基于神经网络和小波变换的癫痫脑电诊断比较

论文研读

Comparison of EEG based epilepsy diagnosis using neural 
networks and wavelet transform

Abstract

癫痫病是一种常见的精神疾病。

本文中，创建一个单一的诊断癫痫的指令。包括两个步骤。

首先，采用低通滤波器对数据进行预处理，设计3个不同频段的中通滤波器和多层神经网络;

第二步，利用小波变换技术对数据进行处理。特别的是，本文提出了一种用于癫痫诊断的多层感知器神经网络分类器，该分类器需要正常数据和癫痫数据进行学习，但该分类器可以识别正常疾病、癫痫，甚至是学习示例中教的其他疾病。

同时，从小波变换和非小波变换两方面评价了脑电图信号的利用价值。

最后，评价结果表明，使用小波变换和不使用小波变换对癫痫数据函数改进的影响因子相对统一，但最终表明，使用感知器多层神经网络可以为专家提供更高的精度系数。

1. Introduction

癫痫的介绍；

癫痫可分为原发性癫痫和局灶性癫痫两种。

来自大脑区域的信号分为局灶性或非局灶性。来自异常脑细胞的信号称为局灶信号，来自正常脑细胞的信号称为非局灶信号。

癫痫疾病的检测是通过区分和检测局部信号和非局部信号来实现的。

某些信号处理技术已经被开发用于通过区分局灶性和非局灶性信号来检测癫痫疾病。患者还需要在手术前对病灶信号进行严重性分析。严重程度可能是“早期”或“晚期”，严重程度为“晚期”的患者需要手术治疗。脑电信号的分解将帮助放射科医生通过从每个分解的子带层中提取的特征来检测信号的焦点行为[2]。癫痫或脑相关疾病的自动识别和检测是临床医生和研究科学家面临的主要挑战

一般来说，神经科专家或脑外科医生会检查脑电记录，以检测癫痫活动。因此，开发一种可靠的、自动化的癫痫发作检测技术是至关重要的。脑电信号的自动判读在脑部疾病的诊断和治疗中是最重要的研究领域之一。有不同的技术可以读取大脑活动，包括脑电(EEG)、脑磁图(MEG)、功能磁共振成像(FMRI)和功能近红外光谱(FNIRS)。因为神经元通过最终到达大脑表面的电信号相互通信，所以EEG被用来通过传感器(称为电极)来捕捉大脑活动[3-5]。近年来，工程学、神经科学、微电子学、生物工程和神经生理学等多学科领域的研究人员致力于将脑电信号提供的所有信息应用于许多应用，如外部设备控制、通信和医疗诊断。基于脑电的信号处理技术对于诊断和监测神经性大脑疾病至关重要，因为它们有助于反映人类大脑中神经元的电活动或障碍。脑电是一种有效的非侵入性方法，常用于脑活动监测和癫痫诊断。

如表1所示，大脑有5个可以用脑电信号测量的频段，每个频段都与大脑的不同精神状态有关[7]。

癫痫的另一个定义是，它是两次或多次非刺激性癫痫发作的复发，间隔超过 24 小时。研究还表明，全世界约有 4% 的人在其一生中患有癫痫症，而其中只有 1% 的人会患上癫痫症。

癫痫与中枢神经系统 (CNS) 相关，其中存在异常的大脑活动 [8]。这种不寻常的活动可能发生在大脑的某个部分或整个大脑。结果：癫痫发作、意识丧失、过度暴露于情绪和异常行为，可能发生在任何人身上，不分性别、年龄或种族。症状：凝视、精神错乱、无法控制的身体颤抖、意识丧失、恐惧等心理症状等。

癫痫发作的分类是在大脑异常活动开始的部分进行检查。根据国际抗癫痫联盟(ILAE)的规定，癫痫的诊断至少需要一次无刺激发作，或考虑癫痫复发的风险或诊断癫痫综合征。小儿癫痫是一种高度可变的疾病，因为综合征的年龄相关表达需要特定的诊断、评估和治疗。儿童癫痫与成人癫痫在许多重要方面存在差异，主要与特定癫痫综合征的年龄相关表达有关。这就产生了许多与癫痫诊断、分类、确定病因的评估以及治疗指南相关的重要考虑因素。对这些因素的良好理解将有助于建立准确的癫痫诊断，进而指导作出适当的检测和治疗决定。这是一种由大