摘要
癫痫疾病发作特点是急突发性且易反复性，发作时的高危险性导致癫痫疾病对患者的日常工作生活都产生了有重大影响。因此，实现癫痫预警具有重要的临床研究意义。本文对癫痫发作前15分钟的脑电信号分类判别，当发现脑电信号属于此时期时模型预警，提醒医务人员对患者进行用药或其他治疗处理。 （1）本文采用医学诊断癫痫的方法，即EEG信号进行癫痫预警的判断活动。本文在去噪阶段设计了ICA-EMD去噪方式。在进行癫痫信号分析时首先针对脑电信号的通用特征，进行了去噪处理，ICA快速算法去除大部分伪迹噪声。针对脑电采集过程中机器产生的高频噪声，本文选取了EMD分解重构的方法对EEG信号进行二次降噪。 （2）本文设计了DWPT-SVM模型进行癫痫预警，通过小波包变换提取能量谱密度，再经过PCA降维后得到15维度特征向量，再结合香农熵，对数能量熵和特征范数能量熵共同构成特征向量。在SVM分类器设计中采用网格寻优的方式确定参数，实验中采用交叉验证法，对癫痫预警模型进行建模与评估。实验显示模型有效性对提取特征时窗口长度的设立不敏感，考虑到癫痫发作预测的实时性要求，选择1s窗口进行模型特征建立。最终DWPT-SVM模型的平均准确度达到90.674%，平均灵敏度达到90.255%。但模型在不同患者的预警表现上波动很大，不够稳定。 （3）本文提出了一种基于双层Bi-LSTM的癫痫预警神经网络结构。双层Bi-LSTM模型输入预处理后的时序信号。改进的双层Bi-LSTM模型使用Adam优化训练，在平均准确度和平均敏感度方面，分别取得了92.714%和92.396%的结果。对比其他三种网络模型，可以确定改进双层Bi-LSTM的优越性。最终在训练后通过滑动平均法进行后处理，对所有患者数据进行统计后，只有少数患者出现误报，没有漏报情况。 综上所述，本文应用机器学习及深度学习技术对癫痫预警领域进行研究，通过全部患者的模型实验比较发现，双层Bi-LSTM模型在准确度和不同患者的模型稳定性上均具有良好表现，这为癫痫预警在临床的实际应用增加了一定理论基础。
NETL