检索历史 清除

摘要脑电信号是由大脑皮层神经元产生的自发性、节律性的电位变化，能够充分反映大脑的生理和病理信息，是脑部疾病提供重要的诊断依据。在临床神经科，脑电信号的分析及疾病检测一般由专业医师根据临床经验肉眼视觉观察完成，枯燥耗时效率低下，且医师的主观判断也会产生差异。脑电信号的自动分析与变化检测一直是一个具有广泛临床应用潜力的研究课题。针对这一问题，主要目标是发现并定位监测期间脑电信号从正常状态到异常状态的变化，即脑电信号异常检测，但由于脑电信号的微弱性、非线性、非平稳性和高度复杂性等特性，这仍然是一个尚未完全解决的难题。<br>　　本文提出了基于多尺度动态图的脑电信号动态建模及异常检测算法，包含三种多尺度图模型动态建模方法，提取表征脑电信号动态变化的综合性指标，实现脑电信号的状态变化自动检测。检测到异常变化点之后，可以为医务人员或受试者提供预警或健康评估，为进一步疾病的辅助治疗提供依据，具有重要的应用价值及潜力。<br>　　脑电信号异常检测的关键在于从原始脑电信号中提取一个能描述脑电动态变化的综合性指标。针对上述脑电信号特性，采用三种多尺度图模型构建方法对其进行动态建模，分别包括多频段图模型、层次图模型、小波包图模型，从不同的尺度进行图模型构建，将脑电信号转换为多尺度系列图模型，实现脑电信号的模型构建。所构建的图模型可以捕捉隐藏在数据中的结构和拓扑信息，有助于吸收脑电信号的高噪声，抑制脑电信号中的非平稳现象。研究脑电信号图结构的动态分析方法，利用以距离函数为基础的中值图相似性度量方式对多尺度的系列图模型进行动态表征，形成不同尺度的相似性分数。<br>　　为了避免单尺度相似性分数异常检测的局限性，本文介绍了多种数据融合技术，并基于此提出了自适应权重的融合方法，对多尺度图模型的相似性分数进行自适应融合,形成能够全面描述脑电信号动态变化的综合性指标。从而更加全面地对异常变化进行检测，既能保留每个尺度的有效变化信息，又能够降低随机噪声的干扰。<br>　　基于综合性指标，研究了常用的统计学异常决策模型，通过基于动态区间分析的异常决策方法，对得到的脑电信号综合性指标进行假设检验，从而判断异常变化点。研究了基于n-sigma准则的假设检验，设置其置信区间为动态更新状态，对异常决策具有周期性和连续性，结果可靠性高，适用范围广。<br>　　在公共CHB-MIT脑电数据库及临床SDU脑电数据库进行具体的实验验证，通过对比实验，表明了所提出指标的先进性和有效性。三种多尺度图模型构建方法与最近的“STFT+graph”方法、时频分析和线性方法进行了详细的对比分析，表明了三种多尺度动态图分析方法在脑电信号异常检测实际应用中的潜力。最后，结合实验及分析讨论对本研究主要内容进行了总结，并指出了未来研究在提高计算效率、降低误报点等方面的工作思路。