基于局部模式的癫痫脑电信号自动分类方法

为有效地检测脑电图(EEG)中的癫痫信号,设计一维局部三值模式(1D-LTP)算子提取信号特征,并结合主成分分析(PCA)和极限学习机(ELM)对特征进行分类。通过1D-LTP算子计算信号点的顶层模式和底层模式下的特征变换码以准确滤除干扰信号,并对变换码直方图PCA降维后采用ELM进行分类,以10折交叉验证评估分类性能。实验结果表明,该方法能有效识别在癫痫发作期的EEG信号,其准确率可达99.79%。     

检测脑电癫痫的多头自注意力机制神经网络

癫痫是一种危及生命且具有挑战性的神经系统疾病,目前基于脑电图（EEG）的癫痫检测方法依然存在很多挑战,脑电图信号是不稳定的,不同的病人表现出的癫痫发作模式不同,检测脑电信号耗时费力,不仅会给医务人员带来沉重的负担,还容易造成误检情况的发生。因此,研究高效的跨多患者的癫痫自动检测技术是非常有必要的。提出了一种基于多头自注意力机制神经网络的癫痫脑电检测方法（CABLNet）,利用卷积层捕获脑电时序信号的短期时间模式和各通道之间的局部依赖关系,使用多头自注意力机制进一步捕获具有时序关系的短期时间模式特征向量的长距离依赖关系和时间动态相关性,将上下文表示送入双向长短时记忆网络（BiLSTM）提取前后方向的信息,用logsoftmax函数进行训练和分类。实验使用CHB-MIT头皮脑电数据库数据,灵敏度、特异性、准确率、F1-score分别为96.18%、97.04%、96.61%、96.59%,结果表明,提出的方法优于现有方法,在癫痫检测性能方面有显著提高,对癫痫的辅助诊断具有重要意义。     

基于小波变换和模极大值法的癫痫发作检测与分析

癫痫是大脑神经元突发性异常放电导致大脑功能障碍的一种慢性疾病。癫痫发作的检测可以利用对脑电信号中的癫痫特征波——棘波的检测和分析来实现。提出了基于小波变换和模极大值法的棘波检测方法,对癫痫脑电信号在一定尺度内进行连续小波变换,应用模极大值算法及细化算法对脑电信号奇异点进行检测,得到奇异点的模极大值作为提取的棘波嫌疑点,再通过功率谱密度分析和空间曲面拟合筛选得到最终的棘波特征波,判断癫痫是否发作。实验验证,该算法检测效果较好,诊断准确率可达92.5%以上,为癫痫发作的检测提供了一种有参考价值的方法。     

基于最大相关和最小冗余准则及极限学习机的癫痫发作检测方法

癫痫发作检测可以实现脑电分类和病灶定位,对癫痫的临床治疗具有重要意义。针对大数据量、高特征值空间长程脑电的快速和准确分类问题,提出一种基于最大相关和最小冗余准则及极限学习机的癫痫发作检测方法。对脑电信号进行短时傅里叶变换,并选取能量时频分布为特征,利用基于最大相关和最小冗余准则的方法进行特征选择,并使用极限学习机、支持向量机和反向传播算法对癫痫不同状态进行分类和判别。实验结果表明,极限学习机的分类准确率和训练速度两方面性能优于支持向量机和反向传播算法,发作间期和发作期的分类准确率达到98%以上,训练时间仅为0.8s,所提方法能够实时准确地检测癫痫发作。     

2DPCA在脑磁图棘波信号检测中的应用

棘波是癫痫疾病诊断和癫痫灶评估的重要标志，脑磁图设备能更精确地捕捉到癫痫患者在发作间期的棘波信号。然而，目前临床医生仍依赖于手动方法标记棘波信号，缺少便捷离线的多通道棘波检测方法。提出一种脑磁图的多通道棘波检测方法，针对给定时间宽度的多通道脑磁图信号的时间序列可以看作为一个二维矩阵，利用二维主成分分析（2DPCA）方法提取该矩阵的本征特征，再结合最近邻分类器实现离线的多通道棘波信号检测。通过临床癫痫患者的脑磁图信号验证表明，提出的方法棘波信号检测率高达93.23%，且该方法是有效的。     

基于EEG的癫痫自动检测:综述与展望EI北大核心CSCD

癫痫是一种由脑部神经元阵发性异常超同步电活动导致的慢性非传染性疾病,也是全球最常见的神经系统疾病之一.基于EEG的癫痫自动检测是指通过机器学习、分布检验、相关性分析和时频分析等数据分析方法,对癫痫发作阶段的EEG信号进行自动识别的研究问题,能够为癫痫诊疗与评估提供客观参考依据,从而减轻医生工作负担并提高治疗效率,因此具有十分重要的理论意义与实际应用价值.本文详细介绍基于EEG的癫痫自动识别整体框架,以及对应于各个步骤所涉及的典型方法.针对核心模块,即特征提取与分类器选择,进行方法总结与理论解释.最后,对癫痫自动检测研究领域的未来研究方向进行展望.     

基于EEGLAB对癫痫样脑电信号处理应用研究

脑电图（EEG）是癫痫临床检测的重要检查手段之一,它能为癫痫患者发作提供独特的临床证据。EEGLAB是一款专门对脑电信号进行处理的工具箱,其基于MATLAB平台,作为一种开源工具包专为脑电信号研究人员使用。基于EEGLAB对来自某儿童医院的11名癫痫患者的原始脑电信号进行处理,原始数据以EDF格式存储,对其进行过滤、去除不良通道、独立分量分析（ICA）去伪差、重采样、滑动窗口分割等。对原始信号的有效预处理可为后续对发作间期的癫痫样脑电研究奠定基础。     

基于相位同步的癫痫信号识别与分析

针对临床人工诊断癫痫信号效率低下的问题,建立一种基于相位同步的癫痫信号自动诊断模型。使用相位锁定值衡量各脑区间不同状态下的同步化程度,构建对应的脑功能网络连接矩阵,提取聚类系数和特征路径长度2种全局属性作为输入支持向量机的训练特征,使用六折交叉验证的方式对发作间期及发作期的信号进行分类识别。实验结果表明,加权网络的分类效果优于二值网络,其平均准确率为83.4%,单一属性难以全面反映癫痫患者2种状态下的功能网络连接差异,多数患者在gamma和beta频段取得较好的分类效果。     

基于图神经网络和注意力的双模态情感识别方法

针对生理信号情感识别问题，提出一种基于图神经网络（GNN）和注意力的双模态情感识别方法。首先，使用GNN对脑电（EEG）信号进行分类；然后，使用基于注意力的双向长短期记忆（Bi-LSTM）网络对心电（ECG）信号进行分类；最后，通过Dempster-Shafer证据理论融合EGG和ECG分类结果，从而提高情感识别任务的综合性能。为验证所提方法的有效性，邀请20名受试者参与情感激发实验，并收集了受试者的EGG、ECG信号。实验结果表明，所提方法的二分类准确率在valence维度和arousal维度分别为91.82%和88.24%，相较于单模态EEG方法分别提高2.65%和0.40%，相较于单模态ECG方法分别提高19.79%和24.90%。可见，所提方法能够有效地提高情感识别的准确率，为医疗诊断等领域提供决策支持。     

EEG信号动态演化过程的研究

脑电图(EEG)信号的研究是诊断脑疾患的重要手段。以癫痫脑电为例,针对癫痫发作过程的复杂性,对其演化过程进行研究。利用本征正交分解(POD)对EEG信号实行特征压缩,选取能够反映EEG脑电病理特征的多个变量,通过改进的Fisher判别方法判别分解后的信号数据,以最终确定EEG信号动态演化过程的关键点。实验结果表明,将POD分解与Fisher判别方法相结合,不仅能减少数据分析的工作量,而且能够有效判别分析EEG信号动态演化过程。