事件相关电位脑电信号分析算法研究及其应用
这是一篇关于脑电图,事件相关电位,快速序列视觉呈现,非对称视觉诱发电位,深度学习的论文, 主要内容为脑机接口(Brain-Computer Interface,BCI)技术在人机混合智能中发挥着重要作用,它通过收集人脑的电信号、并对其进行识别、转化,从而在人脑与外界设备之间建立起直接的信息交流通道。其中,事件相关电位(Event-Related Potential,ERP)反映了大脑对特定发生事件的直接响应,在神经科学领域有着广泛的研究与应用。本研究以诱发P300信号的快速序列视觉呈现(Rapid Serial Visual Presentation,RSVP)范式和诱发视觉电位的非对称视觉诱发电位(asymmetric Visual Evoked Potentials,aVEPs)范式为出发点,使用深度学习模型识别脑电图(Electroencephalogram,EEG)信号,提出了两种算法模型分别对这两种范式的EEG信号进行解码,扩展了深度学习模型在脑电分析中的应用。(1)在基于EEG信号的图像识别中,RSVP范式得到了广泛的应用。为提高EEG信号识别目标图片的性能,本文提出一种改进的EEGNet网络模型,该模型在EEGNet模型的基础上加入x DAWN滤波,以增强EEG信号的信噪比,并达到降维,提升运算速度的目的。我们在清华大学benckmark离线数据集上进行验证,实验结果表明:在样本不均衡的二分类问题中,目标图片的召回率在A组数据集可达76.07%±11.07%,B组数据集可达78.11%±11.87%。在2021年世界机器人大赛BCI脑控机器人决赛中,我们将提出的模型进行现场验证。在样本不均衡的三分类问题中,目标图片在线识别召回率可达51.56%,获得了本次比赛第二名。该模型在离线识别和在线识别中都取得了很好的效果,为基于RSVP范式的图片识别提供了一种新的有效的方法。(2)基于aVEPs的字符拼写系统的刺激范式是近年一个新的范式。对此范式的字符识别研究也相对较少。针对此范式本文提出基于卷积注意力(Convolutional Block Attention Module,CBAM)的深度卷积网络(Deep Convolutional Neural Network,Deep Conv Net)模型完成对字符的识别。为评估模型的性能,我们对字符识别准确率和信息传输速率(Information Transfer Rate,ITR)进行了检测。实验结果表明:当时间长度为300 ms时,该模型的识别准确率和ITR最高。在数据集A中字符识别准确率为65.57%±5.09%,在数据集B中字符识别准确率为77.63%±3.41%。在数据集A中最高ITR为38.23±6.00 bits/min,在数据集B中最高ITR为66.74±7.98 bits/min。本研究为基于aVEPs的字符识别提供了一种新的解决思路。综上所述:本文对事件相关电位脑机接口开展了较为系统的研究,涉及了P300脑电信号和aVEPs脑电信号。主要贡献:一是提出改进的EEGNet模型应用于RSVP范式的图像识别,二是提出基于卷积注意力的Deep Conv Net模型应用于aVEPs范式的字符识别。离线实验和在线实验均验证了上述算法的有效性,本文研究为事件相关电位脑机接口的研究提供了新方法、新思路。
基于深度学习的EEG癫痫发作预测方法研究
这是一篇关于癫痫,发作预测,脑电图,深度学习,时频特征,特征融合的论文, 主要内容为癫痫是一种由大脑异常放电引起的神经系统疾病,其发作会对患者的神经系统、认知、心理造成严重后果,影响患者的身心健康和生活质量,甚至给患者带来不利的社会影响。癫痫发作具有突发性、反复性等特点,如果在发作前能够及时准确地预测癫痫发作,将有助于医生通过医疗干预,预防发作,降低发作给患者带来的危害,对患者和社会都具有十分重要的意义。EEG是临床癫痫诊断中最常用的方法之一,目前有很多基于EEG的癫痫发作预测的方法,其中大多数使用EEG单一的时域特征和频域特征,对癫痫发作预测的模型性能提升不大。因此,本课题以两个公开的癫痫脑电数据集作为研究对象,提出了两种基于EEG特征分析的深度学习模型,对癫痫发作预测的方法进行研究。首先,基于EEG时频特征,本文提出一种结合Res Net主干网络和Bi LSTM的深度学习网络模型,称为Res Bi LSTM。该方法通过短时傅里叶变换,将EEG变换为时频图,并使用Res Bi LSTM从时频图中提取特征,对EEG进行分类。通过添加Bi LSTM,Res Bi LSTM能够有效的提取时频特征中更细节的特征。使用了CHB-MIT数据集和新生儿癫痫脑电数据集对该模型的性能进行评估,结果表明,所提出的方法表现出优秀的性能,与其他模型对比,在准确度和每小时误报率方面均有改善。其次,基于EEG的时域特征和频域特征融合的方法,本文提出一种将一维卷积神经网络和改进的LSTM相结合的CLSTM模型,将原始EEG经过快速傅里叶变换提取的频域特征和原始EEG作为模型输入,将1DCNN分支提取的频域特征和LSTM分支提取的时域特征进行融合,以提高模型分类的性能,同时降低计算成本。模型在CHB-MIT数据集和新生儿癫痫脑电数据集上进行四个测试实验,结果表明,通过将时域特征和频域特征进行融合,能够有效的对发作间期和发作前期的EEG样本进行分类,对比于其他方法的结果,说明该方法在癫痫发作预测任务上表现更优秀。综上所述,基于时频特征所提出的Res Bi LSTM模型及基于时域特征和频域特征融合的方法所提出的CLSTM模型均表现出优秀的特征提取能力,能够对癫痫发作进行准确的预测,从而为癫痫发作预测临床应用提供理论支撑。
基于深度学习的EEG癫痫发作预测方法研究
这是一篇关于癫痫,发作预测,脑电图,深度学习,时频特征,特征融合的论文, 主要内容为癫痫是一种由大脑异常放电引起的神经系统疾病,其发作会对患者的神经系统、认知、心理造成严重后果,影响患者的身心健康和生活质量,甚至给患者带来不利的社会影响。癫痫发作具有突发性、反复性等特点,如果在发作前能够及时准确地预测癫痫发作,将有助于医生通过医疗干预,预防发作,降低发作给患者带来的危害,对患者和社会都具有十分重要的意义。EEG是临床癫痫诊断中最常用的方法之一,目前有很多基于EEG的癫痫发作预测的方法,其中大多数使用EEG单一的时域特征和频域特征,对癫痫发作预测的模型性能提升不大。因此,本课题以两个公开的癫痫脑电数据集作为研究对象,提出了两种基于EEG特征分析的深度学习模型,对癫痫发作预测的方法进行研究。首先,基于EEG时频特征,本文提出一种结合Res Net主干网络和Bi LSTM的深度学习网络模型,称为Res Bi LSTM。该方法通过短时傅里叶变换,将EEG变换为时频图,并使用Res Bi LSTM从时频图中提取特征,对EEG进行分类。通过添加Bi LSTM,Res Bi LSTM能够有效的提取时频特征中更细节的特征。使用了CHB-MIT数据集和新生儿癫痫脑电数据集对该模型的性能进行评估,结果表明,所提出的方法表现出优秀的性能,与其他模型对比,在准确度和每小时误报率方面均有改善。其次,基于EEG的时域特征和频域特征融合的方法,本文提出一种将一维卷积神经网络和改进的LSTM相结合的CLSTM模型,将原始EEG经过快速傅里叶变换提取的频域特征和原始EEG作为模型输入,将1DCNN分支提取的频域特征和LSTM分支提取的时域特征进行融合,以提高模型分类的性能,同时降低计算成本。模型在CHB-MIT数据集和新生儿癫痫脑电数据集上进行四个测试实验,结果表明,通过将时域特征和频域特征进行融合,能够有效的对发作间期和发作前期的EEG样本进行分类,对比于其他方法的结果,说明该方法在癫痫发作预测任务上表现更优秀。综上所述,基于时频特征所提出的Res Bi LSTM模型及基于时域特征和频域特征融合的方法所提出的CLSTM模型均表现出优秀的特征提取能力,能够对癫痫发作进行准确的预测,从而为癫痫发作预测临床应用提供理论支撑。
基于脑电的癫痫合并情景记忆障碍标记及癫痫发作自动检测预测研究
这是一篇关于情景记忆障碍,脑电图,生物标记,癫痫发作检测,癫痫发作预测的论文, 主要内容为癫痫是一种脑部神经系统疾病,是世界重大卫生安全问题之一。其中,颞叶癫痫是最一种常见的难治性癫痫,通常合并情景记忆障碍,极大降低了患者的生活质量并增加了社会的医疗保健负担。情景记忆障碍确诊时间、癫痫发作频率和强度都是影响患者情景记忆恶化进程的重要因素。早期确诊会帮助患者获得最佳的治疗时间窗口;癫痫发作的准确检测可以提醒患者及时就诊治疗以及帮助医生判断病情,进而减少发作频率和降低发作强度;癫痫发作的提前预警则会为患者和医护人员提供充足的准备时间,减弱发作强度,并且避免发作时的二次脑部伤害带来的进一步记忆恶化。然而,目前临床上用于记忆功能评估的传统量表其主观性强、可重复性和敏感性低,这导致容易错过情景记忆障碍的早期确诊窗口。同时,癫痫发作检测通常是由医生目视检查完成的,极大消耗了其时间和精力且非常依赖于临床经验,这导致经济落后地区的患者无法得到有效及时的诊治。而癫痫预测通常是通过癫痫发作前的常见感官征兆来提醒患者的,然而这些征兆因个体而异,且一般只出现在发作前的数秒或数分钟内,无法提供充足的准备时间。因此,本文从记忆障碍早期确诊、癫痫发作检测、癫痫发作前预警这三个重要的方面,探索了缓解甚至治愈颞叶癫痫患者的情景记忆障碍的可能性。主要研究内容总结如下:(1)针对目前用于记忆功能评估的传统量表的强主观性、低重复性、和低敏感性等局限,利用事件相关电位(ERP)研究了颞叶癫痫患者的早期情景记忆障碍生物学标记。采用基于图像刺激的视觉变化检测任务来评估情景记忆功能。在记忆编码和解码阶段,记录了30名颞叶癫痫患者和30名健康对照的ERP信号。考虑到情景记忆是一个涉及注意力和工作记忆的复杂过程,故分析了以下ERP的振幅和潜伏期:情景记忆相关ERP,即额叶N400(FN400)、晚期阳性电位(LPC)和晚期后部阴性(LPN);注意力相关ERP,即P100和N100;工作记忆相关ERP,即P200和P300。然后,对韦氏记忆量表评估结果、实验行为和ERP指标分别进行了组间统计分析,以及在不同实验条件之间的ERP分析。此外,还计算了量表结果、行为数据和ERP之间的相关性。结果表明,颞叶癫痫患者在记忆量表和情景记忆实验上的表现较健康对照更差。与注意力和工作记忆相关的ERP分析结果表明,本实验招募的颞叶癫痫患者并没有表现出注意力缺陷但其工作记忆受损。与情景记忆相关ERP结果检测出了颞叶癫痫患者与健康对照的显著差异:FN400旧/新效应的消失、LPC旧/新效应的逆转、FN400振幅降低、LPC振幅的降低、和LPN振幅的增加。所有ERP的潜伏期在组间和条件间均未检测到显著差异。此外,量表评分、行为学数据和ERP振幅之间,以及不同ERP振幅之间也存在显著相关性。由此可以得出两个主要结论:第一,颞叶癫痫患者的情景记忆障碍更多地取决于工作记忆损伤而并非注意力缺陷。第二,情景记忆相关ERP的异常旧/新效应和异常振幅或许可以成为情景记忆障碍的潜在生物学标记,并有望指导颞叶癫痫患者情景记忆的临床评估和干预,帮助患者获得最佳的治疗窗口,提高情景记忆障碍治愈的可能性。(2)针对临床上癫痫发作检测任务对经验丰富的医生的高度依赖性,以及常用于癫痫发作预测的身体征兆的普适性低和预警时间窗口短等问题,提出了一种基于脑连接特征的癫痫发作自动检测和预测方法。采用两个窗口长度(1s和8s)进行EEG分割。使用五个生理带(即δ、θ、α、β和γ)和五个连通性度量(即皮尔逊相关系数(PCC)、锁相值(PLV)、互信息(MI)、格兰杰因果(GC)、传递熵(TE))来提取类图像的脑连接特征,并将其输入到支持向量机(SVM)中构建被试特异性模型(SSM),以及使用CNNs-Meet-Transformers(CMT)网络构建被试独立性模型(SIM)和跨被试模型(CSM)。最后,利用t-SNE方法进行特征降维之后,通过计算特征之间的轮廓系数,来衡量特征的可分离程度,以此作为特征选择的指标。在特征选择之后,还分析了最佳特征组合下的时间效率和存储效率。在CHB-MIT癫痫头皮脑电数据集上的分类结果表明,在8s时间窗口中提取的特征比在1s时间窗口中提取的特征更有效。在癫痫发作检测任务中,SSM、SIM和CSM的最佳准确率分别达到99.29%、99.31%和95.76%。在癫痫发作预测任务中,这三个模型的最高准确率分别为98.99%、99.76%和85.98%。此外,选择出的最佳特征组合为在β和γ频段中的PCC和PLV特征,该特征组合表现出良好的性能和较高的效率。基于以上结果,本文所提出的大脑连接特征在癫痫发作自动检测和预测中表现出了良好的可靠性和实用价值,可以作为继时频图之后的一个有潜力的二维特征。而基于脑连接特征的方法有望促进便携式癫痫发作自动检测和预测设备的发展,提醒患者及时就诊治疗和提前准备有效的干预措施,降低发作频率和强度,从而减缓癫痫患者的记忆恶化进程。综上所述,本文从记忆障碍早期确诊、癫痫发作检测、癫痫发作前预警这三个重要的方面出发,探寻到了情景记忆障碍的潜在ERP标志物,并提出了用于癫痫发作自动检测和预测的方法,有望提高缓解甚至治愈颞叶癫痫患者的情景记忆障碍的可能性,在临床诊断和治疗上具有一定的指导意义和应用价值。
面向癫痫诊断的特征融合及协同决策方法
这是一篇关于癫痫,脑电图,特征融合,模糊系统,智能诊断的论文, 主要内容为癫痫是一种非传染性的慢性神经系统疾病,发作时的不可预测性给患者带来了生活的不便,且其并发症形式多样,严重时可能危及生命。基于脑电图(Electroencephalogram,EEG)进行癫痫诊断是该疾病最常用的临床诊断手段。但是,阅读脑电图主要依靠有经验的医生目视检查,费时费力。因此,研究辅助医生读图的癫痫自动诊断模型尤为重要。随着技术的发展,已经有许多癫痫诊断的模型出现,不过仍然存在着一些问题和挑战,一是原始EEG数据存在信息不完整和时空信息互相干扰的问题;二是癫痫发作的标记数据不足和样本不平衡问题;三是探究如何提取出全面性的有效特征;四是数据的异化性和分类设定的多样性问题。针对上述四个问题,本文提出了两种基于特征融合及协同决策的新方法,分别用于癫痫发作检测和癫痫发作亚型分类任务,并进一步开发了在线服务平台原型系统。本论文的主要工作包含如下三个方面:(1)针对原始数据的信息完整性及特征的鉴别力问题,本文提出了一个多尺度深度特征融合及多视角协同的癫痫检测算法。首先,从时域、频域、时频域提取三种浅层视角特征,并通过深度学习得到深度特征;然后,构建多尺度融合网络学习出多个全局融合视角特征,分别描述了一个一般化的全局融合视角和三个局部强化的全局融合视角;进一步地,在得到的三个深度视角和四个全局融合视角的基础上,训练了基于模糊规则的多视角TSK模糊系统。最终构建出具有高泛化性和可解释性的癫痫检测模型。将该模型应用于国际开源的波士顿儿童医院癫痫脑电数据集进行性能评估,在准确率、灵敏度和特异度三个测试性能上均表现优异。与其他的新颖方法相比,本文所提出的检测算法具有更好的整体性能。(2)针对特征的有效性、数据的异化性和分类设定的多样性问题,本文提出了一个自相关特征融合及模糊分类的亚型分类算法。该算法由深度特征处理、自相关融合和模糊分类三个部分构成。深度特征处理包括通道压缩、扩频等一系列操作。自相关融合的过程首先依靠多头注意力机制提取时域和频域信息的自相关性;然后,融合两种自相关特征构成时频自相关特征;最后,学习时频深度特征和时频自相关特征的多视角信息,得到时频融合特征。模糊分类由经典的TSK模糊系统作为基本模型实现。基于天普大学癫痫脑电数据集和华中科技大学儿童数据集,该分类算法在F1指标和准确率上均达到了不错的效果。同时给出了不同亚型划分的验证结果和解释。(3)基于上述两个算法,开发设计了一个智能癫痫诊断平台的原型系统。平台前端由Vue框架实现,后端基于Spring Boot和Flask框架,该平台服务于临床医生和患者,由管理员进行信息和权限监管。医生首先通过癫痫检测模型确认是否为癫痫发作并标记发作期,然后利用癫痫亚型自动分类模型明确患者的发作类别,便于医生更快更有效地掌握足够的病理信息并对症诊断。患者可以借助平台远程查询病情,并通过在线聊天功能便捷及时地和医生进行沟通,做到医患云端会面。该平台既提高了医生的诊断效率,又降低了患者的问诊成本,真正达到了医患信息共享,搭建出医患沟通新桥梁。
意识障碍脑电数据分析系统设计与实现
这是一篇关于意识障碍,脑电图,数据分析系统,意识水平评估的论文, 主要内容为意识水平评估对于意识障碍(Disorder of Consciousness,DOC)患者的临床促醒具有重要意义,而脑电(Electroencephalogram,EEG)数据的量化分析能够为临床意识水平评估提供有效的客观依据,目前临床上缺少针对意识障碍评估的脑电数据分析平台,使得先进的EEG数据分析方法和结果的临床转化十分困难。本文设计了一款基于Web的EEG数据分析系统,嵌入了EEG分析算法,并基于该系统为DOC患者的意识水平评估提供计算机辅助方法。首先,设计基于Web的EEG数据分析系统架构。本文从临床医生对EEG数据分析的需求角度出发,完成系统的功能设计。系统功能主要分为用户模块(包含用户的注册、登录、管理等功能)和数据模块(包含数据上传、分析、可视化等功能)。完成前端、前后端通信、后端、数据分析的技术选型和可行性分析。提出数据分析系统的功能模块架构、MVC和MVVM模式结合的开发模式架构以及技术栈分层架构。其次,搭建基于Web的EEG数据分析系统。使用Vue框架和j Query库在保证界面易用性的同时实现前端交互界面快速搭建。前后端通信使用Ajax技术实现数据传输的轻量化以提高系统的响应速度。后端服务在Node JS环境下基于Express框架搭建,实现后端服务对高并发的支持。基于Python语言编写预处理、功率谱分析、脑网络分析等EEG分析算法并嵌入到系统中。整个系统的数据传输格式统一为JSON数据格式,方便系统的数据解析。最后,基于上述系统实现DOC患者EEG数据的分析。本文采集最小意识状态患者、无反应觉醒综合征患者和健康人的静息态EEG。利用EEG分析软件平台实现了对DOC患者意识水平的脑电特征提取,包括EEG数据的预处理、功率谱特征提取、模块化多层脑网络的时空特征提取、以及多样本之间特征对比分析。分别根据功率谱特征和脑网络特征训练了基于支持向量机的两种评估模型,比较不同特征组合的训练结果。结果表明,基于脑网络组合特征的优化评估模型能够更准确地评估DOC患者的意识状态,为医生提供DOC评估的参考依据。本文提出的DOC脑电数据分析系统,可实现集医护人员需求与科研工作者需求为一体的意识水平评估与科研平台,提供了数据上传、分析和可视化功能,有助于推动基于神经影像数据的计算机辅助分析技术在DOC临床评估上的快速转化。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设项目助手 ，原文地址：https://bishedaima.com/lunwen/52328.html
