基于奇异谱分析和人工神经网络模型的癫痫发作预测研究

摘要

癫痫是大脑皮层神经元高度同步化放电而引起的一种脑功能紊乱症。癫痫除发作期和发作间隙期外，还有发作前期，这个时期是从发作间隙期向发作期的转化时期。若能在发作前期检测到癫痫发作的先兆症状，提前预报癫痫发作，对患者实施充分的预防和保护措施，就能极大地降低癫痫发作造成的伤害，提高患者的生活质量。开展基于头皮脑电(ScalpEEG)分析的预测研究，提高预测效果，是癫痫发作预测研究的关键问题。本文所采用的奇异谱分析(Singular Spectrum Analysis —SSA)方法是一种线性分析方法，适合于短时间序列分析，可有效实现癫痫预测。 具体工作如下： 第一步，利用窗口移动法把记录的EEG信号分割成连续等长的EEG。结合癫痫发作的临床特征，取出发作前期数据，至于和发作距离的时间(即预测时间)要进行多次试验，在不影响预测的前提下得出最大值，本次实验所得最大预测时间为100秒；第二步，利用Cao法对所截取的EEG数据进行相空间重构，从而研究基本的非线性动力学系统，为在此基础上计算奇异谱选择最佳非线性参数。这里的主要工作是确定延时τ和嵌入维数m ，分析所得结果为5 τ= ， 15 m = 为适合本课题的最佳相空间重构参数；第三步，计算每个被噪声污染的EEG数据相空间的奇异谱，从中寻找癫痫发作前期脑电信号奇异谱的特征。实验结果表明：健康人脑电奇异谱起始的值很大，之后迅速降低至很小的值。我们称这一小值区间为“噪声平台”。而对于癫痫病人脑电奇异谱，则是缓慢的下降，不像健康人那样存在“噪声平台”。除了比较癫痫病人与正常人脑电的奇异谱外，论文还讨论了局部癫痫发作病例，结果表明该方法能够很好的区分发作区和正常区域。第四步，为了定量分析健康人和癫痫病人奇异谱的区别，我们应用反向传播(Back Propagation—BP)神经网络模型作为一种分类器，对这两种奇异谱进行分类。结果表明，该网络能够很好的区分健康人和癫痫病人的奇异谱。有力的证明了该方法的有效性。 实验表明该方法具有以下优点：由于采用了线性分析方法，因此在计算复杂度上要低于传统的非线性动力学分析方法；所用癫痫发作前期EEG数据非常短，仅仅4秒钟(512点)．但是计算出的健康人奇异谱和癫痫病人奇异谱存在明显的差异，并能够通过BP神经网络进行很好的分类；由于实验所用数据为便于采集的头皮EEG，且预测效果明显，因而也说明该方法具有很好的临床应用前景。