摘要
癫痫作为人类最常见的神经精神性疾病之一，具有较高的患病率，在全球范围内约有 7000 万患者。其突发性发作给患者的生活带来了严重的困扰，这种无法预测的发作可能导致患者在日常生活、工作和社交环境中遭遇突如其来的危险。同时还可能会受到就业、教育和交通出行方面的限制，在社交、工作领域遭受到歧视和排斥。除此之外，癫痫反复发作还会对大脑造成不可逆转的损害。因此，开发设计癫痫自动预测模型不仅有助于防止意外事故的发生，还可以协助医生提供有针对性的干预治疗，有效降低脑损伤的风险。目前，对于癫痫患者进行诊断还是靠有临床经验的医生通过观察分析患者的长达几小时的脑电图完成的。人工分析脑电信号的工作量巨大并且脑电图中各种波形重叠导致肉眼难以分辨癫痫发作。因此，开发设计癫痫自动检测模型，可以帮助医生检测癫痫的发作，减轻医生的工作量、提高检测的准确性。基于此，本文设计了两种模型分别对癫痫进行预测与检测： （1）本文提出了一种基于SPCNN的癫痫预测模型。尽管大量研究试图通过定制针对患者的预测模型实现高准确性和高敏感性的癫痫发作预测，但这种方法由于难以适应不同患者脑电信号的高变异性，使其在临床应用中受到了限制。因此，本文设计的SPCNN 模型是独立于患者的癫痫预测模型，具有更好的泛化能力。脑电信号中低频信号蕴含了更多有关癫痫发作的细节信息，因此本文在特征提取阶段引入了滤波器集中在低频区域的梅尔频率倒谱系数特征以及线性预测倒谱系数特征。为了验证MFCC+LPCC特征的有效性，选用同在频域的功率谱密度与MFCC和LPCC的预测效果进行对比。本文选择的数据集是CHB-MIT数据集，在这个数据集上基于MFCC+LPCC的SPCNN预测模型获得了96%的准确率、92%的敏感性、84%的特异性和85%的F1-score。 （2）本文提出了一种基于ConvLSTM-EDN的多因素综合癫痫检测模型。在特征提取阶段，选择了时域特征、频域特征和非线性特征中的十一种特征进行特征融合。为了解决特征内部差异较大的问题，对提取后的特征进行了 z-score 归一化处理；为了解决数据冗余的问题，通过PCA和LDA的方法进行数据降维；为了解决类别严重不平衡问题，采用SMOTE采样法、ADASYN采样法、Near Miss-1采样法和Tomek Links采样法对数据集进行处理。此外，为了排除与发作不相关的通道以及减少计算复杂度，本文设计了三种通道选择方法，基于CSP滤波器的通道选择方法、基于人工的左右脑半球通道选择方法和基于费舍尔判别准则的通道选择方法。在癫痫检测任务中，基于费舍尔判别准则的通道选择方法获得了最好的结果，ConvLSTM-EDN 癫痫检测模型在这种通道选择方法中的准确率为98%、敏感性为99%、特异性为100%、精准率为97%、F1分数为98%、MCC值为99%。
NETL