《用於癲癇發作預測的腦電特徵深度學習研究》是依託山東師範大學，由袁琦擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：用於癲癇發作預測的腦電特徵深度學習研究
- 項目類別：青年科學基金項目
- 項目負責人：袁琦
- 依託單位：山東師範大學
項目摘要,結題摘要,
項目摘要
對癲癇發作的準確預測可以為頑固性癲癇患者提供有效的治療方法，也是植入式閉環癲癇刺激器的關鍵環節。而作為發作預測技術的核心，腦電(EEG)信號的特徵提取已成為阻礙預測技術性能提高的瓶頸。針對人工發掘EEG特徵的困難，本項目擬基於深度學習理論，結合極端學習機(ELM)與稀疏編碼構建EEG特徵的深度學習網路模型，建立可擴展的EEG特徵全自動學習途徑，並通過構造結構型編碼字典進一步提升EEG特徵的辨識能力；對於有標記EEG樣本少的臨床現實，本項目擬充分利用無標記EEG樣本，藉助ELM的優勢設計深度網路的半監督學習方法，提高其泛化性能；另外，擬利用自適應收縮膨脹測度學習方法獲取EEG特徵的測度距離算法，並通過計算測度距離給出癲癇預發作的風險值。本項目的開展將為EEG特徵提取提供新思路與新方法，有助於推進發作預測技術的性能提升，也將推動深度學習在EEG分析領域的套用，具有重要的理論意義及臨床套用前景。
結題摘要
準確預測癲癇發作可以使醫生或患者提前採取有效的臨床預防措施，對於建立新的治療方法和改善患者的生活質量至關重要。腦電信號的特徵提取作為發作預測技術的核心，是顯著提高預測技術性能的關鍵。針對人工發掘腦電特徵的困難，本項目依據深度學習理論，提出了基於深層卷積神經網路的癲癇發作預測方法，實現了癲癇患者腦電特徵的自動學習，在21例癲癇患者的573.07個小時的連續腦電記錄上，可以達到87.70%的敏感度和0.25/h的誤判率。同時，考慮到癲癇患者腦電數據分布的不平衡，本項目分別提出了基於加權極端學習機與基於EasyEnsemble學習算法的不平衡腦電分類模型。實驗表明這兩個模型顯著提高了癲癇發作檢測的敏感度。之後，本項目又探索了腦電紋理特徵在癲癇識別中的作用，通過實驗驗證了腦電紋理特徵可以作為檢測癲癇發作的指標依據。本項目的研究為腦電信號分析提供了新思路與新方法，有助於推進發作預測技術的性能提升，也將推動深度學習在腦電分析領域的套用，具有重要的理論意義及臨床套用前景。
