基于Stockwell变换与Boosting算法的自动癫痫检测

摘要

癫痫(epilepsy)，是大脑神经元细胞群过度放电导致大脑各项功能失调的慢性疾病。癫痫是医学上公认的的神经系统中常见的疾病之一，其反复间歇性发作给患者及其家属造成极大的痛苦，也严重地影响了他们的生活质量。脑电图（electroencephalogram）是在头皮表面使用电极记录的大脑神经元细胞群的自发性、节律性的活动。癫痫发作是因为大脑皮层的某些神经元细胞群过度异常放电而引起的，因此EEG是癫痫诊断和治疗中最重要的一项工具，其中包含的生理和病理信息是其他检测方法所不能取代的。目前，临床上的癫痫检测多是医生通过对患者的脑电图的人工观察，并依据自身经验来分析诊断病情。人工检查脑电图不仅任务重时间久，而且依赖性很强。因此，自动癫痫检测技术对减轻医生负担的及提高癫痫的诊断效率就显得尤为重要。
　　由于癫痫发作时，脑部神经细胞节律性的暴发各种波形，包括棘波、棘慢波、慢波或快波等，且发作期的波形变化幅度比间歇期明显剧烈。癫痫检测就是在脑电图的基础上提取癫痫发作期和间歇期的能代表该段信号的显著特征进行分类识别，从而达到自动癫痫发作检测的目的。
　　本文在前人研究方法的基础上提出了一种新颖的自动癫痫检测方法。该方法基于Stockwell变换分析方法和Gradient Boosting算法等技术，并与其他方法进行了分析比较。首先，对脑电信号进行预处理，然后对其进行Stockwell变换将其时频特性映射到时频平面上;其次，按照一定的规则对时频平面进行分割并提取每一部分的功率谱密度来定量的描述脑电活动;然后，将提取的脑电特征向量送入Gradient Boosting分类器进行训练与分类;最后，对分类的原始结果进行后处理，最终实现自动癫痫发作检测。
　　本文提出的自动癫痫检测方法的实现基于来自德国弗莱堡医学院的癫痫研究中心的数据库。该数据库包含21位病人的87次癫痫发作的脑电记录。通过与其他方法的对比分析发现，本文提出的方法能够更有效地识别癫痫发作，且该方法具有运算速度快，实时监测性较强等优点，更有利于临床应用。

目录

声明

摘要

符号说明

第一章 绪论

1．1 概述

1．2 癫痫脑电信号的概述

1．3 癫痫检测研究意义及现状

1．4 癫痫脑电检测流程

1．5 本文层次结构安排

第二章 Stockwell Transform分析

2．1 脑电信号的时频分析方法

2．1．1 短时傅里叶变换

2．1．2 小波分析方法

2．1．3 Wigner-Ville分布

2．2 Stockwell变换分析方法

2．3 Stockwell变换在脑电信号分析上的优势与应用

第三章 癫痫脑电信号的特征分析

3．1 脑电特征的概述

3．2 功率谱密度

第四章 癫痫脑电检测和分类方法

4．1 线性分类算法

4．1．1 Fisher线性判别分析方法

4．1．2 Bayes线性判别分析方法

4．2 Boosting算法

4．2．1 Boosting算法概述

4．2．2 Gradient Boosting算法

第五章 基于Stockwell变换与Boosting算法的癫痫检测实验过程

5．1 实验数据

5．1．1 数据来源

5．1．2 对数据进行特征提取

5．2 对数据进行特征提取

5．3 后处理

5．4 实验结果

5．5 分析讨论

第六章 总结与展望

6．1 结论

6．2 展望

参考文献

致谢

攻读硕士研究生期间研究成果