L'épilepsie (épilepsie) communément appelée « épilepsie » ou « vent épilepsie » est neurones du cerveau décharge soudaine anormale, conduisant à un dysfonctionnement cérébral transitoire maladie chronique. Les crises peuvent être divisés en: crises généralisées, de crises partielles, des crises généralisées secondaires. En raison de l'apparition soudaine de patients atteints d'épilepsie sujettes aux chutes, les brûlures, les noyades, les accidents de la circulation et ainsi de suite. déficience cognitive sévère chez les patients présentant une insuffisance d'épilepsie et de la mémoire, le déclin mental, des changements de personnalité, etc. apparaîtra. En outre, l'épilepsie mal reflète également dans le mal spirituel, les patients souffrant d'épilepsie réprimées souvent victimes de discrimination sociale, les patients atteints de la santé mentale, physique et mentale est grandement affectée. Compte tenu de la prévalence des troubles de la saisie de la maladie et les dangers de la pathogenèse de l'épilepsie, les essais cliniques et la localisation des lésions deviennent des recherches importantes et difficiles.

Le diagnostic de la maladie d'épilepsie principalement par l'histoire clinique et EEG, comme une onde caractéristique de l'épilepsie, qui détecte décisive pour déterminer si les personnes atteintes d'épilepsie. Ces dernières années, avec le développement rapide de l'analyse intelligente et le signal de diagnostic assisté par ordinateur, il y a deux axes de recherche principaux: (1) analyse directe de la méthode d'analyse du signal EEG, trouver la différence de certains paramètres pour prédire, par exemple, TIBDEWAL MN et al variance sur la base de l'épilepsie et la sclérose en entropie / non analyse statistique épileptique; Zhu Dongsheng et Xuya Ning d'après les informations du patient sur l'incidence du spectre de puissance à transformer sur la base de la transformée de Fourier analyse, la comparaison de la saisie d'EEG normal EEG obtenue, mais l'EEG appartenant à plusieurs composants signal pseudo-aléatoire non stationnaire, sa transformée de Fourier adaptabilité faible, la précision de la prédiction est pas élevé; Wang Pengxiang , qui utilise l'algorithme de détection d'onde EEG épileptique, et l'analyse du signal. (2) une méthode d'analyse du signal et de l'algorithme de classification d'apprentissage de la machine de combinaison de signaux d'épilepsie est traitée, par exemple, BEHNAM M et d'autres conceptions d'un modèle d'épilepsie ondelettes spécifique saisies maxima module épileptique, la EEG capturé modélisation pour réaliser la détection et la classification des saisies par classificateur AdaBoost; Patidar S , comme l'utilisation d'une seule méthode d'analyse de Kraskov épileptique de caractéristique basé sur l'entropie TQWT; Jianlin etc., et Han Min par analyse ondelettes et support vecteur machine à SVM classificateur normale classification EEG et EEG de l'épilepsie, Xiao Li Mu pour extraire l'entropie échantillon requis de l'EEG comme vecteur de fonction, et limiter l'utilisation de l'apprentissage algorithme de classification de la machine, mais les algorithmes de SVM et de classification de la machine ultime pour la classification non linéaire n'est pas une solution universelle, donc la précision est pas très élevé.

Basé sur le problème ci-dessus, nous vous proposons une détection de saisie et transformée en ondelettes maxima module de l'algorithme.

Une épilepsie onde caractéristique d'extraction

EEG 1,1 d'onde caractéristique épileptique

EEG est une activité électrique des cellules du cerveau humain dans le cortex cérébral ou reflètent la surface totale du cuir chevelu. EEG contenu dans un grand nombre d'informations physiologiques et de la maladie, l'EEG clinique sera divisée en quatre bandes de fréquences différentes conformément à, respectivement, ondes lentes, la vague [alpha], la propagation rapide dans la vague rapide. pic pointu et la forme d'onde d'onde est un signal autre que la partie de la classification de forte caractéristique importante, qui est différente de la forme d'onde et d'autres rythmes d'activité de fond.

Un épileptique typique à-dire les pointes d'onde caractéristique, des ondes pointues et lentes, ce qui est fréquent d'avoir des pointes, des ondes pointues, pic - onde lente onde complexes et pointus et lent complexes, comme le montre la Fig.

Dans lequel, sous forme de pointes est sensiblement une anomalies de l'EEG paroxystique, et le temps est généralement de 20 ~ 70 ms, le plus raide de forme d'onde, généralement de formes d'onde de phase négative, la partie de forme d'onde dans la phase positive et parfois dans une biphasique ou une forme d'onde triphasé. Pic complexe à ondes lentes est alors la longueur des pointes se produisant onde lente de 200 ~ 500 ms. onde de pic pointu et similaire, mais plus long que la longueur des crampons, et à la fois la phase négative de la biphasique, triphasique ont en général, en particulier à haute amplitude phase d'onde positive plus. complexe à ondes lentes forte est formée complexes alors pic à ondes lentes se produit la plupart du temps longueur 80 ~ 120 ms lorsque la pointe, puis longueur d'environ 500 ~ 1000 ms lorsque l'onde lente de pointe.

pointes épileptiques contenant caractéristique significative de la vague, de sorte que les pics identifiés, et le mode de réalisation caractérisé en ce épileptique extraite avec de faisabilité et de fiabilité. Cette étude par les maxima transformée en ondelettes module et la détection des pics identifiés.

1.2 Extraction Feature

L'analyse par ondelettes est une méthode d'analyse très efficace signal pilote , ce sera un signal de temps à une dimension de domaine est transformé en dimensions temps / espace des deux dimensions, variant dans le temps pour le traitement des signaux avec des avantages uniques.

Procédé transformée en ondelettes continue (CWT) peuvent être représentés par la formule suivante:

Lorsqu'une transformation à petite échelle , plus la fréquence centrale, bande passante plus large, bien au contraire, lorsqu'une grande, basse fréquence centrale, la bande passante est étroite. Spike les ondes cérébrales d'une composante de fréquence relativement élevée, ce qui est plus susceptible de se produire dans les informations sur le niveau à petite échelle.

Module algorithme maxima est un algorithme basé sur une analyse en ondelette, l'analyse du signal et le point singulier est déterminé sur la base d'une analyse par ondelettes. Dans cet article, maxima éclaircissage module algorithme colonne . Expressions éclaircissage algorithme fonctionne comme suit:

Transformée en ondelettes et ondelettes module module maximum, maxima sélectionnés petit coefficients d'échelle WTMMa, b que l'onde caractéristique. En analysant chaque échelle maxima des coefficients d'ondelettes module change WTMMa, b, et peut filtrer les pointes de points suspect propose des ondes, la composante basse fréquence séparée des pointes.

2 Analyse expérimentale

Pour vérifier l'efficacité de l'algorithme, les données EEG épilepsie utilisés dans cette expérience des États-Unis l'autorité de la base de données CHB-MIT Scalp EEG . Les enregistrements de base de données EEG exacerbation de l'épilepsie, l'enregistrement d'un total de 23 documents de 22 sujets (5 mâles, âgés de 3 à 22 ans, 17 femelles, âgés de 1,5 à 19 ans). Tous les signaux sont échantillonnés à une fréquence d'échantillonnage de 256 Hz, la résolution de 16 bits. De plus, l'enregistrement des données a été préalablement traité pour éliminer les interférences de l'environnement et les yeux de trace interférences, et a une exacerbation marquée du nud de temps, l'analyse des données peut être appliquée directement l'épilepsie.

Selon les statistiques, l'épilepsie emplacement de la lésion induite par le réseau d'électrodes la plus courante pôle frontal et temporal antérieur, dans le temps, postérieur région temporale, l'électrode correspondant à FP1, FP2 F7, F8, T3, T4, T5, T6 (en utilisant international 20/10 système de positionnement d'électrodes EEG) électrodes 8, de sorte que l'utilisation de ces électrodes de données 8 dans les expériences d'onde caractéristique d'extraction. Exemple expérimental Dans le Fp1 passage suivant.

Premièrement, la base de données d'origine et la longueur des données EEG est divisé en 1024 des données zone de points, soumis à une analyse par ondelettes, le niveau de décomposition est de 10, le taux d'échantillonnage 256, le nombre d'itérations à 6. En db4 fonction ondelette ondelette mère à base d'ondelettes de la figure 2. Dans lequel l'abscisse est le moments nuls, sans unité, l'ordonnée en fonction de la valeur de l'ondelette, sans unité.

Dans le cas Chb01 /, l'enregistrement 0010.5s ~ 4,5 s au passage Fp1 total 024 Exemple d'expérience de l'échantillon. L'analyse par ondelettes de passage Fp1 un exemple, une partie du résultat de niveau 3, les points d'abscisses n points de données.

Ensuite, la transformée en ondelettes des résultats de la matrice dans chaque détail ondelettes d1 ~ d10 module hiérarchiquement maxima presse calculée à l'étape 2, représenté par la formule (5) Essai de point singulier, maxima module obtenu dans la partie supérieure de la colonne de la Fig. Hiérarchie 4 résultats Fig.

En outre maxima module point singulier entre les bandes tendance de la colonne pour l'analyse statistique pour filtrer les pointes valeur de suspicion de la pointe. algorithme de reconnaissance est la suivante:

(1) réglage d'une valeur de seuil > 0, pour 1a5, tous les points 1x1024, si | MMTO (a, x) | < , alors MMTO (a, x) = 0;

(2) 1a6, de sorte MMTO (a, 1) = MMTO (a, 1024) = 0, la zone de bord à réduire le taux d'erreur en raison de l'onde caractéristique contient des erreurs de jugement incomplète provoquée;

(3) Etant donné que les pointes longues principalement entre 20 ~ 80 ms, un grand nombre de points d'information sont des pointes plus suspectes peuvent apparaître sur d1, d2, d33 niveaux, il est pris comme onde caractéristique:

Dans lequel raccord de surface. La figure 5 est une surface de montage soupçonné point de pic, 6 points pointes de montage de surface non suspects.

Enfin, les valeurs de caractéristiques partielles colonne de filtre d'onde pour obtenir une valeur de colonne détectés pointes, et la comparaison de la valeur extraite de la colonne avec le est représenté sur la figure EEG pic initial. . La figure 7 (a) est extrait par l'algorithme de détection de la colonne de valeur de crête,. La figure 7 (b) pour le cerveau électrique d'origine.

19 cas de patients atteints de détection de pic d'EEG épilepsie, et l'exacerbation de saisie divisé entre deux ensembles de données en fonction de l'état du patient au cours de l'essai, pour obtenir une pics de taux de reconnaissance élevé, les résultats présentés dans le tableau 1.

Comme on peut le voir d'après les résultats ci-dessus, la transformée en ondelettes - Procédé de détection des maxima module peut être efficace pour détecter le nombre de pointes. Différents signaux EEG, en raison des facteurs de différences individuelles, les interférences, différentes précision. Le nombre de pics détectés contraste des experts, le taux de précision de 19 cas dans l'échantillon est également au minimum 92,5%. Répartition du nombre de pointes et de saisies intercritiques deux ensembles de données détectés comme représenté sur la figure. De Spike en utilisant la théorie statistique du nombre d'analyses de données univariée , les résultats sont présentés sur la Fig.

En observant la distribution et le nombre de pointes analyse univariée figure, les conclusions suivantes peuvent être tirées: le nombre de saisies et des pointes intercritiques signal EEG à la longueur fixe originale, le présent système détecte l'important différence, le rapport entre le nombre d'épisodes était significativement plus élevé que les pointes intercritiques de, ce qui confirme la méthode de détection de la présente invention peut être utilisée comme base pour déterminer si les crises d'épilepsie.

3 Conclusion

Cette étude et l'algorithme de transformée en ondelettes maxima module adapté EEG non stationnaire, dans lequel le multi-composants, l'influence de différents paramètres sur le signal caractéristique d'épilepsie, et l'utilisation de cette fonction simple est raffinée, efficace, des algorithmes de haute précision. L'analyse par ondelettes et vérification expérimentale par analyse de liaison à la valeur maximale du motif algorithmes d'analyse EEG, la précision diagnostique de 92,5% ou plus, les résultats sont satisfaisants.

Cette étude peut aider les médecins à mieux le diagnostic clinique de l'épilepsie. L'étape suivante consiste à localiser foyer épileptique, et de réaliser la prédiction des crises d'épilepsie que possible.

références

TIBDEWAL M N, H R DEY, Mahadevappa M, et al.Multiple entropies mesure de performance pour la détection et la localisation de EEG épileptique multicanal .Biomedical Traitement du signal et de contrôle, 2017,38: 158-167.

Zhu Dongsheng localisation de la lésion épileptique et analyse du signal Qinhuangdao: Université Yanshan 2016.

Xuya Ning. EEG détection de Spike Basé sur Wavelet Transform épileptique signal Guilin University of Electronic Technology, 2008,28 (3): 97-98.

dans lequel l'algorithme de reconnaissance d'onde EEG Epilepsy Research sous Wangpeng Xiang, Zhang Zhaoji transformée Informatique et Communication (EDITION THÉORIE), 2017 (17): 63-65.

BEHNAM M, POURGHASSEM conception d'ondelettes spécifique à H.Seizure (Seizlet) pour la détection de crise épileptique en utilisant ellipse CorrEntropy fonctionnalités basées sur des modèles de saisie module Maximas .Journal des neurosciences Méthodes, 2017.267: 84-107.

Patidar S, Panigrahi T.Detection de crise épileptique en utilisant Kraskov entropie appliquée sur accordable Q transformée en ondelettes des signaux EEG .Biomedical Traitement du signal et de contrôle, 2017,34: 74-80.

Talk sur, Weidong, Liu Kai, et la classification SVM basée sur l'EEG et l'analyse ondelettes Applications informatiques et logiciels, 2011,28 (5): 114-116.

Han Min, Sun Zoran. Classification du signal électrique du cerveau épileptique basé sur la transformée en ondelettes et AdaBoost sur la machine Extreme apprentissage Applications informatiques, 2015,35 (9): 2701-2705,2709.

Étude Xiao Mu. Epileptic détection automatique Zhengzhou: Université de Zhengzhou, 2014.

Wang Chunmei signal électrique caractérisé en ce épileptique automatique extraction et la détection . Shanghai: Est de la Chine Université de technologie, 2011.

ici Wan Ying, Zhi région en ondelettes seuil débruitage algorithme d'optimisation de la réduction de la MWC Technologie électronique, 2018,44 (11): 64-67,71.

PUCKOVS Une approche Matvejevs A.Wavelet maxima transform module pour l'indice boursier mondial analyse multifractale .Information technologie et sciences de la gestion, 2012,15 (1): 76-86.

GOLDBERGER A L, A AMARAL L N, L GLASS, et al.PhysioBank, PhysioToolkit et Physionet: composants d'une nouvelle ressource de recherche pour des signaux physiologiques complexes .Circulation, 2018,101 (23): E215-E220.

Shoeb A H.Application de l'apprentissage automatique pour la détection et le traitement de l'apparition de la crise d'épilepsie .PhD Thèse, Massachusetts Institute of Technology, Septembre 2009.

Liu Xuefeng, né dans le Massachusetts, Zhaoyan Yang, et MSE-PCA stades du sommeil EEG basées sur Technologie électronique, 2017,43 (9): 22-24,29.

Informations sur l'auteur:

Liu Da, selon Wang Meng, Hu Chiu, Ma Mengze, Cai Jing

(Jilin University College of Instrumentation et génie électrique, Changchun 130061, Chine)