[发明专利]一种基于滑动网络信息增益的癫痫发作预测方法

说明书

本发明公开了一种基于滑动网络信息增益的癫痫发作预测方法，包括以下步骤：S1、对原始脑电波数据进行预处理；S2、基于KNN原理构建癫痫脑信号的各电极局部网络；S3、计算样本间的平均累计信息增益；S4、基于MNIG得分量化参考样本和病例样本的差异。本发明采用上述的一种基于滑动网络信息增益的癫痫发作预测方法，具有良好的可推广性，在准确率、灵敏度方面具有先进性。

技术领域

本发明涉及癫痫病发作预测技术领域，尤其是涉及一种基于滑动网络信息增益的癫痫发作预测方法。

背景技术

癫痫已成为神经内科中继头痛之后的第二大常见疾病，具有突发性、复发性和难治性的特点。据统计，全球约有7000多万癫痫患者，而且每年都在增加。虽然有些患者的病情可以通过药物或手术来控制，但仍有约三分之一的顽固性癫痫患者不能得到有效的治疗。当大脑神经元的一部分突然异常放电会导致短暂的功能障碍，患者会出现意识丧失，自主惊厥、精神异常，如果这次是在一个相对危险的环境中，可能造成二次损伤，严重威胁患者的生命和健康，患者的家庭和社会的沉重负担。因此，如果可以提前预测癫痫发作，患者就可以及时进行药物干预或应用电刺激治疗，以防止患者遭受伤害。

有效地预测癫痫发作可以预防患者遭受痛苦，这在癫痫治疗领域具有重要意义。癫痫发作预测是一个热门的研究课题，可以追溯到20世纪70年代。第一项癫痫预测的研究是Viglione和Walsh，他们在1975年试图通过研究5例癫痫患者发作期和发作前期的脑电图记录来进行癫痫发作预测。此后，对癫痫发作预测的研究越来越多，人们通过不断创新创造了许多有效的方法。发作前期是预测癫痫发作的关键时期，研究表明发作前期脑电图信号与发作间期和发作期信号之间存在较大差异，因此，可以根据发作前期脑电图信号的变化来预测癫痫发作。

虽然近几十年研究学者所提出的方法可以取得较为理想的准确率，但是技术仍不够成熟，还没有开发出能够应用到临床的有效技术，而且大多数传统的方法都是从脑电波数据的单通道中提取信息，忽略了脑电波信号本身在多个头皮电极中所固有的脑电图结构信息

发明内容

本发明的目的是提供一种基于滑动网络信息增益的癫痫发作预测方法，具有良好的可推广性，在准确率、灵敏度方面具有先进性。

为实现上述目的，本发明提供了一种基于滑动网络信息增益的癫痫发作预测方法，包括以下步骤：

S1、对原始脑电波数据进行预处理；

S2、基于KNN原理构建癫痫脑信号的各电极局部网络；

S3、计算样本间的平均累计信息增益；

S4、基于MNIG得分量化参考样本和病例样本的差异。

优选的，步骤S1中，对原始脑电波数据的预处理具体为：

S11、对原始脑电波数据用Matlab的工具包EEGLAB进行过滤，排除57-63Hz和117-123Hz频率范围内的分量，并将直流电组件删除，得到过滤后的脑电波数据；

S12、对过滤后脑电波数据采用Z-score标准方法进行归一化。

优选的，步骤S2中，基于KNN原理构建癫痫脑信号的各电极局部网络，具体包括：

S21、计算两两电极之间的欧氏距离，对于个体的脑电波数据，脑电信号表征矩阵X包括t行/时间和n列/通道，其中矩阵的第g列为第g个脑电通道的脑电信号，矩阵的第z列表示第z个脑电通道的脑电信号，基于欧式距离将表征矩阵X转换为关联矩阵，那么对于时间长度为t的脑电波数据，第g个脑电通道和第z个脑电通道欧氏距离如下：

其中，g_s为第g个通道下时刻s的脑电波数据；z_s为第z个通道下的时刻s的脑电波数据，其中，s＝1,…,t；