【文献摘录】癫痫与脑电图特点
主要把看到的内容进行了整理,链接已在中间附上。
文章目录
- 1 - 癫痫的概念
- 2 - 癫痫的脑电图检测手段
- 2.1 - 脑电图(EEG)
- 2.1.1 - EEG的概念
- 2.1.2 - EEG的采集
- 2.1.3 - EEG按照频率分类
- Alpha波
- Beta波
- Theta波
- Delta波
- Gamma波
- Mu波
- 2.2 - 癫痫的EEG特点
- 2.3 - 癫痫数据集举例
1 - 癫痫的概念
癫痫(Epilepsy)是已知或未知病因引起,由脑部大量神经元反复发作的异常同步放电引起的短暂性脑功能异常的一组临床综合征。可以表现为感觉、运动、意识、精神、行为、资助神经功能障碍或兼而有之。
图1:儿童失神性癫痫患者的脑电波释放出的3赫兹棘徐波
癫痫的维基百科
详细的见【2018 Nature】Review Disease Primers - Epilepsy 【文献翻译】
2 - 癫痫的脑电图检测手段
2.1 - 脑电图(EEG)
2.1.1 - EEG的概念
脑电图 (Electroenc ephalo gram, EEG) 是放置于头皮特定位置的电极采集获得的大脑内同步神经元活动产生的微伏级电信号。 EEG 作为最常用、最经济的非侵入式脑电波检测手段, 已有 70 余年的研究历史, 是癫痫相关疾病诊断最有效的方法,例如对癫痫发病进行识别、预测和病灶定位等。
脑电图是临床医学常用的采集脑电信号的手段。即通过使用精密的电子仪器,从头皮上将大脑自发产生的生物电流加以放大所产生的波形。现代医学中常常使用电极记录下大脑皮层中神经元细胞群自发性、规律性的放电活动。脑电图的采集通常分为两种情况,侵入大脑式和非侵入大脑式。针对侵入大脑式的癫病信号采集,在临床上往往要通过开颅手术,将电极置入人脑中从而获取脑电信号。这里侵入式又分为在皮层出提取和放置深部获取脑电两种方式。侵入式的方法获取到的脑电信号往往信噪比高并且空间分辨度较高,但是开颅手术对于患者的风险极大,检测成本相对高昂,也极其容易对患者造成二次伤害。所以在临床医学上,为了节约成本和控制风险的角度考虑,常常使用非侵入的方式对癫病脑电信号进行采集,并且在研究中大部分的脑电识别任务都是以非侵入的方式进行采集。
2.1.2 - EEG的采集
2012年国际脑电图学会正式采用了相关采集脑电图标准电极放置法:10-20系统电极放置法,10-20国际标准导联系统就此诞生。10-20系统表达了电极位置与大脑皮层之间的位置关系。数字“10”和“20”分别表示:相邻电极之间的距离为头骨相对位置10%或20%的距离,在每一个电极放置点有一个字母用于表示大脑区域叶片,还有一个字母表示半球位置。具体点位如下图2.3所示。
现如今10-20国际标准导联系统被广泛应用于癫病识别、神经病患确诊以及脑部肿瘤等方面。可以准确的获得其发病前、发病中、发病之后的脑电图波形,对学者专家研究脑部疾病具有相当重大的意义。
2.1.3 - EEG按照频率分类
脑电信号是一种时变的非平稳信号。背景噪声强、是极其微小的电活动,信号幅度微弱,幅度为5μV左右,最大为100μV, EEG的本质是波形图,所以拥有与普通波形图同样的参数,即波形、幅度和频率。依据频率可以推测大脑的活动程度,对于我们研究脑部疾病包括癫病有着很重要的意义。
科普 | 脑电波入门 脑电与睡眠/数据分析/人机交互应用/读心术?操控意识?
根据频率的不同,EEG可分为:
Alpha波
Beta波
Theta波
Delta波
Gamma波
Mu波
脑电图如何看,在临床上有哪些运用?
2.2 - 癫痫的EEG特点
癫病是一种常见的大脑神经元之间异常放电形成的一种现象,相对于前一节的脑电信号,癫病信号波形特征较为不正常,并且脑电信号中较为不常见的占波会频繁出现。通过脑电图我们可以记录和分析癫病患者在癫病发作期间产生的EEG中癫病信号的相对特征。
- 在发作间期,脑电信号为瞬变波形,表现为尖波或棘波,
- 癫病发作的脑电信号是连续的,具有尖波和棘波的复合波形。
发作间期癫病样放电及单侧周期性癫病样放电对诊断有明确价值。棘波、尖波主要用于确诊是否患有癫病疾病,棘慢波,尖慢波通常用来判断癫病是否发生。所以对癫病脑电信号的特征进行了解和分析,对癫病脑电信号的检测和识别具有重要意义。
癫病信号的波型特征如下:
- 棘波:是一种在癫病患者脑电图中最为常见的一种波形。相对于正常的脑电波形,棘波具有突发性较强、特征显著、幅度变化较快且较大等特点。其波形表现为突发的产生幅度跳动,一般的波形幅度在10μV之上。
- 尖波:在癫病患者的脑电图中出现的频率仅次于棘波,其EEG波形特点为幅度突发上升,并且在幅度下降时较为缓慢。由于此特点,在EEG上通常会表现为三角形形态,在癫病发作期间尖波产生的频率较高。其波形的幅度通常在100-200μV之间,有的甚至大于300μV,波形的周期在80-200ms之间;
- 棘一慢复合波:在癫病病患的EEG中体现为棘波和慢波叠加形成的复合波。 由于其叠加的慢波基础,其波形周期较长,约为200-500ms,同时叠加的棘波特征也存在于棘一慢复合波中,其幅度往往和棘波类似,一般幅度在150-300μV之间,有的棘一慢复合波的幅度则会高达500μV;
- 尖一慢复合波:在癫病病患EEG中,存在于尖波之后。尖一慢复合波的波形基本无规律,时域上只有在慢波后出现这一个特征,其产生的区域往往在大脑皮层的额叶区域。
癫痫患者并不是只有在发作的时候才会放电,实际上在平时的时候也会出现一些异常的放电,一般不至于会引起一些发作,但是这种放电会逐渐的增长,积累达到一定的程度后会引起癫痫的发作,就算是癫痫患者没有发作的时候,脑电图也是有作用的,也是能完全地查出这种疾病的。
尖波和棘波的区别
癫痫各种脑电图解答
2.3 - 癫痫数据集举例
以下五幅图分别为SetE(发作期)、SetA(睁眼)、SetB(闭眼)、SetC(发作间期)、SetD(发作间期)
还有啥想到再补充
参考:基于卷积神经网络的癫痫信号检测方法研究
【文献摘录】癫痫与脑电图特点相关推荐
- 【文献摘录】FaceRevelio: A Face Liveness Detection System forSmartphones with a Single Front Camera
研究英语把上次看的文献写的报告翻成英文,当文摘吧 目录 Abstract Introduction BACKGROUND FACEREVELIO SYSTEM DESIGN Light Passcod ...
- 007利用癫痫脑电图数据检测癫痫发作和特征频率的深度卷积神经网络方法-2021
A Deep Convolutional Neural Network Method to Detect Seizures and Characteristic Frequencies Using E ...
- 【文献翻译】Evaluating five different adaptive decomposition methods for EEG signal seizure detection
五种不同的自适应分解方法在脑电信号癫痫检测和分类中的应用 文章目录 摘要 1 引言 2 - 方法 2.1 数据集 2.1.1. 波恩大学(UOB)数据集 2.1.2. 新德里神经病学和睡眠中心(NSC ...
- 014基于深度学习的脑电癫痫自动检测系统-2018(300引用)
An automated system for epilepsy detection using EEG brain signals based on deep learning approach ...
- 006基于近似熵、递归量化分析和卷积神经网络的癫痫发作自动检测-2019
Automatic Detection of Epileptic Seizure Based on Approximate Entropy, Recurrence Quantification Ana ...
- EpilepsyGAN:具有隐私保护的合成癫痫脑活动-2021(同26)
EpilepsyGAN: Synthetic Epileptic Brain Activities with Privacy Preservation Abstract 癫痫是一种慢性神经系统疾病,影 ...
- 005基于Hilbert振动分解的神经网络癫痫发作预测-2020
Hilbert Vibration Decomposition-based epileptic seizure prediction with neural network A B S T R A C ...
- 002基于小波的多类癫痫类型分类系统-2021
WAVELET-BASED MULTI-CLASS SEIZURE TYPE CLASSIFICATION SYSTEM ABSTRACT 癫痫是最常见的脑部疾病之一,影响着全球1%以上的人口.它的特 ...
- 文献综述写作之“结构内容”
综述: 又称文献综述,英文名为review.它是利用已发表的文献资料为原始素材撰写的,通过对已发表材料的组织.综合和评价,以及对当前研究进展的考察来澄清问题.在某种意义上,综述论文具有一定的指导性,包 ...
最新文章
- Python 中的魔术方法(双下划线开头和结尾的方法)
- 解读《这就是 OKR》 | OKR 的四大价值
- SAP RETAIL 通过自动补货功能触发采购申请
- mysql 调用webservice_C#调用Webservice的代码实现方式汇总
- DataGridView 判断新增行:
- Python函数定义和函数调用
- 复习1 - String,StringBuilder,StringBuffer的执行效率区别
- Replication的犄角旮旯(三)--聊聊@bitmap
- 技术应用丨DWS 空间释放(vacuum full) 最佳实践
- Android 系统(179)--- .ko 加载失败
- Android使用SeekBar
- 侯捷推荐的C++书单
- YII with()
- 如何选择适合自己的 Linux 发行版
- [刘润五分钟商学院]-----工具类
- scratch五彩缤纷多瓣花 电子学会图形化编程scratch等级考试二级真题和答案解析2021-6
- Swift5实现ios后台播放语音,腾讯音视频通话后台播放来电铃声
- RAID5阵列硬盘离线怎么恢复
- 淘宝双11大数据分析(数据准备篇)
- 中国移动号码手机开机以及注册gprs流程
热门文章
- 在Linux系统中运行C语言程序
- java手机游戏星际争霸_java Swing实现的星际争霸游戏源码
- matlab仿真实验报告,Matlab SIMULINK仿真实验报告.doc
- url短网址 java_url.cn短网址生成api接口(腾讯短链接url生成)
- 中小型运维团队如何设计运维自动化平台
- android定义颜色数组,android – 我如何保存在array.xml中的颜色,并让它回到Color []数组...
- 16 最小二乘法 - 数据分析的瑞士军刀
- vue下载文件并重命名
- 安卓报错:E/EGL_adreno: tid 2148: eglSurfaceAttrib(1338): error 0x3009 (EGL_BAD_MATCH)
- python求对数_python中取对数