癫痫检测算法
癫痫发作检测算法通过对皮层脑电图（ECoG/iEEG）或多通道神经信号进行实时分析，识别发作期（ictal）与间歇期（interictal）的电生理特征差异。高灵敏度（>90%）和低误报率（<0.5 次/小时）是植入式检测系统的核心要求。
检测框架
多通道神经信号 → 预处理 → 特征提取 → 分类决策 → 发作标记
├── 滤波 ├── 时域特征
├── 降噪 ├── 频域特征
└── 伪迹去除 └── 压缩域特征
特征提取方法
时域特征
| 特征 | 描述 | 计算复杂度 |
|---|
| 信号能量 | 短时窗口的均方幅值 | 低 |
| 过零率 (ZCR) | 信号穿越零点的频率 | 极低 |
| 线长 (Line Length) | 波形的绝对幅值变化之和 | 低 |
| Hjorth 参数 | 活动度、移动度、复杂度 | 中 |
频域特征
| 特征 | 描述 | 计算复杂度 |
|---|
| 带通功率 | δ/θ/α/β/γ 节律带功率 | 中 |
| 谱边缘频率 (SEF) | 功率谱的累积分布百分位 | 中 |
| 谱熵 | 功率谱均匀性度量 | 中 |
| 时频分布 | 短时傅里叶/小波时频谱 | 高 |
压缩域特征
- 在压缩感知域直接提取统计特征（如能量、带通功率）
- 避免完整信号重建，大幅降低计算和数据传输功耗
- 适用于植入式系统（如 Shoaran 2016 方案）
分类器
线性判别分析 (LDA)
- 将高维特征投影到一维判别轴
- 决策边界：wTx+b≷0
- 优点：计算简单，适合硬件实现
- 局限：特征需近似高斯分布
支持向量机 (SVM)
- 寻找最大间隔超平面
- 核函数可处理非线性决策边界
- 训练离线，分类在线的计算复杂度 O(#support vectors)
- 相比 LDA 精度更高，但硬件开销更大
其他分类器
- 阈值法：对单一特征（如能量）设定阈值，最简单
- 神经网络：精度高，功耗受限于乘累加运算
- 集成学习：多分类器投票提升鲁棒性
评估指标
| 指标 | 定义 | 植入式系统要求 |
|---|
| 灵敏度 (Sensitivity) | TP / (TP + FN) | > 90% |
| 特异性 (Specificity) | TN / (TN + FP) | > 95% |
| 误报率 (FAR) | 每小时的误报次数 | < 0.5 /小时 |
| 检测延迟 | 发作开始到检测的时间 | < 5 s |
相关页面