基于脑电特征纹理与不平衡分类的癫痫发作检测研究

摘要

癫痫是一种常见的慢性、频繁发作的神经系统紊乱疾病，它通常是由脑神经元细胞突然过度放电引起的,严重时可导致病人失去理智或意识、运动障碍、感觉、情绪或心理功能失调，给患者带来极大的痛苦，因此癫痫疾病的诊断检测研究对癫痫疾病的诊断治疗、改善癫痫患者的生活质量具有重要的实践意义。脑电图在癫痫诊断检测中起着重要指导作用。传统的癫痫发作诊断很大程度上依赖于医生对癫痫病人脑电图的人工观察判断，但随着脑电图记录数据量大幅度增加，人工视觉检测既耗时效率又低，同时繁重的工作及个人主观意识都会影响医生的判断力，进而影响病状检测结果的准确性。自动检测系统可以有效地辅助医生加快对癫痫疾病的检测与诊断。 传统检测研究都是在癫痫脑电信号发作类样本与非发作类样本近似相等即平衡数据集状况下进行分类识别。但癫痫非发作期持续时间与发作期持续时间相比，发作时间持续非常短，即发作类与非发作类样本表现为极端不平衡，因此对癫痫疾病的检测研究可以将其看作是一种典型的不平衡分类问题。若采用传统平衡分类器对不平衡脑电数据进行分类识别，不可避免的会使分类结果向多数类即非发作类偏颇，而发作类容易被错误识别为非发作类。此外，脑电信号具有非平稳特性并且癫痫发作持续时间太短，不平衡分类方法应用于癫痫自动检测研究仍然是一项巨大的挑战。 本文采用了一种基于EasyEnsemble学习的不平衡分类模型检测识别长脑电信号中的癫痫发作信号片段。由于脑电信号的非平稳性，采用离散小波变换分析处理原始脑电信号后提取一维均匀局部二值模式纹理特征及灰度共生矩阵特征表征脑电信号微结构信息。多个用于训练的相对较弱的支持向量机构成一个学习框架，欠采样算法将发作数据和非发作数据构成的不平衡训练数据集划分成多个平衡子训练集，每个子平衡数据集都用于训练各自的弱支持向量机分类器。最后这些弱支持向量机集成一个强分类器，以便于在极度不平衡的癫痫脑电信号中更有效的识别出癫痫发作信号。充分考虑到脑电信号的时间和频率因素的影响，最终的识别结果通过多级融合决策获取。 本文提出的不平衡分类算法流程如下：首先，对原始脑电信号进行预处理，采用4秒的时间窗将长脑电信号分为信号片段，对信号片段进行离散小波分解并选取所需频率片段；然后在选取的频率片段上提取一维均匀局部二值模式纹理特征和灰度共生矩阵；接着对不平衡特征数据集采用欠采样技术将多数类分割后分别与少数类结合，学习训练多个弱分类器，然后弱分类器集成为一个强分类器；最后采用后处理技术对分类结果进行融合决策。在两个公共长脑电信号上对系统性能进行测试评估，在颅内脑电信号中基于片段的评估得到G-均值97.14%和基于事件的评价中敏感性为96.67%及错检率为0.86/h；在头皮脑电信号中基于片段的评估得到G-均值95.28%和基于事件的错检率0.81/h。同时与14种方法比较，证实该模型改进提高癫痫脑电信号分类检测结果，具有较好通用性。

目录

第1章 绪论

1.1.1 脑电图简介

1.1.2 癫痫脑电图简介

1.1.3 癫痫检测研究的意义

1.2 癫痫检测研究现状

1.3 本文方法

1.4 本文结构安排

第2章 脑电纹理特征提取

2.1 离散小波变换

2.2 局部二值模式(LBP)及其改进模式纹理特征

2.3 脑电纹理特征提取

2.3.1 一维均匀局部二值模式（uniform 1D-LBP）

2.3.2 灰度共生矩阵

2.3 本章小结

第3章 基于EasyEnsemble学习的不平衡分类

3.1 不平衡分类算法

3.1.1 数据集层面上的不平衡分类

3.1.2 算法层面上不平衡分类

3.2 基于EasyEnsemble学习的不平衡分类算法

3.3 本章小结

第4章 实验过程与结果讨论

4.1 实验数据

4.1.1颅内脑电数据集

4.1.2头皮脑电数据集

4.1.3短数据集

4.2 实验过程

4.2.1 预处理

4.2.2 特征提取

4.2.3 基于EasyEnsemble学习的不平衡分类

4.2.4 后处理

4.3 实验评估标准

4.4.1 短数据集上中心点特征提取的邻域参数选取结果

4.4.2 长数据集上基于片段的评估结果与比较

4.4.3 基于事件的评估结果与比较

4.4.4 在灰度共生矩阵纹理上基于片段的评估结果与比较

4.5 不同算法评估结果比较与讨论

4.5.1 本系统与单平衡分类模型的比较

4.5.2 本系统与不同方法评估结果的比较

4.5.3 系统局限性

4.6本章小结

第5章 结论与展望

5.1 结论

5.2 未来展望

5.3 本章小结

参考文献

硕士期间研究成果

致谢