癫痫脑电的互信息和同步性分析

计算机工程与应用 ›› 2013, Vol. 49 ›› Issue (6): 19-22.

癫痫脑电的互信息和同步性分析

李红利1，2，王江1，邓斌1，魏熙乐1

1.天津大学电气与自动化工程学院，天津 300072
2.天津工业大学电气工程与自动化学院，天津 300387

出版日期:2013-03-15 发布日期:2013-03-14

Analysis of mutual information and synchronism for epileptic EEG signals

LI Hongli1，2, WANG Jiang1, DENG Bin1, WEI Xile1

1.School of Electrical Engineering and Automation, Tianjin University, Tianjin 300072, China
2.School of Electrical Engineering and Automation, Tianjin Polytechic University, Tianjin 300387, China

Online:2013-03-15 Published:2013-03-14

摘要/Abstract

摘要： 脑电（EEG）分析是研究癫痫的一个重要手段。以临床采集的健康对象和癫痫患者的头皮EEG为研究对象，计算不同导联EEG数据之间的排序互信息，结果表明癫痫患者不同导联之间的互信息明显高于健康对象，因此，排序互信息可以作为癫痫疾病诊断的重要特征。以排序互信息为依据，对癫痫脑电进行了同步性的分析，结果表明癫痫患者左脑区域内、右脑区域内及左右脑区之间的信息交流明显增强，即其同步性强于健康对象。互信息和同步性的分析方法还可对癫痫发作前期和发作阶段的EEG进行分析，对癫痫发作作出预测。

关键词: 癫痫, 脑电图, 递归图, 互信息, 同步性, 相空间重构

Abstract: Analysis of electroencephalography（EEG） is an important approach for epilepsy study. Scalp EEG data collected clinical is used as object of study. Permutation mutual information between different electrodes is computed. The results show mutual information of epileptic patients is obviously higher than that of healthy objects. So permutation mutual information can be used as an important feature for epilepsy diagnosis. Synchronism analysis is conducted on EEG based on permutation mutual information. The results show the exchange of information in left brain region, right region and left-right region of epilepsy patients is obviously more than that of healthy objects. That is the synchronism of epilepsy patients is obviously enhanced. Mutual information and synchronism analysis can also be used to analyze EEG before a seizure and that during a seizure to predict epileptic seizure.

Key words: epilepsy, electroencephalography（EEG）, recurrence plot, mutual information, synchronism, phase space reconstruction

李红利1，2，王江1，邓斌1，魏熙乐1. 癫痫脑电的互信息和同步性分析[J]. 计算机工程与应用, 2013, 49(6): 19-22.

LI Hongli1，2, WANG Jiang1, DENG Bin1, WEI Xile1. Analysis of mutual information and synchronism for epileptic EEG signals[J]. Computer Engineering and Applications, 2013, 49(6): 19-22.

[1]	李俊丽. Spark平台下类别数据互信息计算的并行化[J]. 计算机工程与应用, 2021, 57(7): 95-100.
[2]	王方，张雪英，胡风云，李凤莲. 集成分类器对脑卒中患者脑电的分类[J]. 计算机工程与应用, 2021, 57(24): 276-282.
[3]	李珑珠，林耀进，吕彦，卢舜，王晨曦. 利用邻域信息交互的在线流特征选择算法[J]. 计算机工程与应用, 2021, 57(21): 102-108.
[4]	邱云飞，高华聪. 混合Filter与改进自适应GA的特征选择方法[J]. 计算机工程与应用, 2021, 57(11): 95-102.
[5]	颜建军，陈松晔，燕海霞，王忆勤，郭睿. 基于递归图和卷积神经网络的脉象分析识别[J]. 计算机工程与应用, 2020, 56(7): 170-175.
[6]	陈建促，王越，朱小飞，李章宇，林志航. 融合多特征图的野生动物视频目标检测方法[J]. 计算机工程与应用, 2020, 56(7): 221-227.
[7]	谢心蕊，雷秀仁，赵岩. MI和改进PCA的降维算法在股价预测中的应用[J]. 计算机工程与应用, 2020, 56(21): 139-144.
[8]	曾安，王烈基，潘丹，黄殷. 基于FCN和互信息的医学图像配准技术研究[J]. 计算机工程与应用, 2020, 56(18): 202-208.
[9]	刘永芳，郝晓燕，刘荣. 中国英语新词语料库构建技术研究[J]. 计算机工程与应用, 2020, 56(16): 165-168.
[10]	姚蓉1，杨雄1，杨鹏飞1，阴桂梅1，2，李海芳1. 精分EEG脑网络同步稳定性研究[J]. 计算机工程与应用, 2019, 55(5): 60-64.
[11]	王灿，李凤莲，胡风云，张雪英，贾文辉. 面向特征融合的脑卒中脑电信号分类方法[J]. 计算机工程与应用, 2019, 55(24): 154-158.
[12]	张晓琴，刘莉楠. 基于亲密度和吸引力的二分网络社区发现算法[J]. 计算机工程与应用, 2019, 55(23): 170-176.
[13]	肖文卿1,3，汪鸿浩2，詹长安1. 基于小波系数特征融合的小鼠癫痫脑电分类[J]. 计算机工程与应用, 2019, 55(14): 155-161.
[14]	陈墨，郭雷. 多媒体情感标签标注中音频信号重要性分析[J]. 计算机工程与应用, 2018, 54(9): 1-4.
[15]	高原1，冯筠2，杨婉妮2. 混沌递归分析在黄金市场风险识别中的应用[J]. 计算机工程与应用, 2018, 54(6): 228-233.