基于稀疏性脑电重构与优化CNN分类器的癫痫发作预测动态学习框架( Dynamic Learning Framework for Epileptic Seizure Prediction using Sparsity based EEG Reconstruction with Optimized CNN Classifier )

BP Prathaban R Balasubramanian

世界卫生组织(WHO)最近表示，癫痫影响着世界人口中近6500万人。早期预测即将发生的癫痫发作对于挽救癫痫患者的生命是至关重要的。本文从多通道头皮脑电图(EEG)记录出发，提出了一种基于相位转换的癫痫发作预测方法。本工作的重点是通过了解发作前、发作间期和发作期的动态变化来鉴别发作期和无发作期的EEG信号。在Fletcher Reeves(FR)算法的基础上,提出了一种结合稀疏性脑电重构(SER)和三维优化卷积神经网络分类器的非线性共轭梯度自适应优化方法。基于稀疏性的伪影去除方法结合三维OCNN分类器，对癫痫的各种状态进行分类。将FR算法与深度神经网络相结合，加快了非线性模型的收敛速度，降低了模型的复杂度。主成分分析(PCA)算法取代了K-SVD算法中的奇异值分解(SVD)，进一步减少了预处理阶段的时间和复杂度。我们进一步提出了一种基于相变的Kullback-Leibler散度（PTB-KL）预测器来获得最优发作预测水平(OSPH)。利用CHB-MIT、NINC和SRM三个不同的数据库分别对所提出的模型进行了评估。在三个EEG数据库的300个记录上的经验结果优于现有方法，准确率为0.98，敏感度为0.99，假预测率为0.07fp/h。对所建议的预测因子进行统计评估，可获得癫痫发作前约1.1小时的OSPH。实验结果表明，基于相变的癫痫预测方法是一种利用头皮脑电数据实时准确预测癫痫的有效方法。

SciDown文献求助系统（解决99%问题） Public Download Elsevier ResearchGate