人工神经网络在癫痫尖波自动识别中的应用

《人工神经网络在癫痫尖波自动识别中的应用》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、河北工业大学硕士学位论文人工神经网络在癫痫尖波自动识别中的应用姓名：李静楠中请学位级别：硕士专业：生物医学工程指导教师：董国亚20091101河北工业大学硕士学位论文人工神经网络在癫痫尖波自动识别中的应用摘要癫痫是-•种严重危害人类健康的常见慢性脑部疾病，其发作时表现为人脑神经元兴奋性壇高以及过度同步化放屯，并导致短暂性中枢神经系统功能失常。脑电图检查是一种有效的临床诊断方法，它为癫痫的诊断提供了可靠的信息。由于癫痫通常是突发性的，所以需要对病人进行长时间的观察。目前，这项任务主要是由人工视觉检测來完成

2、的。视觉检测既费时，效率又低，而11视觉检测缺乏标准的制约。癫痫尖波的自动识别可以解决这一问题。本课题深入研究了近似爛算法、样本爛算法及其性质，将近似爛和样本爛两种算法应用于癫痫脑屯信号尖波的检测，结果显示癫痫尖波岀现时，近似爛值和样本爛值岀现了明显地下降，11样本爛值的变化幅度明显大于近似爛值。并11通过统计的方法，得到两种方法对于老鼠和人的癫痫尖波的阈值，又通过该阈值对癫痫尖波波段进行近似爛和样本爛分析。虽然，样本爛方法应用于癫痫尖波识别的检岀率高于应用近似爛方法得岀的检岀率，但是这两种方法对癫痫信

3、号的检出率都在65%以下。随后，本文采用人工神经网络的方法，通过提取尖波波形的特征参数，利用神经网络的自学习能力对癫痫尖波特征向量进行训练得到BP网络，经过测试集测试后，得到了较高的检岀率在80%以上，说明了神经网络方法应用于癫痫尖波检测的町行性。关键词：癫痫尖波，近似爛，样本爛，人工神经网络人工神经网络在癫痫尖波自动识别中的应用AUTOMATICRECOGNITIONOFTHEEPILEPTICSHARPSPIKESBYARTIFICIALNEURALNETWORKABSTRACTEpilepsyis

4、aseriousdiseasewiththetransientabnormalityofthecentralnervesystem,whichisfromthesuper-excitabilityandthesynchronousfiringofneurons.Electroencephalogram(EEG)isawell-establishedclinicalprocedure,whichcanprovidesomereliableinformationforthediagnosisofepilep

5、sy.Becauseepilepsyisusuallyunexpectedlyhappened.Along-termobservationisneeded.Atpresent,thistaskwasmainlycompletedbymanualvisualinspection,whichistime-consuming,inefficientandlackofthestandards.Theautomaticdetectionoftheepilepticsharpspikescansolvetheabo

6、veproblem.Inthispaper,approximateentropy(ApEn)theory,sampleentropy(SampEn)andtheirpropertywerestudied.Approximateentropyandsampleentropyalgorithmsareappliedtodetectepilepticsharpspikes.Theresultsshowedthatalthoughbothapproximateentropyandthesampleentropy

7、decreasesignificantlywhiletheepilepsysharpspikesisappeared,thesampleentropyismoresensitive.Thethresholdsofthemouseandhuman'sepilepticsharpspikeswereobtainedbythestatisticalmethods.Andtheepilepsysharpspikeswereanalyzedbyapproximateentropyandsampleentropya

8、lgorithms.Therelevanceratiobysampleentropyisbetterthantherelevanceratiobytheapproximateentropy.Butthetworelevanceratiosarebothlessthan65%.Furthermore,inthispaper,artificialneuralnetworkmethodisused.Firstofall,thecharacteri