基于小波的发作自动检测.docVIP

  1. 1、有哪些信誉好的足球投注网站(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。。
  2. 2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  3. 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  4. 4、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  5. 5、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  6. 6、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  7. 7、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
基于小波的发作自动检测   摘要 自动癫痫检测通常需长时间监视,是颅内监测的重要手段。现有方法存在较大的误检率,特别是在颅内脑电图中。为了摸清发作检测方法的节律特征,开发了一种基于小波的方法,比较发作脑电与背景脑电的不同,并对该方法的性能进行了探讨。   关键词 癫痫自动检测;颅内脑电检测;小波变换   DOI DOI: 10.11907/rjdk.162430   中图分类号: TP301   文献标识码: A 文章编号 文章编号:2017)002001102   0 引言   癫痫自动检测(Automatic Seizure Detection)对长期癫痫监视非常重要。众所周知,很多病人癫痫发作是因为没有被警告,或者被警告却不能按下报警按钮,或者根本就没有察觉[1]。让一个人24小时监视一个连续的脑电图(EEG)记录是非常乏味的,且成本较高,当脑电图的通道增加,或当病人使用脑内电极时,问题会更加严峻。自动检测,特别是在线检测,能够很好地辅助识别可能发作的脑电图区。即使存在误告警情况,自动检测依然是有用的,因为专业人士会复查所有检测,错误检测会很快被摒弃。   早期有通过简单的计算幅度来进行发作检测,而被广泛应用的方法则是Gotman方法[2],后续对该方法进行了改进和扩展[3]。Gotman方法已被应用于临床诊断和治疗中,它需要对不同环境下的病人群体使用独立估计[4]。   颅内记录较头皮记录有很大优势,受人工影响少(虽然存在来自于故障探针的技术问题,但极少)。同时,这种颅内记录也存在劣势,它会呈现大量幅度和频率波动的EEG模式。Harding[5]开发了一种针对于颅内检测EEG(Stereo Electro-Encephalo-Grams 或 SEEG)的特殊方法,但是要评价其性能是很困难的,这是因为对于每个被记录下来的首次发作的病人,其检测标准是不同的。Osorio等[6]也提出了一种针对SEEG记录的方法。他们针对125个发作片段和超过200个非发作片段来进行评价,但是其数据总数只有54小时,记录有8个或者16个通道。令人惊奇的是,其获得了100%的灵敏度并且没有失败检测。必须注意到,该算法是针对所研究的数据集(没有进行针对无关数据集的测试)。   本文提出的发作检测方法主要针对EEG。该方法是基于小波分析并且应用了宽的时空背景,它通过与开发数据集完全无关的未经选择的数据集进行测试。   1 小波变换   小波变换作为信号分析和特征提取的重要工具,可以给出信号在时域和频域的信号表示。不同于傅里叶变换只提供信号全局规整性的描述,小波变换给出了不同频率的时空估计。该特性很适用于EEG信号,具有时变的频率特性并且包括突发事件。选择合适的小波来匹配发作的形状和频率特性很重要,本文选择Daubechies-4小波,使用它来分析非静止信号,如EEG非常适用。不同尺度的离散小波变换(DWT)系数可以使用一个简单的递归数字滤波器组。高通滤波器的输出给出了这一系列该尺度的DWT系数(也称为细节系数)。低通滤波器的输出包含了信号的低频能量,称为尺度函数(也称为逼近系数)。   采样率是200Hz的信号带限于100Hz(Nyquist 准则)。因此,递归滤波给出50~100Hz(尺度1)、25~50Hz(尺度2)、12~25Hz(尺度3)、6~12Hz(尺度4)、3~6Hz(尺度5)的?节系数和逼近系数以代表剩余信号(低频信息)。在深层记录的EEG信号中出现的发作通常出现在3~25Hz。因此,该频率范围会出现在尺度3、4、5中。   2 特征   2.1 能量   在发作时间上,EEG往往跨过大部分的尺度(例如宽范围的频率)。相反地,当发作出现时,EEG会出现有节奏的行为,如在一定周期上相同波形的重复,因此在多尺度框架下只是出现在有限的几个尺度。对于Daubechies小波,形成了在时间-频率平面上的一个正交基,小波系列系数的平方和就是信号的能量,DWT尺度l的能量可表示为:   2.2 变化系数(Coefficient of Variation)   当进行EEG幅度分析时,常使用的特征是均值(μ)、标准差(σ)和变化系数(σ2/μ2)。这些都是从原始信号或者调整后的信号计算而得。在当前工作中,变化系数是对选定的‘ l ’层的DWT系数进行计算而得。在该方法中,波形被分为很多片段,一个片段定义为最小值和接着的最大值之间的部分或者反之。每个片段以其持续时间、幅度和方向而界定。片段的均值和标准差被计算,进而可以据此进行幅度变化系数 c ( l )的计算。对于在很多种发作中出现的有节奏的行为,变化系数可能会给出较小的值。因此,采用预测的门限值(CTH),而变化系数则作为发作分析的第二特征

文档评论(0)

heroliuguan + 关注
实名认证
文档贡献者

该用户很懒,什么也没介绍

版权声明书
用户编号:8073070133000003

1亿VIP精品文档

相关文档