关键词:
癫痫预测
小波包能量
滑动窗口技术
支持向量机
后处理
摘要:
癫痫是二十一世纪危害性极大的脑部疾病,目前世界上约有5000万患者遭受癫痫带来的痛苦。因此对癫痫发作进行提前预测,减少癫痫发作对患者造成的二次伤害尤其重要。本文从脑电信号能量特征出发,采取时频分析中常用的小波包分解对癫痫发病预测进行探讨。同时为了提高识别准确率,将滑动窗口技术引入特征提取过程中并提出一种基于阈值的后处理算法,通过实验验证了算法的有效性,具体研究内容如下:首先对癫痫信号进行五层小波包分解,重点分析了前8个节点。提取出癫痫1号、2号、3号病人的小波包能量特征,并对每个病人的前两次发作数据进行实验。通过分析小波包能量图发现在癫痫发作前的400 2300秒,小波包能量会显著增加,之后趋近于0,待癫痫发作后能量值又重新增加。而且对于前4个频段0 16Hz,信号的能量的变化更加明显,后四个频段16 32Hz信号能量增加这一特征变弱了很多。其次为了使癫痫特征更加明显,对于提取出来的小波包能量特征进行了进一步的优化处理。采取两种优化方法,其一为引入滑动窗口技术,对癫痫病人1号和2号第一次发作进行分析,分别分析10秒无重叠、10秒50%重叠、20秒无重叠、20秒50%重叠窗口提取效果。发现使用了重叠窗口之后,同一频段内,小波包系数包含的信号有效信息更多、信号的分辨率更好,也能更直观的观测到小波包能量在发作前期及发作期的变化情况;其二为对小波包能量进行归一化处理,减少小波包总能量对于信号的影响。只计算小波包能量在不同频率成分中所占的比例,通过分析癫痫数据库中的癫痫数据样本,发现癫痫发作各个频段具有各不相同的占比,一般来说0 4 Hz的占比略高一些。接着提取出可以很好表征癫痫发作前期及间期的特征之后,在分类识别方面应用了分类效果较好的支持向量机作为分类方法。将相对小波包能量特征与支持向量机相结合进行发作预测。首先通过仿真实验从四种窗口中选择最佳的10秒50%重叠窗口,接着为了进一步提高分类准确率,应用粒子群优化算法对支持向量机的参数进行优化,提取出最佳的参数组合用于发作前期样本与发作间期样本的识别,并将该种方法与网格搜索和随机参数寻找两种方法进行对比,发现该种优化方法运算时间明显缩短,准确率却显著提高。最后将优化后的支持向量机用于癫痫发作预测,10名癫痫病人的平均准确率为81.16%,平均敏感性为77.3%,平均特异性为84.97%,平均误报率为0.46次/小时,平均预测时间为9.09分钟。最后为了对支持向量机的输出结果进行优化处理,同时进一步减少癫痫发作系统的误报率、提高系统预测时间。本文提出一种基于阈值的癫痫发作预测后处理方法,在发作前期时间选取为发作前20分钟,窗口为10秒50%重叠窗的情况下,对癫痫数据集中的10名患者进行分析。发现使用了本文的阈值后处理方法之后,癫痫发作预测系统的平均误报率为0.0495次/小时,平均预测时间为13.1分钟,与未使用该与之方法之前相比均有所提升,充分证实了本文提出的阈值方法的有效性。