偏头痛脑电信号特征提取仿真研究

详细信息    查看全文 | 推荐本文 |

英文篇名：Simulation Study on Feature Extraction of EEG in Migraine 作者：袁冬莉 ; 熊欣 ; 贺向前 英文作者：YUAN Dong-li;XIONG Xin;HE Xiang-qian;Chongqing Medical University Institute of Medical Information; 关键词：偏头痛脑电 ; 优化模极大值 ; 神经网络 英文关键词：Migraine EEG;;Modulus maxima;;Neural network 中文刊名：JSJZ 英文刊名：Computer Simulation 机构：重庆医科大学医学信息学院; 出版日期：2019-06-15 出版单位：计算机仿真 年：2019 期：v.36 基金：重庆市教委项目(KJ1500234,15SKG022);; 重庆市渝中区科技计划项目(X4348);; 重庆市科委专项(cstc2015shms-ztzx0098) 语种：中文; 页：JSJZ201906098 页数：4 CN：06 ISSN：11-3724/TP 分类号：477-480

摘要

对偏头痛患者脑电信号进行特征分析研究,不仅可以提高对偏头痛疾病的确诊率,而且为偏头痛疾病的辅助诊断提供可靠依据。目前对偏头痛的脑电信号特征分析研究较少,使用优化的小波变换模极大值和神经网络技术结合的新方法来分析偏头痛患者脑电信号特征。改进小波变换模极大值法的阈值计算函数,将优化后的方法对脑电噪声信号进行去噪处理,再通过BP神经网络算法对消噪后的信号进行分类训练,设置神经网络各层的传递函数,统计神经网络分类准确率,从而分析偏头痛患者脑电信号的重要特征。仿真结果表明,改进方法可以有效地完成偏头痛脑电信号的特征提取。
        The Characteristic analysis of EEG signals in migraine patients can not only improve the diagnosis rate of migraine diseases, but also provide a reliable basis for the auxiliary diagnosis of migraine diseases. At present, there are few studies on the characteristics of EEG signals in migraine. This paper proposes a new method combining wavelet transform modulus maxima and neural network technology to analyze the characteristics of EEG in migraine patients. Threshold function for wavelet transform modulus maxima was improved, and then the EEG noise signal was denoised through optimized method. Finally, the denoised signals were trained and classified using the BP neural network algorithm. the transfer function of each layer of the neural network was set, and the accuracy of the classification of the neural network was calculated, thereby analyzing the important characteristics of the EEG in migraine patients. The simulation results show that the proposed method can effectively extract the features of migraine EEG signals.

引文

[1] 中华医学会.临床诊疗指南(神经病学分册)[M].人民卫生出版社,2006:151-160.
    [2] 孔朝红,刘煜敏,陶枫,吕梦娜,管丽.脑电图在偏头痛患者中的诊断价值[J].临床与病理杂志,2017,37(6):1216-1219.
    [3] 楼恩平.抑郁症脑电信号特征提取及分类研究[D].浙江师范大学,2009:1-2.
    [4] 陈俊抛,王宏隽,李桂强,周谷兰,孙纯龙,赵光怀.346例偏头痛的异常脑电图分析[J].第一军医大学学报,1989,9(2):167-168.
    [5] 盖淑萍,刘欣阳,刘军涛,孔壮,徐声伟,蔡新霞.抑郁症静息脑电的小波包节点功率谱熵分析[J].传感器与微系统,2017,36(3):6-9.
    [6] 薛开庆,罗程,尧德中.痫性放电对脑功能连通性的影响的仿真研究[J].计算机仿真,2014,31(3):252-255.
    [7] 许慰玲,黄静霞,沈民奋.基于小波包分解的精神分裂症脑电信号分析[J].电子测量与仪器学报,2004,18(2):35-40.
    [8] 马玉良,许明珍,佘青山,高云园,孙曜,杨家强.基于自适应阈值的脑电信号去噪方法[J].传感技术学报,2014,27(10):1368-1372.
    [9] 崔丽.MATLAB小波分析与应用:30个案例分析[M].北京航空航天大学出版社,2016:108-109.
    [10] 任亚莉.小波包熵和BP神经网络在意识任务识别中的应用[J].计算机应用与软件,2009,26(8):78-81.
    [11] Jiawei Han,Micheline Kamber,Jian Pei.数据挖掘:概念与技术[M].北京:机械工业出版社,2016:260-262.
    [12] 王巧兰,季忠,秦树人.基于小波变换的脑电噪声消除方法,重庆大学学报(自然科学版),2005,28(7),15-17.
    [13] 杨陈军,野梅娜,李艳艳,张瑞.基于I CA与小波阈值的癫痫脑电信号去噪方法[J].西北大学学报(自然科学版),2016,46(6):795-800.