结合的方法对部分性癫痫中的新皮质癫痫进行预测研究得到 [4] 了大于 90%的灵敏度 。对癫痫发作进行预测具有重大意义，而想要进行有效的预测，首先要能 [5] 够对癫痫脑电信号进行有效的自动分类识别 。本文中我们将对癫痫脑电信号的自动分类识别进 2013中华医院信息网络大会征文，请勿转载 行相关研究和探讨。 [6] 近年来，对癫痫信号进行自动检测和识别的研究越来越多 ，多