基于多分辨分析和近似熵的脑电癫痫波自动检测.docx

基于多分辨分析和近似熵的脑电癫痫波自动检测
摘要
脑电（electroencephalography，EEG）是一种无创穿透式检测癫痫的方法，EEG波中的癫痫波是癫痫诊断和治疗的标准依据。本文提出了一种基于多分辨分析和近似熵的脑电癫痫波自动检测方法，并在MIT/BIH癫痫数据库上进行实验验证。实验结果表明，本文提出的方法在癫痫波自动检测的准确度和鲁棒性方面得到了明显提升。
关键词：脑电，癫痫波，自动检测，多分辨分析，近似熵
Abstract
Electroencephalography(EEG)isanon-invasivepenetrativemethodfordetectingepilepsy.TheepilepsywavesinEEGwavesarethestandardbasisforepilepsydiagnosisandtreatment.Inthispaper,amethodforautomaticdetectionofepilepticwavesinEEGbasedonmulti-resolutionanalysisandapproximateentropyisproposed,andtheexperimentverificationiscarriedoutontheMIT/BIHepilepsydatabase.Theexperimentalresultsshowthattheaccuracyandrobustnessoftheproposedmethodinautomaticdetectionofepilepticwaveshavebeensignificantlyimproved.
Keywords:Electroencephalography;epilepticwaves;automaticdetection;multi-resolutionanalysis;approximateentropy.
1.引言
癫痫是一种神经系统疾病，其病因复杂，病理生理机制也十分复杂，目前尚无根治的方法。EEG是一种无创穿透式检测癫痫的方法，其波形图中的癫痫波是癫痫诊断和治疗的标准依据。因此，开发自动检测方法是十分有必要的。
在过去的几十年中，已经有许多脑电信号自动检测算法被提出，它们主要分为基于时间域、频域和时频域的方法。基于时间域的方法(Theileretal.,1992)通常使用特征提取和分类器来检测信号，最常用的特征是方差和幅度值。然而，这种方法并没有对信号的内在结构进行深入分析，导致其准确率不够高。基于频域的方法(Rohdeetal.,1999)通过对信号进行快速傅里叶变换（FastFourierTransform，FFT）的频谱分析，基于频谱特征进行检测。虽然这种方法可以较准确地提取信号的频域特征，但是它忽略了信号的时间信息。最近，时频域信号处理技术引起了广泛关注(Matthewsetal.,1995)，其中包括小波分析、Wigner-Ville分布和多分辨分析。在这些方法中，多分辨分析（MRA）表现出较好的性能。
另一方面，近似熵（approximateentropy，ApEn）作为一种非线性时间序列分析方法，已被广泛应用于脑电分析。ApEn用于量化脑电时间序列的复杂性，因此能够识别自然的脑电信号和异常信号的差异。ApEn已被用于诊断自闭症、老年痴呆症、癫痫等多种脑疾病(DaSilvaetal.,2014)。
本文基于MRA和ApEn的方法，提出了一种基于多分辨分析和近似熵的脑电癫痫波自动检测方法，并在MIT/BIH癫痫数据库上进行实验验证。
2.材料与方法
2.1数据准备
本文使用MIT/BIH癫痫数据库中的EpilepticSeizureRecognitionDataSet作为实验数据。该数据集包含5个病人的脑电信号，共有11500个数据样本。其中每个样本的持续时间为1秒，共包含5种类型的样本：正常、癫痫发作前、癫痫发作中、癫痫发作后和间隔期。在本文的实验中，我们仅使用两种类型的样本：正常和癫痫发作中。
2.2方法原理
本文提出的基于MRA和ApEn的脑电癫痫波自动检测方法主要包括以下步骤：（1）输入脑电信号，并对其进行MRA；（2）通过一些特征提取算法提取信号特征；（3）通过ApEn特征检测脑电信号中的癫痫波；（4）基于分类器对信号进行判断，判定是否为癫痫波信号。
2.2.1MRA
MRA是一种经典的时频域信号处理技术，它可以有效区分不同频率范围内的信号成分。在MRA中，使用小波变换对信号进行分解。小波分解的特点是分离出不同频率成分的同时保留了原始信号的时间信息，从而更好地分析信号的时频结构。
2.2.2特征提取
在小波分解后，我们通过一些特征提取算法提取信号的特征。我们根据以下三个指标来选择适当的特