基于靜息態(tài)腦電的心因性非癲癇發(fā)作的識別算法研究.pdf

1、癲癇(epilepsy,EP),是一種慢性反復發(fā)作性短暫功能失調神經性疾病,其發(fā)作時會伴隨著神經元的異常放電。其主要的診斷依據是發(fā)作時腦電是否發(fā)生異常放電。心因性非癲癇發(fā)作(psychogenic nonepileptic seizures,PNES)的發(fā)作癥狀與癲癇發(fā)作時極為相似,只是不伴隨異常的腦電放電,視頻腦電圖(video-EEG, vEEG)結合患者及目擊者提供的病史,可作為PNES的診斷標準。即便如此,還是有很多PNES被誤

2、診為癲癇發(fā)作,導致延誤診斷時間和治療。已經建立的PNES早期診斷方法需要詳細的信息,而且這些信息的收集都非常耗時間。并且,在有些地方尚未開展vEEG,對于有些患者,也難以記錄其發(fā)作事件過程。如果能發(fā)展另外一種早期診斷PNES的方法,這對臨床醫(yī)生將是很有幫助的。
　　近些年,基于圖論的分析方法已經被廣泛用于對中樞神經系統的解剖和功能網絡研究。本文是從靜息態(tài)腦電的網絡拓撲結構層面去尋找PNES和癲癇之間的網絡變化,從而提取它們之間有差

3、異的特征來對其進行識別。
　　本文主要完成的內容及研究結果如下:
　　1.采用了圖論分析方法對PNES、癲癇和正常組的網絡屬性進行統計分析,統計結果表明,PNES和癲癇患者的網絡屬性與正常組相比發(fā)生了顯著性變化,但PNES組和癲癇組之間并未發(fā)現顯著性變化,從而PNES和癲癇之間基于網絡屬性的分類精度很低。
　　2.在功能連接網絡的基礎上采用空間模式網絡方法來提取網絡的空間拓撲結構信息作為PNES與癲癇的識別特征,該方法

4、的結果顯示,PNES和局灶性癲癇的最高分類性能為:準確率92.00％,敏感性100.00％,特異性80.00％。
　　3.分別將上述分析過程設計成了兩個基于Matlab實現的GUI(Graphical User Interface,圖形用戶界面)模塊:網絡特征提取模塊(包括網絡屬性特征提取和空間模式網絡特征提取)和特征分類模塊。
　　本文研究發(fā)現,PNES和癲癇之間的功能網絡拓撲結構存在著顯著性差異,可是網絡屬性統計分析卻并