检索历史 清除

摘要作为神经科的常见病之一，癫痫是由大脑神经细胞异常放电，导致神经系统功能短暂性紊乱引起的。传统诊断中，医生会凭借丰富的工作经验，通过人工解析脑电图进行病情的分析、探讨和诊断。而人工视觉检测的效率缺乏保障，这促进了基于计算机的癫痫脑电自动检测技术的发展，并逐渐成为科研院所的研究热点。<br>　　本文发现由于癫痫发作是若干脑区协同作用的结果，用于采集脑电信号的各个通道分别记录了不同脑区的活动变化，所以通道间必然存在一定的关系。然而，大多数癫痫脑电研究算法集中于研究各通道的脑电数据本身，较少的算法充分地关注脑电通道与通道之间的相互关系，针对癫痫脑电多通道空间信息的挖掘深度较浅，分析维度较窄，一定程度上影响了癫痫脑电自动检测或发作预测的最终效果。<br>　　针对上述发现的问题，本文以癫痫脑电多通道空间关系为突破口，从图论角度出发，提出了特定映射关系，将通道与通道间的相互关系映射至图数据进行处理，先后从多通道空间层面、多通道“空+时”层面、多通道“频+空+时”层面进行分析与建模，提出了基于图卷积网络(Graph Convolutional Network, GCN)的“递进式、融合型”癫痫脑电分析模型，深入探索了多通道隐藏空间关系对癫痫脑电自动检测及发作预测的贡献度。<br>　　本文的主要创新点和贡献如下：<br>　　(1)针对癫痫脑电多通道之间关联性挖掘深度不足的问题，本文提出了基于图卷积网络的癫痫脑电自动检测模型。该模型从图论角度提出了特定映射关系，将癫痫脑电各通道数据本身映射至图的顶点，将通道间的相互关系映射至图的边，构建了以图卷积网络为核心的检测模型，充分利用了图卷积网络在处理图等非结构化数据中的优势，提取相关数据的高维度特征，深入挖掘多通道间的关联性。通过国际公开癫痫脑电数据集CHB-MIT(Children’s Hospital Boston--Massachusetts Institute of Technology, CHB-MIT)的测验，证明了该模型在癫痫脑电自动检测方面的有效性。<br>　　(2)针对癫痫脑电多通道空间关系的分析维度不足的问题，本文依托第一阶段探索获得的多通道隐藏空间关系，继续深入探索了相关数据在时序层面的规律，提出了基于图卷积网络的癫痫脑电空时发作预测模型。该模型包括图编码器和空时预测器两部分，依次对癫痫脑电的多通道空间特性和时间特性进行探索，加强了挖掘深度，拓宽了分析维度。经数据测验，展现出了较好的预测性能。<br>　　(3)针对第二阶段所提空时发作预测模型进行改进及优化的问题，本文从“频+空+时”多层面考虑，提出了基于图卷积网络的多维增强发作预测模型。改进方面，本文构建了信息重构空间，从频带层面重构了数据单元，进行特征增强，更新了图的编码表示，进一步加强探索频空时关联。优化方面，本文改进了空时预测器中处理时序数据的网络单元，减少了模型参数，优化了模型结构。总体上，该模型包括信息重构空间、图编码器及空时预测器三个部分，分别探索了癫痫脑电信号在多频带、多通道空间关系及时序关系的规律。通过标准数据集CHB-MIT的测验，达到了预期效果。<br>　　综上所述，本文提及的三项主要工作，主要围绕癫痫脑电通道与通道之间的隐藏空间关系展开研究，从多通道的“空”、“空+时”、“频+空+时”方面，以递进承接的形式，综合了若干技术优势，提出了基于图卷积网络的“递进式、融合型”癫痫脑电分析算法。通过分析更丰富的多通道特征数据，为癫痫诊断提供了更有效的数据支撑，也为相同领域的研究人员及医生工作者提供了更新颖的分析思路。