极端学习机的癫痫发作预报(附件)
癫痫发作的预测在当前临床上是一个难以解决的问题。提前的癫痫发作的检测可以使患者和医生有一定的时间来采取适当的保护措施，以此来避免癫痫突然发作造成的身体和心理上的影响。本文主要以极端学习机算法为研究算法对癫痫发作进行预报。首先提出了一种基于希尔伯特-黄变换的脑电信号特征提取的方法，利用该变换来计算信号的相位并提取脑电信号各通道之间的相位信息。其次在特征提取之后，使用极端学习机这样一个算法来区分出发作前期和发作间期。最后计算癫痫发作预报所需要的指标，通过计算得出的四个指标来判断癫痫疾病何时发作。关键词 癫痫发作预报，希尔伯特-黄变换，极端学习机，特征提取，脑电信号
目 录
1 绪论 1
课题背景及课题意义 1
国内外研究发展及现状 2
1.3 研究内容及工作安排 3
2 基于希尔伯特黄变换的脑电信号的特征提取 3
2.1 希尔伯特黄变换 3
2.2 特征提取的方法 7
3 基于极端学习机的脑电信号分类器的研究 9
4 癫痫发作的预报及仿真 13
4.1 癫痫发作预报系统的建立 13
4.2 实验仿真及分析 14
结论 25
致谢 26
参考文献27
1 绪论
1．1 课题背景及课题意义
癫痫，俗称“羊角风”或“羊癫疯”。它是各种慢性脑功能障碍的主要发病原因。这种疾病在神经内科经常能够看见。癫痫引发的疾病能够囊括感官、听觉、活动、认知和自主神经。它产生于大脑中，当神经元忽然进行反常的放电会导致脑功能出现暂时的障碍[21]。癫痫是一种慢性的疾病。虽然它在短期内对病患没有太大的影响，可是长时间且频繁的发作可能会导致病患在身体、心灵和智商各个方便都受到非常多的影响。癫痫发作的危害体现在三个方面：第一方面，癫痫病患有可能会在各种不定的时候与地方忽然发病。这会让他们比普通人更容易摔跤或者一不小心掉到河里面。也有可能在过马路的时候被汽车撞倒，这些都对他们的生命造成了很大的危害；第二方面，癫痫病患在社会认知上也会被歧视，这使得他们在找工作，结婚，家庭生活等方面碰到比常人更多的障碍， *好棒文|www.hbsrm.com +Q: ^351916072#
精神上也更加不稳定，心理也会发生很大的变动；第三方面，癫痫病患的认知会产生障碍，主要体现在病患的记忆会有障碍，智力也会有明显的下降，而且会改变他们的性格。最终这种病导致他们丧失了工作的能力，并且生活不能自理，只能依靠家人的帮助。
世界上大概有百分之一的人正在受到这种病症的困扰[1]。根据我国最新的流行病学数据，我国的癫痫的总体得病的概率大约为千分之七。在这些大量的癫痫病人中，我们发现大约有百分之七十的病患可以使用相关的药来进行治疗和抑制。只有大约百分之十的病患可以使用手术的方式来治疗成功。然而依旧有大概五分之一的病患无法使用任意有效的方法来进行医治[2]。
病患和医师能够有足够多的时间来选用适当的防护方式，如果他们能够及时的预测癫痫的发作。这样能够更大地减少癫痫发作对病患酿成的不测和危害，并且在一定程度上保证了癫痫病患的性命和财产安定。这样能够使得他们的生活水平得到大大的提高。即使癫痫发作预报的办法已然进行了非常久的研究与发行，但是能够有效的用在临床上的预测结果的研究依然没有出现突破性的发展。所以，预测癫痫的发作对于当今医学诊治有非常重要的意义。
1．2 国内外研究发展及现状
在医生治疗的时候，脑电图经常用来监控和检测癫痫病患。医生同样是经过分析脑电图来诊断癫痫这一疾病的发生。脑电图分析在临床诊断中具有十分重要的作用，例如探究大脑功能和帮助诊治精神类的病症、身体和心理评判的客观性参数、神经方面的科研认知等。
癫痫这一疾病的发作主要就是通过脑部的神经细胞的异常放电和过量的放电导致的。依照现有的研究结果显示，癫痫病患的脑电图的活动范围具体有四个时间段。这四个时间段包括了发作间期、发作前期、发作期与发作后期[23，31]。由于预测癫痫这一疾病发作的时间的重中之重是发作间期与发作前期的区别。也就是把发作前期从发作间期里面区分开来，所以癫痫发作预报的研究也能够被当做是EEG的二分类的研究方向。
癫痫发作预报的研究从1960s开始[3]，到1970s以后，就已经有研究人员使用线性的方法从病患发病之前的脑电图中提炼出有效的讯息[4]。所使用的线性方法主要包括时域分析、频域分析、与时频域分析三种方法[5]。时域分析方法的优点是能够很直白的体现出比较关键的信息，缺点是会遗漏掉其他多余的异样的变化[24]。频域分析方法的优点是以脑电图为主的频谱估算，适用于癫痫的脑电不一样时间段的频率和幅值的变化，缺点是对处理的信号需要一些较高的要求[25]。时频分析方法的优点是将时域和频域这两点联合起来，拥有分辨率多的优点，缺点是通常仅仅用在对基础信号的拆解，并且较难自主完善特征提取这一步骤[26]。
但是这三种研究方式都是以线性模型为根本进行研究的，然而脑电图还具有非线性这样一个特征[6]。于是以非线性理论的研究进展为基础的前提下，癫痫发作的预报开始了深入的发展。lasemidis等人[7]首次把非线性动力学理论作用到了癫痫发作预报里面，采用了最大李雅普诺夫指数[8]描绘癫痫的脑电图的特征。在此之后，更多的非线性的分析方法出现了。目前，主要的非线性方法有非线性动力学指数、复杂性测度、信息熵与相似性分析等[9]。1990s开始，由于人工智能的研究领域不停地扩展，机器的学习方法也被广泛的应用到了癫痫发作预报这一体系里面，形成了以特征提取和分类器相结合的方式，该方式现在已经成为癫痫发作预报的主流方式之一。机器的学习方法能够在不清楚很多概念的情况下，能够比较方便的依照不一样的癫痫病患来创建不一样的模块来区别出发作前期和发作间期。这样可以避免研究人员经过多次试验来规划预报的麻烦。现在已经有非常多的分类器被运用于脑电信号的分类中，比如支持向量机[10，27]、极端学习机[11]等。除此之外，Aarabi等研究人员[16]把模糊规则替换了分类器。该方法既能减少计算量，又能处理脑电信号间的不精确边界，有效降低误报率。然而，以机器学习为研究的方法缺少鲜明的物理含义，在医学上也缺乏探讨。并且该方法要求足够多的拥有代表性的数据。一旦数据集发生变化，决策规则就会跟着数据集而变化。
目 录
1 绪论 1
课题背景及课题意义 1
国内外研究发展及现状 2
1.3 研究内容及工作安排 3
2 基于希尔伯特黄变换的脑电信号的特征提取 3
2.1 希尔伯特黄变换 3
2.2 特征提取的方法 7
3 基于极端学习机的脑电信号分类器的研究 9
4 癫痫发作的预报及仿真 13
4.1 癫痫发作预报系统的建立 13
4.2 实验仿真及分析 14
结论 25
致谢 26
参考文献27
1 绪论
1．1 课题背景及课题意义
癫痫，俗称“羊角风”或“羊癫疯”。它是各种慢性脑功能障碍的主要发病原因。这种疾病在神经内科经常能够看见。癫痫引发的疾病能够囊括感官、听觉、活动、认知和自主神经。它产生于大脑中，当神经元忽然进行反常的放电会导致脑功能出现暂时的障碍[21]。癫痫是一种慢性的疾病。虽然它在短期内对病患没有太大的影响，可是长时间且频繁的发作可能会导致病患在身体、心灵和智商各个方便都受到非常多的影响。癫痫发作的危害体现在三个方面：第一方面，癫痫病患有可能会在各种不定的时候与地方忽然发病。这会让他们比普通人更容易摔跤或者一不小心掉到河里面。也有可能在过马路的时候被汽车撞倒，这些都对他们的生命造成了很大的危害；第二方面，癫痫病患在社会认知上也会被歧视，这使得他们在找工作，结婚，家庭生活等方面碰到比常人更多的障碍， *好棒文|www.hbsrm.com +Q: ^351916072#
精神上也更加不稳定，心理也会发生很大的变动；第三方面，癫痫病患的认知会产生障碍，主要体现在病患的记忆会有障碍，智力也会有明显的下降，而且会改变他们的性格。最终这种病导致他们丧失了工作的能力，并且生活不能自理，只能依靠家人的帮助。
世界上大概有百分之一的人正在受到这种病症的困扰[1]。根据我国最新的流行病学数据，我国的癫痫的总体得病的概率大约为千分之七。在这些大量的癫痫病人中，我们发现大约有百分之七十的病患可以使用相关的药来进行治疗和抑制。只有大约百分之十的病患可以使用手术的方式来治疗成功。然而依旧有大概五分之一的病患无法使用任意有效的方法来进行医治[2]。
病患和医师能够有足够多的时间来选用适当的防护方式，如果他们能够及时的预测癫痫的发作。这样能够更大地减少癫痫发作对病患酿成的不测和危害，并且在一定程度上保证了癫痫病患的性命和财产安定。这样能够使得他们的生活水平得到大大的提高。即使癫痫发作预报的办法已然进行了非常久的研究与发行，但是能够有效的用在临床上的预测结果的研究依然没有出现突破性的发展。所以，预测癫痫的发作对于当今医学诊治有非常重要的意义。
1．2 国内外研究发展及现状
在医生治疗的时候，脑电图经常用来监控和检测癫痫病患。医生同样是经过分析脑电图来诊断癫痫这一疾病的发生。脑电图分析在临床诊断中具有十分重要的作用，例如探究大脑功能和帮助诊治精神类的病症、身体和心理评判的客观性参数、神经方面的科研认知等。
癫痫这一疾病的发作主要就是通过脑部的神经细胞的异常放电和过量的放电导致的。依照现有的研究结果显示，癫痫病患的脑电图的活动范围具体有四个时间段。这四个时间段包括了发作间期、发作前期、发作期与发作后期[23，31]。由于预测癫痫这一疾病发作的时间的重中之重是发作间期与发作前期的区别。也就是把发作前期从发作间期里面区分开来，所以癫痫发作预报的研究也能够被当做是EEG的二分类的研究方向。
癫痫发作预报的研究从1960s开始[3]，到1970s以后，就已经有研究人员使用线性的方法从病患发病之前的脑电图中提炼出有效的讯息[4]。所使用的线性方法主要包括时域分析、频域分析、与时频域分析三种方法[5]。时域分析方法的优点是能够很直白的体现出比较关键的信息，缺点是会遗漏掉其他多余的异样的变化[24]。频域分析方法的优点是以脑电图为主的频谱估算，适用于癫痫的脑电不一样时间段的频率和幅值的变化，缺点是对处理的信号需要一些较高的要求[25]。时频分析方法的优点是将时域和频域这两点联合起来，拥有分辨率多的优点，缺点是通常仅仅用在对基础信号的拆解，并且较难自主完善特征提取这一步骤[26]。
但是这三种研究方式都是以线性模型为根本进行研究的，然而脑电图还具有非线性这样一个特征[6]。于是以非线性理论的研究进展为基础的前提下，癫痫发作的预报开始了深入的发展。lasemidis等人[7]首次把非线性动力学理论作用到了癫痫发作预报里面，采用了最大李雅普诺夫指数[8]描绘癫痫的脑电图的特征。在此之后，更多的非线性的分析方法出现了。目前，主要的非线性方法有非线性动力学指数、复杂性测度、信息熵与相似性分析等[9]。1990s开始，由于人工智能的研究领域不停地扩展，机器的学习方法也被广泛的应用到了癫痫发作预报这一体系里面，形成了以特征提取和分类器相结合的方式，该方式现在已经成为癫痫发作预报的主流方式之一。机器的学习方法能够在不清楚很多概念的情况下，能够比较方便的依照不一样的癫痫病患来创建不一样的模块来区别出发作前期和发作间期。这样可以避免研究人员经过多次试验来规划预报的麻烦。现在已经有非常多的分类器被运用于脑电信号的分类中，比如支持向量机[10，27]、极端学习机[11]等。除此之外，Aarabi等研究人员[16]把模糊规则替换了分类器。该方法既能减少计算量，又能处理脑电信号间的不精确边界，有效降低误报率。然而，以机器学习为研究的方法缺少鲜明的物理含义，在医学上也缺乏探讨。并且该方法要求足够多的拥有代表性的数据。一旦数据集发生变化，决策规则就会跟着数据集而变化。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jxgc/zdh/1588.html
