基于去趋势波动分析和支持向量机的癫痫脑电分类.PDFVIP

生物物理学报 2011 年2 月 第27 卷 第2 期: 175-182 ACTA BIOPHYSICA SINICA Vol.27 No.2 Feb. 2011: 175-182 研究论文/ Research Article 基于去趋势波动分析和支持向量机的 癫痫脑电分类 1 1 1 2 2 2 蔡冬梅 ，周卫东 ，李淑芳 ，王纪文 ，贾桂娟 ，刘学伍 1．山东大学信息科学与工程学院，济南 250100 ； 2 ．山东大学齐鲁医院，济南 250012 收稿日期：2010-10-07 ；接受日期：2010-11-16 基金项目：国家自然科学基金项目，山东省攻关计划项目(2010GSF10243)，山东大学自主创新基 金资助课题(2009JC004) 通讯作者：周卫东，电话：(0531E-mail ：wdzhou@ 摘要：癫痫脑电的自动检测与分类对于癫痫患者的诊断治疗具有重要意义 本文提出了一种基 。 于去趋势波动分析(detrended fluctuation analysis, DFA) 、 波动指数和支持向量机(support vector machine, SVM) 的癫痫脑电分类方法 首先采用DFA 方法计算脑电的标度指数 然后对脑电进 。 ， 行4~8 Hz 8~13 Hz 13~30 Hz 带通滤波并分别计算波动指数 最后使用 SVM 分类器实现癫痫 、 、 ， 脑电波的自动分类 对临床脑电信号的实验表明 该方法具有较强的检测性能 分类准确率达 。 ， ， 到97% 。 关键词：脑电图 去趋势波动分析 癫痫检测 支持向量机 波动指数 ； ； ； ； 中图分类号：TP202+.3 引 言 癫痫是常见的慢性脑部疾病，其发作是因为大脑神经元过度同步化放电引起的突然而 短暂的脑功能失调，引起运动、感觉、意识等多种不同的障碍和脑细胞的死亡。癫痫脑电 图对病灶的定位和病情分析都有重要意义。由于癫痫发作的不确定性，脑电图需要长时间 记录，为此脑电图阅读对医务工作者是一项复杂并且耗时的工作。因此，脑电的自动检测 与分类就越发显得迫切与重要。 从20 世纪60 年代起，癫痫EEG 的自动检测技术就受到注意，很多学者在这一领域做 [1~7] 了大量的研究 ，提出了多种自动检测方法。根据癫痫脑电和正常脑电的不同特点，对于 脑电图特征的提取也提出了很多种方法。其中一类方法主要是利用癫痫波波形的时频特征， [1] 其本质是试图量化人的视觉评估过程，这类特征有：1) 模板匹配 ，将检出的波形与癫痫 脑电模板进行病发识别；2) 拟态法特征 mimetic [2] ，提取波形的相关参数进行识别，比如， ( ) [3] 一阶导数、二阶导数、曲率和微分等特征；3) 相对能量 ，计算癫痫经常出现的频段的能 [3] 量在脑电各频段能量和中所占的比例；4) 相对振幅 ，利用癫痫发作时的振幅比发作前背 景的振幅大这一特性作为分类特征。另一类方法是基于癫痫发作时脑电信号的复杂度降低、