模糊逻辑系统癫痫发作在颅内脑电图检测

文摘

提出了一种多级模糊规则的算法对癫痫发作开始检测。振幅、频率和entropy-based特性提取从颅内脑电图(iEEG)录音和考虑作为模糊系统的输入。这些特性从多通道iEEG信号中提取结合使用模糊算法在功能域和空间域。模糊规则推导出基于专家的知识和推理。一种自适应模糊子系统用于结合从iEEG提取的特征特性。从病灶的空间组合,三个频道和一个来自偏远地带被认为是进入另一个模糊子系统。最后,一个阈值过程应用于模糊输出来自最后模糊子系统。方法评估从弗莱堡iEEG数据集选择癫痫预测脑电图(FSPEEG)数据库。共计112.45小时20例颅内脑电图记录被选中的有56个癫痫是用于系统性能评估。95.8%的总体敏感性错误检测率为0.26,平均每小时检测延时15.8秒。

1。介绍

癫痫是最常见的神经紊乱影响1 - 3%世界人口(1- - - - - -3]。它的特点是两个或两个以上的无缘无故的发生癫痫发作节奏异常放电的大脑的电活动(1- - - - - -6]。癫痫发作被定义为阵发性改变一个或多个神经功能,如电动机,行为,和/或自主功能(1]。癫痫发作是情景,快速发展的临时事件。通常,癫痫发作的持续时间小于一分钟(1- - - - - -3]。虽然癫痫发作背后的机制尚未完全了解,扣押事件可以被描述为神经网络的网络增加励磁同步放电以及变量传播在大脑1,2]。在局灶性癫痫发作的表现可能定位在一个特定的大脑区域,而在广义癫痫整个大脑可以扣押事件(候选人1,2]。

脑电图(EEG)是使用最广泛的衡量等神经系统疾病的诊断癫痫临床设置。长期监测脑电图对癫痫的诊断最有效的方法之一,通过提供信息的大脑电活动模式、类型、发作频率、发作的重点偏重[1- - - - - -3,7]。在长期监测,发作的脑电图记录通常是与癫痫发作的临床表现。如果记录网站扣押的焦点所在,脑电图的变化可能发生在临床表现(1,2]。如果电极放置在远程位置的癫痫发病,临床表现可能发生在任何视觉脑电图的变化。因此,放置电极是癫痫检测或早期检测的决定因素(3]。专家长期监测脑电图记录通常寻找最早的视觉上明显的脑电图的变化来识别猝发的发作(1]。这些信息可以帮助医生或护理治疗患者早期及时可用的药物。然而,长期的视觉检查脑电图临床医生是具有挑战性的,因为它在几天,几周由于执行未知自然癫痫的发生时间。目视检查的大量的数据,以确定癫痫发作是非常耗时和单调2- - - - - -4,7]。因此,一个自动癫痫检测工具大大高检测率和低误检测率会有价值的应用程序在临床设置在癫痫治疗1- - - - - -4,7]。

扣押事件期间,增加同步异常放电发生在大脑的神经网络。发作的脑电图变化的模式和形状根据大脑区域以及类型的录音(颅内或头皮EEG)。一个检测算法应该能够识别这些动态脑电图的变化具有高度的敏感性。最常见的一种模式中发现发作的脑电图是周期性剧烈活动(6 - 8赫兹活动中间的颞lobe-onset发作)(1,2]。发作的发病和偏移量也相对较高的复杂信号的特征。然而,从病人病人发作的启动模式可能会有所不同。虽然模式在不同患者可能取决于类型的癫痫,接近记录电极的癫痫发作,发作类型的录音猝发的模式和早期进化的大脑动力学在给定患者类似的类型。因此,算法参数的强度是可以调节的一个特定的方式来提高检测的特异性和灵敏度2,3]。

的一个应用程序自动癫痫检测在临床设置监控病人和本地化的大脑区域。至于医学上棘手的局灶性癫痫,发作的大脑组织的重点是候选人的手术和源定位信息帮助神经科医师在手术1- - - - - -3,7]。此外,提供替代手术治疗的患者,大部分的重点都是放在及早发现或预测癫痫临床发作之前提供足够的时间的干预,最终预防或控制癫痫(3]。在早期检测理论,脑电图的发作的表现预计将侦测到几秒钟到几分钟前(2,3]。虽然干预时间设计一个控制装置,是至关重要的一个早期检测工具能够检测癫痫临床发作前几分钟开始将有助于避免严重损伤的患者采取适当的行动或使用药物来缓解发作频率的强度(3,7]。

已取得显著进展的自动检测癫痫iEEG过去几十年(2- - - - - -4,7- - - - - -15]。曲和Gotman7)开发了一个自动癫痫检测方法来检测各种类型的表面和颅内脑电图癫痫发作。它是基于脑电图分解为基本的波浪和检测阵发性的使用相对振幅有节奏的活动,他们的持续时间,韵律性(7]。Murro et al。8)开发了一个计算机化的方法来检测复杂部分发作。方法三个脑电图特点,相对振幅,主频率和节奏性。判别分析是用于决策(8]。为了合理地减少误警率,瞿和Gotman9)开发了一个预警系统的基于模板匹配,依赖于可用性为后续检测类似癫痫样发作头皮和颅内脑电图记录。后,瞿Gotman [10)提出了癫痫发作检测系统具有灵敏度高、假阳性率很低。奥索里奥et al。11]提出了一种算法用于实时检测、癫痫的定量分析,预测的临床发作。Grewal编写和Gotman12)提出了一个自动发作临床使用的预警系统。光谱特征提取后过滤脑电图在多个乐队和使用贝叶斯定理以及时空分析。虽然系统需要培训为了获取先验概率,在运行时不需要病人训练(12]。在不同的方法中,埃德里et al。13)进行小波子频带分析EEG和五个脑电图乐队以及非线性分析检测癫痫发作和癫痫的脑电图。他们用关联维数和最大李雅普诺夫指数量化脑电图的非线性动力学13]。Ghosh-Dastidar et al。14)提出了一个新颖的wavelet-chaos-neural网络方法检测癫痫发作。Srinivasan et al。4)提出了一种神经网络自动癫痫检测系统使用近似熵(ApEn)作为输入功能。加德纳et al。5]讨论了看到下面成了一个支持向量机(SVM)在iEEG新奇检测癫痫分类短时,能源统计数据。探测器是验证的样品41发作和29猝发的时代和收益率为97.1%的敏感性,意味着检测−7.58秒的延迟,但假阳性率(玻璃钢)每小时1.56假阳性(5]。陈等人。6)提出了一种特定的算法精确测量癫痫发作的时间检测。该算法利用光谱和时间特性和支持向量机作为分类器6]。Ghosh-Dastidar和埃德里16)为Multispiking神经网络提出了一种新的监督学习算法(MuSpiNN)应用于癫痫检测。他们展示了更好的准确性MuSpiNN single-spiking飙升神经网络(SNN)模型(16]。在最近的一次工作,Zhang et al。17)提出了一个新颖的增量学习计划基于非线性降维自动检测癫痫发作。他们使用连续小波变换(CWT)特征提取和两阶段决策利用非线性降维和增量学习计划(17]。

最近,很多重点都是放在检测时间或癫痫早期的最终预测。并没有多重要作品进行癫痫检测或早期检测领域的基于模糊逻辑的方法。Subasi [15]介绍了应用自适应neurofuzzy推理系统(简称ANFIS)癫痫发作检测和分类为正常和癫痫患者。这种方法结合人工神经网络的自适应能力和定性模糊逻辑的方法和特征提取使用小波变换(WT) [15]。Aarabi et al。18)提出了一个自动的方法使用模糊规则系统来检测在iEEG癫痫发作。时间、光谱和复杂性特征提取iEEG喂养到两级决策系统中时空整合。中间执行决策在第一阶段使用基于规则的模糊推理系统。最终决定使用空间组合器,功能组合器和后处理程序(18]。

癫痫领域的预测和/或及早发现,一些问题或缺陷已确定需要小心妥善解决,以取得进一步进展(19]。大部分的方法在文献中使用单一特征提取方法,后跟一个预定义的阈值对最终决策(19]。非线性方法很流行的大多数研究人员;然而,大多数这些方法对噪声敏感,可能导致错误的结果(18,19]。因此,非线性特征提取方法在线性方法的优势尚未证明(19]。测试数据集的选择也很重要,因为直接比较不同的研究和方法是很困难的,除非那些应用于相同的数据集(19]。适当的统计验证仍是另一个主要问题(19,20.]。为了解决这些挑战之一,Feldwisch-Drentrup et al。21)描述了一种方法使用逻辑”和“和”或“组合为了合并两个癫痫发作预测方法。的研究表明,改进的性能组合,取得了最高的灵敏度和”和“组合(21]。在这项研究中,我们应用模糊算法结合以上两种方法摘要(4)癫痫发作检测。我们利用模糊”和“组合而不是逻辑”和“组合研究该方法在早期检测的可行性。结果表明,这种方法可能是一个有前途的解决方案来解决一些在早期癫痫检测领域的挑战,最终发作的预测。

在本文中,我们提出一个模糊规则自适应自动癫痫发病检测方法。整体方法包括几个步骤,预处理,工件检测,特征提取,使用模糊逻辑的决策,后处理。时域、频域和entropy-based特性提取脑电图段。这些功能结合使用一组模糊规则和另一组模糊规则用于结合空间信息。最后的决定是由应用阈值过程的时空组合多个特性。工件检测算法应用在特征提取之前识别部分损坏的电极运动和饱和工件。存储的信息被用于后处理步骤。错误检测工件和其他活动造成的被拒绝的后处理步骤。

2。材料和方法

2.1。脑电图记录

iEEG录音被从弗莱堡获得预测癫痫脑电图(FSPEEG)数据库(22,23]。数据库包含iEEG数据来自21个医学上棘手的焦点的癫痫病患者。数据的采样频率为256赫兹。与常见的参考数据库包含六个频道,三个位于病灶和三个在偏远地区22,23]。在这项研究中,我们选择iEEG数据集获得20例对该方法的性能进行评估。分析数据的总长度是112.45小时,分析癫痫发作的总数56。iEEG数据用于本研究的细节如表所示4。

2.2。预处理

2.2.1。分割

多通道iEEG数据分段使用移动窗口分析技术。每个区段的长度为2.5秒(640数据点)重叠0.5秒(128数据点)之间的邻近窗户沿整个iEEG录音。这个窗口长度被选来把信号分成quasistationary段为正确计算的特征24]。

2.2.2。工件检测

尽管iEEG数据通常不损坏工件比较头皮脑电图,目视检查确认饱和度和电极运动构件的存在在一些患者的数据。获得的数据文件从FSPEEG数据库还提供了一些工件信息,主要是运动工件和基于这些信息进行目视检查。我们实现了一个工件检测算法来识别脑电图段损坏与这两种类型的构件:饱和度和电极运动。每段与工件标记和信息存储在内存使用后的后处理步骤。工件检测算法的步骤将在以下部分中讨论。

(一)饱和工件
有几个病例与饱和iEEGs损坏工件。在饱和时间iEEG信号恒定振幅。与饱和段构件是由导数的方法。每一段零衍生品与饱和工件(标记为段18]。中值滤波窗口大小5用于删除所有的段饱和度。这可以防止错误检测的工件在其他脑电图段饱和而不是在该地区。

(B)电极运动工件
电极运动构件通常是由病人的头部动作或位移引起的电极框。这种类型的工件的高振幅的一击(18]。为了检测分析的信号处理方法是利用信封iEEG段利用希尔伯特变换(25]。平均绝对信封()计算每段使用以下方程: 在哪里是绝对的希尔伯特变换19iEEG段和是样品的数量在每个iEEG段。段与工件中被确认从其他脑电图段通过应用一个预先确定的阈值(正常化后)在区间[]。阈值估计是至关重要的,因为它是很重要的不要标签发作段作为一个段与运动构件。阈值是通过设置一个条件决定的。条件一段的平均绝对信封必须大于发作的最大平均振幅段被认为是段与工件。因此,它被证实没有癫痫活动是错误地拒绝为运动构件。

2.2.3。过滤的脑电图

iEEG段都是0.5赫兹到100赫兹之间的带通滤波使用数字四阶巴特沃斯滤波器来减少高频噪声和低频工件。iEEG段然后切口过滤去除50赫兹电力线路噪音。

2.3。特征提取

时域、频域特性和entropy-based特征提取iEEG段。本研究中使用的四个特性平均振幅,韵律性(变异系数的振幅),主频率和熵。这些特性已知包含最判别信息检测癫痫事件(7- - - - - -12,18]。特征提取方法在以下部分中简要描述。

2.3.1。平均振幅

平均振幅(瓦)是一个很好的衡量时间的进化部分癫痫发作(7,10,18,26]。部分癫痫发作期间,iEEG信号显示节律性活动与重复频率3至30 Hz (18,26]。因此,计算平均振幅,iEEG段首次高通3赫兹以上过滤去除低频噪声(18]。然后,峰值检测算法基于iEEG信号的一阶导数的零交点是用来检测峰(18]。的振幅峰值计算了平均半波的振幅。最后,平均振幅()是通过计算的平均振幅峰值检测(18,26]。

2.3.2。韵律性

变异系数的振幅(CVA)是衡量韵律性或发作的活动规律18,27]。在癫痫进化,脑电图的振幅的规律往往会增加缓慢;这增加的特征是脑血管意外(27]。在部分癫痫发作的情况下,表现出很强的韵律特征的信号可能在振幅(有规律27]。变异系数(CVA)量化增加规律观察期间部分癫痫发作(18,27]。脑血管意外被定义为绝对振幅的标准差之比的平均绝对振幅(18] 在哪里标准差和吗是每个iEEG段的意思是18,27]。

2.3.3。熵

熵是衡量“不规则”或“不确定性”,最初是由香农提出1948年(28]。香农熵()计算 在哪里本基准的概率吗(18,28]。近似熵(ApEn)引入了平卡斯和不29日简称)是更合适的计算熵和噪声时间序列数据。低熵值表明确定性时间序列,而随机性高值表示。因此,熵值高表示iEEG数据中的违规行为。计算ApEn应确定运行长度和宽容窗口测量运行模式之间的可能性(29日,30.]。宽容的窗口和嵌入维ApEn的两个重要参数计算。在这项研究中,样本熵(SampEn)这是一个变种的近似熵量化熵iEEG考虑使用其鲁棒性ApEn [29日,30.]。样本熵估计的负面自然对数的条件概率部分的长度相匹配的点态在宽容同时匹配下一个点(18,30.]。这种方法是一个有用的工具为研究生物医学信号的动力学和其他时间序列。

2.3.4。主导频率

占主导地位的频率()被定义为与最大光谱功率峰值信号的功率谱18]。这个特性在区分从发作猝发的活动尤为重要活动量化签名信息中主要部分癫痫发作频率。这一特点是高频活动在癫痫发作和低频活动结束时发作(18,26]。在这项研究中,参数谱估计方法、自回归模型(AR)的方法,用于估计短期脑电图的光谱频段段。AR模型阶选择根据Akaike信息准则(20在这项研究)(31日]。伯格方法用于计算AR系数简称脑电图段(32]。然后,给定的光谱功率段使用这些AR系数估计。对于每个光谱峰值,光谱频段被定义为(和),和在上升和下降的峰值频率与振幅的峰值的一半(10,18]。与最大光谱功率峰值的频率被认为是主导频率给定段(18]。

2.4。模糊规则的检测

2.4.1。模糊推理系统的设计

在这项研究中,我们设计了一个多级模糊规则系统(33,34癫痫发作检测。决策在执行三个步骤。我们利用获得的信息在空间,时间,以及功能域,作出最终决定。因此,模糊系统是由三个子系统组成:组合器(1)特性,空间组合器(2),(3)最终的决策。图1显示了整个系统的框图包括预处理、特征提取、模糊规则的决策和后处理。

四个功能(被喂进第一个在本质上是自适应的模糊子系统(功能组合器):熵(),占主导地位的频率(),平均振幅(、变差系数的振幅(。第二个模糊子系统(空间组合器)用于选择四个指定渠道和结合跨渠道特性输出第一个模糊子系统。在最后阶段,另一个模糊子系统是紧随其后的是阈值参数以脑电图部分归为“正常”或“没收。”的步骤将在以下部分中详细讨论。

2.4.2。自适应模糊推理系统

我们已经实现了自适应模糊推理系统的版本如前一节所述。四个功能结合使用一个精心设计的模糊推理系统。不分明化特征变量之前,他们是规范化的间隔(使用min-max归一化法)。三角形和梯形隶属度函数模糊输入和输出变量。分配隶属函数的模糊输入变量的特性是非常重要和关键35]。我们利用模糊聚类的自适应估计参数隶属度函数(35,36]。模糊c均值聚类(35,36)是应用于每个特性生成集群中心两个类:“正常”和“没收。“那么集群中心被用来生成将模糊集隶属函数的相应的聚类中心。两个模糊集隶属函数或被认为是输入的四个特点:低(和高(图中所示2(一个)。和得到从相应的聚类中心。这种方式隶属度函数估计自适应基于特性集的特征和自适应模糊系统的工作原理。模糊输出变量(OP₁),三个层次被分配为高()、中()和低()如图2 (b)。阈值参数选择的值,。OP₁结合后的最终功能四个特性。我们用三角形和梯形隶属度函数易于实施(18]。

相结合的模糊规则表中列出的特性1。模糊逻辑已经利用结合这些信息获得的功能域使用第一组规则。模糊逻辑的定性的方法是特别适合结合这四个特性并将它们映射到最后一个时间序列的特性。模糊输出变量(OP₁才会高”)“当且仅当至少3功能输入变量是高”“和OP₁将媒介”“如果两个特性输入变量高””。剩下的* OP₁将低”“如表所示2。因此,发作脑电图的不精确的边界和不确定性与特征是解决。例如,节奏性的行为本身可能不会影响整个系统的性能。更重要的是,如果任何特性不能检测癫痫发作期间,微妙变化的组合特性使用模糊规则将我们能够发现除非发作错过由于特异性的模式。同样,空间组合允许优先获得焦点的重要性,渠道由于其高灵敏度猝发的活动。

2.4.3。时空组合

分配的空间组合,梯形隶属函数的模糊输入和输出变量(图3)。两个层次的被认为是输入(在哪里)和输出(OP₂):低(和高(。三个频道在病灶(,)加上一个频道选择从偏远地区(。这四个渠道结合使用基于专家的另一组模糊规则推理(表1)。的标准是基于在癫痫发病地区渠道的信息更敏感的检测脑电图的变化比较来自偏远地区(1- - - - - -3]。预计最早获得焦点渠道将检测脑电图的变化。为了最小化检测延迟,我们认为这三个焦距因渠道制定空间组合的规则。然而,大脑中有不同的通道位置之间的相互作用。因此,模块化的检测算法从偏远地区我们也包括一个频道。模糊规则集的结合最终功能输出(OP₁跨渠道表中列出)2。

在最终决定阶段,平均进行连续5段使用移动平均法。在最后一个阶段,另一个模糊推理子系统是用来结合通道组合(OP₂)和段平均(SA)的信息。四个规则定义映射到一个报警输出空间的初步决策,如表所示3。

2.4.4。模糊的暗示和去模糊化方法

Mamdani-minimum蕴涵算子是用于模糊推理和重心去模糊化方法用于defuzzify模糊输出(FOP)变量33,34]。

2.5。后处理

2.5.1。工件和错误检测被拒绝

在做出最后决定之前,系统扫描每个iEEG段工件。在工件检测步骤中,部分与工件识别和存储的信息被用于后处理步骤。造成的错误检测工件被过滤在这一步。iEEG段损坏与工件被分配一个值“0”的叶子检测的概率为零。我们进行进一步分析错误检测和标记错误检出率无趣的和有趣的17]。无趣的假阳性主要是由于残留引起的短时间和工件和大的振幅有节奏的活动。我们拒绝了这些短的长度错误检测通过设定最小长度检测标准(18]。

2.5.2。阈值参数

我们应用一个阈值过程进行最后决策。每当闹钟“深圳”跨过门槛,扣押事件被检测到。每一段被分配概率值的正常部分的“0”和“1”的发作。

2.6。性能评估参数

2.6.1。灵敏度

由于系统的目的是为了检测癫痫发作,灵敏度是一个基于事件的绩效评估的重要统计指标。测量系统的能力正确检测癫痫。真阳性率的测量,定义为正确的数量的比率检测癫痫发作癫痫的总数(4,12,15]。它是用百分比表示如下: 在哪里和定义如下。

真阳性(TP)
系统检测到一个注解为发作的癫痫专家。

假阴性(FN)
注释系统漏掉了癫痫发作的专家。

2.6.2。错误发现率

错误检测率(罗斯福/小时)是另一个重要参数对系统性能评估(18]。这是计算通过计算假阳性和除以数据总长度在实验中分析了对于一个给定的耐心。成功在临床的设置,可实现罗斯福应该相当低,所以病人和照顾者必须等待太久假警报。但是,通常最好是较长的检测模式检测延迟而不是失踪。

2.6.3。检测延迟

检测延迟时间之间的时间延迟系统检测到癫痫发作和临床癫痫发作被专家(9- - - - - -12,18]。检测延迟计算是临床癫痫发作之间的差异(专家发现发作)和系统检测到癫痫发作(12,18]。自动检测算法或早期检测,检测延迟时间预计将大幅低或负的早期检测。

3所示。结果

3.1。癫痫发作检测

3.1.1。特征特性的变化

之前设计模糊逻辑系统,执行目视检查来确定类型的特征特性的变化时癫痫发作以及偏移量。在大多数情况下,平均振幅值的增加几秒钟后癫痫发作。韵律性逐渐增加的值在癫痫发作,后跟一个减少到最低然后回到发作基线水平几秒钟之前发作抵消(18]。部分癫痫发作,癫痫发作后频率活动增加到峰值,然后逐渐下降一个低频活动。熵值显示增加,达到最大值后几秒钟的癫痫发作,跌倒在癫痫发作基线偏移量。这意味着在癫痫信号复杂度的增加。然而,它并不增加到最大爆发后(18]。在某些患者在临床发病前确认电记录的更改。这种发作进化概况和特点的行为特性如图4(病人9)。

3.2。阈值的估计

一个阈值过程被用于制造最终决定和分配概率值“1”发作的iEEG iEEG段段和“0”正常。阈值过程应用于初步的结果最终的输出模糊子系统的时空组合。阈值参数优化的方式不同。设置进行优化优先级更高的灵敏度和更低的误检测率。它是由策划警报为每个病人生成的直方图。我们使用阈值以上两个标准差以外的意思。上面的范围是两到六标准差的意思。

3.3。错误检测

对所有病人,误报率小于9.5年代都拒绝除了病人18的最小长度标准降至4 s是由于癫痫发作的不同寻常的短长度的模式。拒绝不寻常的短的长度后假阳性,系统产生了0.26每小时的平均错误检测率。

3.4。绩效评估

共计112.45小时iEEG数据集有56个癫痫发作被用于系统性能评估。56癫痫的分析,系统正确检测到54癫痫,而2癫痫发作被错过了。因此,整体灵敏度达到95.8%;错误检测率为0.26 /小时,平均检测延迟时间是15.8秒。

FSPEEG数据库的数据从病人10()从分析由于过度丢弃的电极运动构件的基础上,从FSPEEG获得的信息超出了多次测量,电极框断开连接和重新连接,如图5。

基于事件的敏感性报道百分比。癫痫发作是事件检测。列出了平均检测延迟秒。短的长度错误的检测也可以减少使用中值滤波或考虑空间标准。中值滤波的方法是尝试,但它已经错误地拒绝一些真正的短长度的异常检测。同时,它影响检测延迟。为了解决这个问题,我们利用后处理程序最小化无趣的虚假检测然后长度明显缩短平均发作持续时间为每个病人描述的后处理部分。整个研究的结果发表在表5。

4所示。讨论

4.1。与其他方法的性能比较

我们的方法取得了平均95.8%的敏感性为0.26 /小时假检出率。检测延迟达到平均15.8秒如表所示5。该算法被开发的一种无监督的方法。我们不包括没收自由发作数据由于没有涉及培训评估目的。我们使用的数据集是由“猝发的”数据文件从弗莱堡项目已发作至少50分钟preictal数据和postictal数据没有指定的持续时间。因此,每小时假检出率高一些比较其他方法在文献中,但合理的考虑到评估数据集。

到目前为止,已研制出许多算法用于癫痫和癫痫检测了不同程度的成功(2- - - - - -18]。这里,我们已经讨论了短暂的这些方法提供了一个与我们的方法比较的范围。在最近的一项研究中,Zhang et al。17癫痫发作)提出了一个自动构建方法检测使用一个新颖的基于非线性降维的增量学习计划。特性集提取使用连续小波变换(CWT) [17]。考虑计算时间和资源,离散小波变换的选择可能会更好。他们的方法是评估iEEG录音来自21个病人从弗莱堡获得项目和82年发作持续时间为193.8小时。他们有平均98.8%的敏感性为0.25 /小时有趣的误判率和平均中值检测延迟10.8 s。Aarabi et al。18]引入了模糊规则的系统对癫痫发作检测产生的敏感性98.7%和错误检测率0.27 /小时,检测延迟11年代。摘要不同阈值被用于不同的病人和后处理程序是用来减少错误的检测在两个步骤。第一个短的长度检测(少于5 s)和工件被否决。其次,两个连续的检测是统一的,因为他们是小于一个预定义的最小时间间隔(设置为30年代)18]。陈等人。6]提出了一种新颖的患者癫痫发作算法检测和准确的起始时间的决心。算法提取光谱和时间特性五个频段内的滑动窗口和特性包含或不包含一个窗户被归类为癫痫发作使用支持向量机(svm) [6]。支持向量机是一种流行的癫痫发作分类模式检测和预测被许多研究人员在这个领域。为了及时准确地定位癫痫发作,利用聚类方法和回归分析6]。因此,他们的算法获得精确检测及时报道五六个病人,至少90%的延迟小于3 s产生的中值检测延迟小于100 ms与标准差小于3 s (6]。然而,该方法利用user-adjustable参数允许优化实现高检测灵敏度、低误判率、低检测延迟。标准交叉验证性能措施导致敏感性和假阳性利率80%至98%的范围从0.12到2.8 /小时(6]。加德纳et al。5)提出了一个检测延迟时间是负的(−7.58 s)但是更高的假检出率1.56假检测每小时。他们的系统被评估的样本29猝发的41发作时期,取得了97.1%的敏感性(5]。Grewal编写和Gotman12)提出了一个自动预警系统具有灵敏度高、低误报率供临床使用。在本地记录所需的系统培训和测试数据集收益率报89.4%敏感性错误检测率为0.22每小时和平均检测与用户调优(17.1秒的延迟12]。

我们的系统的性能是非常类似的其他方法。不得超越其他所有的性能测量参数的方法。然而,少考虑数学复杂的设计和小数量的调优参数我们取得了类似的结果与其他方法和在某些情况下更好的性能在一个或两个性能测量参数。

4.2。使用模糊逻辑的动力和优势

背后的动机我们的模糊规则的方法是模糊逻辑使用自然语言使用更简单的基于规则的设计。临床神经学家主要看不同的癫痫发作的特征模式以及不同渠道正确识别癫痫发作。然而这是复杂的数学模型和计算机程序实现。另一方面模糊逻辑提供了一个简单的设计的近似推理可以模仿人类的推理效率。我们开发了以这样的方式来模拟专家的论证方法在检测癫痫发作的模式。此外,系统提供了一种降低检测延迟的可能性将更敏感的特性。

模糊逻辑已广泛应用于许多信号处理和模式识别应用程序(33,34]。模糊规则可以定义决策利用专家的知识,也更容易实现和模块化。增加规则的数量可以增加模型的精度。处理速度还可以明显改善减少了复杂的数学分析和建模。此外,模糊逻辑是一种有用的方法,非线性输入输出映射在癫痫检测或早期检测有效的应用程序。其他受欢迎的方法,如人工神经网络和支持向量机训练,需要复杂的数学分析和建模。在这项研究中,我们利用自适应模糊逻辑系统的版本和一个新颖的方法相结合的信息特性以及空间和时间域。比较性能的自适应模糊逻辑系统是在传统的基于阈值的方法和非适应模糊系统在表6。非适应模糊系统的隶属度函数是启发式的方式生成。自适应模糊系统明显优于其他方法通过展示更好的性能更好的敏感性和显著减少假阳性。

5。结论和未来的工作

在本文中,我们提出了一个健壮的方法,利用自适应模糊逻辑系统检测癫痫发作。考虑自动癫痫检测领域的重大进展,我们主要集中在设计一个癫痫发病检测系统为了研究早期警告病人或照顾者的可能性。我们还证明了模糊逻辑在早期检测的适用性或预测系统通过比较传统的硬阈值系统性能改进。自适应模糊系统的版本能够优化系统的一些参数在一个特定的方式。这是至关重要的考虑到品种繁多的癫痫发作类型以及刻板的进化和模式在一个特定的病人。

该算法是在MATLAB开发和测试离线。对于模糊c均值聚类,我们使用MATLAB函数fcm使用默认参数(U分区矩阵的指数:2.0和最大迭代次数:100)。整个系统利用iEEG以及空间信息的时间信息,因为有渠道之间的相互作用,从三个通道位于发作获得焦点。希望本研究的结果,自适应模糊算法可以提供一个健壮的方法设计一个早期发现或预测系统。减少对早期检测的检测延迟的可能性很大程度上取决于灵敏度检测preictal变化的特性。因此,系统的性能可以得到改善,通过融合特征选择技术或选择特性最早的电记录的脑电图的变化很敏感。

在未来的工作中,更多的分析将基于本研究的发现与大脑机制与iEEG发现。我们将调查研究中发现的一些特定模式以及研究数据从几个病人在发作活动强(患者1、2、13、18和21)。同时,我们将研究的数据模式过度的发作或大型振幅峰值有节奏的活动(患者8、10和18)。这些发现之前报告在文献[17)和可能的原因再检测延迟患者8 - 21所示。

假警报可以显著减少了考虑近期的事态发展在工件检测技术标准的基于阈值的方法。在目前的研究中,基于阈值的标准运动工件检测方法被用来避免计算复杂度。在未来的研究中,基于机器学习运动工件检测方法将被包括在内。最后,我们将尝试实现一个类似的方法与相关特性在癫痫发作的早期检测和最终目标预测的目标。

确认

作者要感谢弗莱堡大学医院的癫痫病治疗中心,德国做脑电图数据库可用。财政支持ND EPSCoR通过国家科学基金会批准号eps - 0814442。

引用

1. j . m .ρ和r . Sankar癫痫:机制、模型和转化的观点,CRC出版社,纽约,纽约,美国,2010年。
2. g·k . Bergey p . j . Franaszczuk, c . c . Jouny”早期癫痫检测:理论与应用”癫痫症:临床实践的科学基础,j . m .ρ,r . Sankar和j·e·卡瓦。,pp. 467–482, Marcel Dekker, New York, NY, USA, 2004.视图:谷歌学术搜索
3. k . k . Jerger t . i Netoff j·t·弗朗西斯et al .,“早期癫痫检测。”临床神经生理学杂志,18卷,不。3、259 - 268年,2001页。视图:谷歌学术搜索
4. 诉Srinivasan、c . Eswaran和n . Sriraam”近似entropy-based癫痫脑电图检测使用人工神经网络,”IEEE在生物医学信息技术,11卷,不。3、288 - 295年,2007页。视图:出版商的网站|谷歌学术搜索
5. a·b·加德纳a . m . Krieger g . Vachtsevanos和b . Litt”看到下面成了新奇检测癫痫颅内脑电图的分析,“机器学习研究杂志》上7卷,第1044 - 1025页,2006年。视图:谷歌学术搜索
6. e·h·f·t·a . m . Chan Sun河豚,和b . m . Wingeier”自动癫痫发作在颅内脑电图检测准确的起始时间的决心,“临床神经生理学,卷119,不。12日,第2696 - 2687页,2008年。视图:出版商的网站|谷歌学术搜索
7. j . Gotman”自动识别脑电图的癫痫发作,”脑电图与临床神经生理学,54卷,不。5,530 - 540年,1982页。视图:出版商的网站|谷歌学术搜索
8. a . m . Murro d . w .国王,j . r .史密斯,比比Gallagher h . f . Flanigin和k . tommeador一路“电脑癫痫检测的复杂部分发作,”脑电图与临床神经生理学,卷79,不。4、330 - 333年,1991页。视图:谷歌学术搜索
9. 瞿h . j . Gotman”长期癫痫发作预警系统监测,”神经学,45卷,不。12日,第2254 - 2250页,1995年。视图:谷歌学术搜索
10. 瞿h . j . Gotman”特定的算法检测长期脑电图监测:癫痫发作的可能使用报警装置,”IEEE生物医学工程,44卷,不。2、115 - 122年,1997页。视图:谷歌学术搜索
11. 奥索里奥,m·g·弗雷和s b·威尔金森“实时自动检测和定量分析癫痫临床发作和短期预测,“Epilepsia,39卷,不。6,615 - 627年,1998页。视图:出版商的网站|谷歌学术搜索
12. 美国Grewal编写和j . Gotman”自动预警系统颅内脑电图对癫痫发作记录,“临床神经生理学,卷116,不。10日,2460 - 2472年,2005页。视图:出版商的网站|谷歌学术搜索
13. h·埃德里,美国Ghosh-Dastidar和n . Dadmehr”wavelet-chaos方法分析脑电图和脑电图部分波段探测癫痫和癫痫,”IEEE生物医学工程,54卷,不。2、205 - 211年,2007页。视图:出版商的网站|谷歌学术搜索
14. 美国Ghosh-Dastidar、h·埃德里和n . Dadmehr“閒杂wavelet-chaos-neural网络检测方法对癫痫和癫痫发作,”IEEE生物医学工程,54卷,不。9日,第1551 - 1545页,2007年。视图:出版商的网站|谷歌学术搜索
15. a . Subasi”,应用自适应神经模糊推理系统对癫痫发作检测使用小波变换特征提取,”计算机在生物学和医学,37卷,不。2、227 - 244年,2007页。视图:出版商的网站|谷歌学术搜索
16. 美国Ghosh-Dastidar和h·埃德里”,一种新的监督学习算法对多个飙升神经网络与应用程序在癫痫和癫痫检测,”神经网络,22卷,不。10日,1419 - 1431年,2009页。视图:出版商的网站|谷歌学术搜索
17. g . y . Zhang徐,j . Wang和l .梁”自动患者癫痫发作在颅内脑电图检测方法基于增量非线性降维,”计算机在生物学和医学,40卷,不。11 - 12,889 - 899年,2010页。视图:出版商的网站|谷歌学术搜索
18. A . Aarabi r . Fazel-Rezai, y Aghakhani“模糊规则的系统对癫痫发作在颅内脑电图检测,”临床神经生理学,卷120,不。9日,第1657 - 1648页,2009年。视图:出版商的网站|谷歌学术搜索
19. f . Mormann r . g . Andrzejak c . e . Elger和k . Lehnertz“癫痫预测:漫长而曲折的道路。”大脑,卷130,不。2、314 - 333年,2007页。视图:出版商的网站|谷歌学术搜索
20. a . Aarabi r . Fazel-Rezai, y Aghakhani“脑电图癫痫预测:措施和挑战,”学报的国际会议在医学和生物学协会(IEEE工程EMBC ' 09),第1867 - 1864页,2009年。视图:出版商的网站|谷歌学术搜索
21. h . Feldwisch-Drentrup b . Schelter m . Jachan j . Nawrath j .蒂莫和a . Schulze-Bonhage”加入好处:癫痫发作预测方法,结合”Epilepsia,51卷,不。8,1598 - 1606年,2010页。视图:出版商的网站|谷歌学术搜索
22. r . Aschenbrenner-Scheibe t . Maiwald m . Winterhalder h·沃斯,j .蒂莫和a . Schulze-Bonhage”如何可以预测癫痫发作吗?一个非线性方法的评价。”大脑,卷126,不。12日,第2626 - 2616页,2003年。视图:出版商的网站|谷歌学术搜索
23. t . Maiwald m . Winterhalder r . Aschenbrenner-Scheibe h·沃斯,a . Schulze-Bonhage和j . Timmer”比较三种非线性癫痫预测方法的癫痫发作预测特点,“自然史D,卷194,不。3 - 4、357 - 368年,2004页。视图:出版商的网站|谷歌学术搜索
24. j·s·巴洛,”方法对非平稳的脑电图的分析,强调分割技术:比较评论,”临床神经生理学杂志,卷2,不。3、267 - 304年,1985页。视图:谷歌学术搜索
25. j . f . Clearbout地球物理数据处理的基础美国麦格劳-希尔,纽约,纽约,1976年。
26. r .问:Quiroga、h·加西亚和a . Rabinowicz频率进化tonic-clonic发作期间,“肌电图和临床神经生理学,42卷,不。6,323 - 331年,2002页。视图:谷歌学术搜索
27. r·亚达夫、r·阿加瓦尔和m .偶像”一种新颖的双阶段的分类器自动检测癫痫发作,”《IEEE 30年国际会议在医学和生物工程协会(磨床' 08)2008年8月,页911 - 914。视图:谷歌学术搜索
28. c·香农”通信的数学理论,贝尔系统技术杂志27卷,第423 - 379页,623 - 656年,1948年。视图:谷歌学术搜索
29. 美国平卡斯和a . m . l . Goldberger“生理时间序列分析:规律性量化什么?”美国Physiology-Heart和循环生理学杂志》上,卷266,不。4,H1643-H1656, 1994页。视图:谷歌学术搜索
30. 平卡斯,“近似熵(ApEn)作为一种复杂性措施,”混乱,5卷,不。1,第117 - 110页,1995。视图:出版商的网站|谷歌学术搜索
31. s·m·凯,现代谱估计理论和应用程序普伦蒂斯霍尔,上台北,美国,1988年。
32. j·p·伯格,最大熵谱分析斯坦福大学地球物理系,斯坦福,加州,美国,1975年。
33. 洛杉矶德,“模糊集”,信息和控制,8卷,不。3、338 - 353年,1965页。视图:谷歌学术搜索
34. l . h . Tsoukalas和r . e . Uhrigh模糊和神经的方法在工程约翰·威利& Sons,纽约,纽约,美国,1997年。
35. s . Medasani j·金,r . Krishnapuram”的概述隶属函数生成模式识别的技术,”国际期刊的近似推理,19卷,不。3 - 4、391 - 417年,1998页。视图:谷歌学术搜索
36. j . c . Bezdek c . Coray r·甘德森和j·沃森,“集群子结构的检测和表征:模糊c-lines,”暹罗在应用数学》杂志上,40卷,不。2、339 - 357年,1981页。视图:出版商的网站|谷歌学术搜索

版权

版权©2012艾哈迈德的法佐拉比和Reza Fazel-Rezai。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。