复杂网络与GA-PSO算法下的癫痫脑电识别

摘要

癫痫(epilepsy,EP)是大脑神经元异常放电的一种慢性脑部神经疾病,临床上大多由专业神经科医生在癫痫患者的脑电图(electroencephalogram,EEG)信号上进行人工视觉检测分析,容易受医生的主观影响。因此,筛选有效的脑电特征对EP进行自动识别显得尤为重要。对多通道EEG信号构建相位同步(phase synchronization index,PSI)脑网络,从网络节点和结构功能角度提取15个拓扑特征,并结合支持向量机(support vector machine,SVM)分类器实现癫痫脑电自动识别。分析发现delta(δ)频带下EP脑网络连接显著增加,网络传输效率与小世界属性降低,分类效果最好。进一步将特征进行频带内与频带间交叉组合,并应用粒子群优化算法(particle swarm optimization,PSO)和引入遗传算法(genetic algorithm,GA)的改进算法GA-PSO筛选特征组合,研究发现GA-PSO算法优于PSO算法,EP识别准确率更高,且在四频带交叉下达到0.933 5。结果表明,引入GA算法使得GA-PSO算法保持种群多样性,避免出现过早收敛从而陷入局部最优,可提高种群的搜索能力,从而快速、稳定地筛选得到最优特征组合,有效对EP脑电信号进行识别。