專利名稱：實(shí)時(shí)自動(dòng)檢測(cè)癲癇特征波的方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種實(shí)時(shí)自動(dòng)檢測(cè)癩癇發(fā)作的方法,特別涉及一種大腦癲癇棘波的檢測(cè) 方法。
背景技術(shù)：
腦電圖是診斷癩癇最為重要的輔助檢査手段，可以幫助醫(yī)生確定病人的發(fā)作是不是 癲癇，尤其對(duì)那些不典型發(fā)作或相似發(fā)作的疾病，可以幫助鑒別診斷。臨床上許多疾病， 如呼吸暫停、運(yùn)動(dòng)障礙、暈厥、心律失常、睡眠障礙、偏頭痛及各種神經(jīng)癥狀，有時(shí)極 象癲癇發(fā)作，憑借腦電圖檢查，我們往往可以作出準(zhǔn)確的診斷。臨床上有典型癲癇發(fā)作 的患者，大部分可以在腦電圖檢査中發(fā)現(xiàn)癲癇樣特征波。癲癇樣特征波主要有以下幾種-棘波(或尖波)、棘(或尖)慢復(fù)合波、以及多棘波群等。因此，癲癇腦電的檢測(cè)，主要是 腦電信號(hào)中棘波的檢測(cè)。從60年代起，癲癇腦電的自動(dòng)檢測(cè)技術(shù)就受到了注意，許多人 在這一領(lǐng)域做了大量的工作，提出了多種檢測(cè)方法。當(dāng)前棘波檢測(cè)算法主要分為五種 第一種是利用經(jīng)典的信號(hào)處理技術(shù)，通過(guò)非線性濾波器對(duì)腦電信號(hào)進(jìn)行預(yù)測(cè)，將預(yù)測(cè)結(jié) 果與輸入信號(hào)作比較，若兩者之差較大，即為癲癇特征波。其優(yōu)點(diǎn)是對(duì)高斯噪聲有較好 的抑制，缺點(diǎn)是當(dāng)信號(hào)中存在偽差(如眼動(dòng)，心電信號(hào)，肌電信號(hào)等)時(shí)，誤檢率比較嚴(yán) 重，如果腦電信號(hào)特性隨時(shí)間改變而濾波器參數(shù)保持不變，則濾波器的性能會(huì)受到影響。 第二種是腦電信號(hào)與由癲癇波形構(gòu)成的模板集合計(jì)算互相關(guān)函數(shù)，超過(guò)閾值即為癲癇特 征波。其缺點(diǎn)是由于癩癇波形的復(fù)雜性，定義一個(gè)適合普遍病例的模板集合比較困難， 而且，為了在誤檢率和漏檢率之間找到折衷的方法，對(duì)閾值的設(shè)置也是很困難的。第三種是將腦電信號(hào)分解成"半波"(兩個(gè)相鄰幅度極值之間的部分)，提取相對(duì)于背景活動(dòng) 的特征參數(shù)，將這些特征參數(shù)與所設(shè)定的閾值比較，超過(guò)閾值的視為棘波。其特點(diǎn)是直 觀，較之前兩種方法效果好，但棘波定義的模糊性及偽差波形的不規(guī)則性，給棘波的特 征提取和判別帶來(lái)較大的困難。第四種是利用小波變換直接計(jì)算腦電信號(hào)的時(shí)頻特征獲 得腦電圖中的銳變點(diǎn)，即棘波。將小波變換技術(shù)應(yīng)用于棘波檢測(cè)的主要問(wèn)題是母小波的 選擇， 一般選取形狀近似于棘波的母小波效果較好。第五種是通過(guò)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練來(lái) 進(jìn)行檢測(cè)。比如CN99124210.6專利就是應(yīng)用了神經(jīng)網(wǎng)絡(luò)，該方法需要訓(xùn)練數(shù)據(jù)來(lái)獲取知 識(shí)，將"學(xué)到"的只是蘊(yùn)含在各神經(jīng)元與權(quán)值中，好像人腦的學(xué)習(xí)過(guò)程。因此需要大量的 樣本，算法復(fù)雜和工作量大，同時(shí)不能很好的適應(yīng)不同的對(duì)象。請(qǐng)參考《基于腦電信號(hào) 分析的癲癇特征檢測(cè)方法及研究進(jìn)展》(生物醫(yī)學(xué)工程學(xué)雜志，22(3): 606-609， 2005)。腦電圖中癲癇波形的實(shí)時(shí)自動(dòng)檢測(cè)是臨床上很有意義的工作。然而，自動(dòng)檢測(cè)這種 癲癇樣瞬態(tài)特征卻非常困難，自動(dòng)檢測(cè)的困難在于第一，所謂的特征波形并沒(méi)有一個(gè) 明確的標(biāo)準(zhǔn)，癲癇樣特征波形與正常腦電之間的差別基本上是相對(duì)的、模糊的；第二， 腦電信號(hào)是一個(gè)非線性時(shí)變信號(hào)。事實(shí)上，無(wú)論是從時(shí)域還是頻域上都很難嚴(yán)格定義一 個(gè)棘波。因此，不論是基于腦電波形分析的時(shí)域自動(dòng)檢測(cè)方法還是利用參數(shù)模型的頻域 自動(dòng)檢測(cè)方法，實(shí)際應(yīng)用都存在不可避免的困難。發(fā)明內(nèi)容本發(fā)明針對(duì)現(xiàn)有技術(shù)的不足，提供了一種利用經(jīng)驗(yàn)?zāi)B(tài)分解、希爾伯特變換和平滑 的非線性能量算子等來(lái)實(shí)時(shí)自動(dòng)檢測(cè)癱癇發(fā)作的方法。本發(fā)明自動(dòng)檢測(cè)病人腦電圖癩癇特征波的方法要求實(shí)時(shí)性，為此首先采用移動(dòng)窗口技術(shù)對(duì)信號(hào)進(jìn)行分段，接著用如下方法進(jìn)行檢測(cè)(1)采用經(jīng)驗(yàn)?zāi)B(tài)分解將原始腦電信 號(hào)分解為一系列的固有模態(tài)函數(shù)(IMF); (2)計(jì)算固有模態(tài)函數(shù)(MF)的信噪比，挑選出 高信噪比的固有模態(tài)函數(shù)(IMF),對(duì)其采用自動(dòng)小波去噪方法進(jìn)行預(yù)處理；(3)采用希 爾伯特變換計(jì)算每個(gè)固有模態(tài)函數(shù)的暫態(tài)能量并求和得到暫態(tài)總能量S; (4)對(duì)暫態(tài)總能量S應(yīng)用平滑的非線性能量算子來(lái)檢測(cè)棘波。結(jié)果表明這種方法具有較髙的精確性， 能夠有效的檢測(cè)癲癇棘波。本發(fā)明在臨床上主要應(yīng)用于兩個(gè)方面 一方面是對(duì)長(zhǎng)期腦電信號(hào)的實(shí)時(shí)監(jiān)視，其作用是減少待分析的數(shù)據(jù)量和腦電信號(hào)分析者的工作量，目的是檢測(cè)出可能是棘波的腦 電信號(hào)片段，盡可能減少誤檢率，然后由腦電信號(hào)專家對(duì)提取出的腦電數(shù)據(jù)段進(jìn)行復(fù)査，作進(jìn)一步證實(shí)；另一方面是對(duì)日常臨床數(shù)據(jù)的檢測(cè)，其目的是減少視覺(jué)檢査的過(guò) 程，即在檢測(cè)出棘波的同時(shí)，保證誤檢率為零。所述的經(jīng)驗(yàn)?zāi)B(tài)分解采取經(jīng)驗(yàn)篩法將腦電信號(hào)x(r)分解成固有模態(tài)函數(shù)，表示成其中，W—般為有限整數(shù)， W稱為殘余函數(shù)，它代表整個(gè)信號(hào)的平均趨勢(shì)。 所述的信噪比計(jì)算采取以下的方法濾除第一個(gè)MF和最后的殘余函數(shù) 《)，再計(jì)算其余每個(gè)IMF傅立葉變換后的幅值譜和信噪比雄,.-謹(jǐn)(4)./J^所述的自動(dòng)小波去噪預(yù)處理采取以下的方法對(duì)選中的高信噪比的IMF進(jìn)行多級(jí)小波分解，計(jì)算多級(jí)小波分解系數(shù)；接著對(duì)多 級(jí)細(xì)節(jié)部分的小波系數(shù)選取合適的閾值，高于閾值的保留，最后使用初始的近似部分 小波系數(shù)和經(jīng)過(guò)處理后的細(xì)節(jié)部分小波系數(shù)重構(gòu)信號(hào)。所述的希爾伯特變換及暫態(tài)總能量的計(jì)算采取以下的方法對(duì)于給定函數(shù);c(O ,其希爾伯特(Hilbert)變換可以定義為函數(shù)x(O與1/W的巻積//[x(o]-丄/ .v.r^i^" 一 T式中，p.v.——積分的主值。那么這樣就得到預(yù)處理后的各固有模態(tài)函數(shù)/Atf;(0的解析信號(hào)，可表示為W) = /M柳+諷/Af柳]=a,(《)e順)其中& ") = ^/闊2(0 + //2[闊(0]《(,)=arctan "=，顯然，a,.(0和《(0分別表示解析信號(hào)z,.(Z)的瞬時(shí)包絡(luò)和相位。每個(gè)固有模態(tài)函數(shù)/M《(f) 的暫態(tài)能量為h(《，那么總的固有模態(tài)函數(shù)的暫態(tài)能量為柳=5>,.")12.所述的平滑的非線性能量算子采取以下的方法對(duì)腦電信號(hào)鄧)=《(f) + ^(0， S(f)和&(0分別表示肯景腦電信號(hào)和棘波，且二者 互不相關(guān)，那么腦電信號(hào)S(O的非線性能量算子為甲[鄧)-甲^(0l+T[&(/)1其中五W表示數(shù)學(xué)期望，A(^)表示自相關(guān)函數(shù)，《51和/^2分別表示背景腦電信號(hào)和棘 波信號(hào)高頻帶能量與整個(gè)頻帶能量的比值，其中能量的計(jì)算采用各信號(hào)的Wigner分布 得到。當(dāng)棘波存在時(shí)，上式的第二項(xiàng)較大，因?yàn)榧ū缺尘澳X電信號(hào)含有更多的暫態(tài)能量 &2(^)和暫態(tài)高頻信息/^2(0。然而眾所周知，時(shí)間序列的Wigner分布會(huì)產(chǎn)生交叉項(xiàng) 和負(fù)頻率，因此采用平滑的非線性能量算子，即用一個(gè)時(shí)域窗和非線性能量算子做巻積 運(yùn)算對(duì)改進(jìn)的平滑的非線性能量算子運(yùn)用這個(gè)非負(fù)的能量系數(shù)得到￡{ 皿。[5 ]}，就能解決 上述問(wèn)題，設(shè)置一個(gè)合理的閥值就可以去檢測(cè)棘波是否存在。本發(fā)明與現(xiàn)有技術(shù)相比有益的效果是:本發(fā)明采用的時(shí)頻分析方法是經(jīng)驗(yàn)?zāi)B(tài)分解 ——希爾伯特變換，該方法能夠準(zhǔn)確的獲得腦電信號(hào)在時(shí)域和頻域的信息，為能量的 提取作準(zhǔn)備；由本發(fā)明獲得的腦電信號(hào)的非線性能量系數(shù)，實(shí)現(xiàn)了對(duì)癲癇發(fā)作特征棘 波的實(shí)時(shí)自動(dòng)檢測(cè)，能夠?qū)崟r(shí)反映所測(cè)腦電信號(hào)的非線性特性變化，從而自動(dòng)地檢測(cè) 出腦電癲癇棘波，克服了人工觀察復(fù)雜而耗時(shí)且需要使用額外的經(jīng)驗(yàn)判據(jù)的缺陷，并 且極大地提高了癲癇發(fā)作檢測(cè)的準(zhǔn)確率，對(duì)于患者的診斷以及減輕醫(yī)生的繁重勞動(dòng)都 具有重要的意義。


下面結(jié)合附圖和具體實(shí)施例對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說(shuō)明。 圖1為本發(fā)明的工作流程示意圖；圖2A為原始腦電信號(hào)和經(jīng)驗(yàn)?zāi)B(tài)分解結(jié)果；圖2B是圖2A中挑選的的高信噪比的固有模態(tài)函數(shù)經(jīng)過(guò)自動(dòng)小波去噪預(yù)處理的結(jié)果；圖2C是圖2B中去噪后的腦電信號(hào)的暫態(tài)總能量& 圖2D是圖2C中暫態(tài)總能量S應(yīng)用平滑的非線性能量算子后的結(jié)果； 圖3A和圖3B是癲癇病人的腦電棘波的檢測(cè)結(jié)果；圖3A含棘波的腦電信號(hào)檢測(cè) 結(jié)果；圖3B含多棘波群的腦電信號(hào)檢測(cè)結(jié)果。具體實(shí)施例圖l為本發(fā)明的工作流程示意圖。在步驟IOI，對(duì)得到的原始腦電信號(hào)采用移動(dòng)窗口技術(shù)進(jìn)行分段以便實(shí)時(shí)處理，這 里取每段約1200點(diǎn)。接著對(duì)每段數(shù)據(jù)都按照?qǐng)D1陰影部分內(nèi)容進(jìn)行處理。在步驟102，對(duì)每段腦電信號(hào)進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解計(jì)算。經(jīng)驗(yàn)?zāi)B(tài)分解是基于信號(hào)局 部特征、具有自適應(yīng)性，特別適用于分析大量頻率隨時(shí)間變化的非線性、非平穩(wěn)信號(hào)。 經(jīng)驗(yàn)?zāi)B(tài)分解采用經(jīng)驗(yàn)篩法將任意復(fù)合信號(hào)分解成固有模態(tài)函數(shù)(IMF)的和，如以下公 式其中，w—般為有限整數(shù)， (《)稱為殘余函數(shù)，它代表整個(gè)信號(hào)的平均趨勢(shì)。經(jīng)驗(yàn)篩法計(jì)算過(guò)程如下對(duì)于采集到的腦電信號(hào)雄)，首先確定出雄)上的所有極大值點(diǎn)和極小值點(diǎn)，然后將所有極大值點(diǎn)和所有極小值點(diǎn)分別用一條光滑的曲線聯(lián)接起來(lái)，使兩條曲線間包含9所有的信號(hào)。將這兩條曲線分別作為;c(f)的上下包絡(luò)線，計(jì)算出它們的平均值曲線 用x(O減去w(O得柳-—0 = c々)從理論上講，q(Z)就為x(O的第一階IMF，然而實(shí)際上，在計(jì)算過(guò)程中可能產(chǎn)生新的 極值、偏移或者增大現(xiàn)有的極值，c,W不滿足固有模態(tài)函數(shù)的條件(固有模態(tài)函數(shù)滿 足2個(gè)條件(1)整個(gè)信號(hào)中，零點(diǎn)數(shù)與極點(diǎn)數(shù)相等或至多相差1 ; (2)信號(hào)上任意 一點(diǎn)，由局部極大值點(diǎn)確定的包絡(luò)線和由局部極小值點(diǎn)確定的包絡(luò)線的均值均為零， 即信號(hào)關(guān)于時(shí)間軸局部對(duì)稱；)，因此要求c^)的上下包絡(luò)線的均值曲線Wu，在這第二次篩選過(guò)程中，把c^)當(dāng)作原始數(shù)據(jù)，得到判斷q,是否滿足固有模態(tài)函數(shù)的條件，如果仍然不滿足，需要重復(fù)多次(k次)篩選 過(guò)程，直到滿足固有模態(tài)函數(shù)的條件時(shí)，得到第一個(gè)固有模態(tài)函數(shù)/A/巧 從中減去/M巧得剩余信號(hào)^(0 ，即將r々)視為原信號(hào)，重復(fù)以上過(guò)程，就可以獲得;c(0的第二階/i^《(0和剩余信號(hào)G(0。 通過(guò)這樣一次次的篩選，就可以得到所有的固有模態(tài)函數(shù)，從而可以將JC(f)表示成其中，W—般為有限整數(shù)， (f)稱為殘余函數(shù)，它代表整個(gè)信號(hào)的平均趨勢(shì)。如圖2A所示，第一個(gè)是癲癇病人的原始腦電信號(hào)(含棘波)的示意圖；imfl是 經(jīng)驗(yàn)?zāi)B(tài)分解之后的第一階固有模態(tài)函數(shù)(MF); hnf2是經(jīng)驗(yàn)?zāi)B(tài)分解之后的第二階 固有模態(tài)函數(shù)(MF);依此類推;共有九階固有模態(tài)函數(shù)(IMF);res代表殘余函數(shù) (0。如圖l，在步驟102經(jīng)驗(yàn)?zāi)B(tài)分解之后，進(jìn)行步驟103，計(jì)算固有模態(tài)函數(shù)(IMF) 的信噪比，挑選出高信噪比的固有模態(tài)函數(shù)(MF)，對(duì)其采用自動(dòng)小波去噪方法進(jìn)行 預(yù)處理。對(duì)于分解得到的MF，其中第一個(gè)MF包含高頻噪聲，而最后的殘余函數(shù) W表 示信號(hào)的平均能量，不能夠反應(yīng)棘波能量，因此均被濾除。然后，計(jì)算其余每個(gè)MF 傅立葉變換后的幅值譜再根據(jù)幅值譜計(jì)算每個(gè)MF的信噪比-膽,.=max(4)./2]4..如果分解后的IMF函數(shù)超過(guò)3個(gè)，那么去掉信噪比最小的3個(gè)，其余的都選中； 如果分解后的MF函數(shù)小于3個(gè)，那么全部選中。對(duì)選中的這些MF進(jìn)行自動(dòng)一維小 波去噪預(yù)處理，具體過(guò)程是首先對(duì)IMF運(yùn)用symlet8小波進(jìn)行3級(jí)分解，計(jì)算3級(jí)小 波分解系數(shù)；接著對(duì)從1到3級(jí)細(xì)節(jié)部分的小波系數(shù)選取合適的閾值 V2-log(/e一(/J^))，并且閾值根據(jù)每一層小波分解的噪聲水平進(jìn)行調(diào)整。高于閾值 的保留。最后使用初始的近似部分小波系數(shù)和經(jīng)過(guò)處理后的細(xì)節(jié)部分小波系數(shù)重構(gòu)信 號(hào)。圖2B是圖2A中挑選的IMF經(jīng)過(guò)自動(dòng)小波去噪預(yù)處理的結(jié)果，即Pimf2是第二階MF去噪后的結(jié)果，依此類推，Pimf7是第七階IMF去噪后的結(jié)果。預(yù)處理信號(hào)之后，進(jìn)行步驟104，希爾伯特(Hiibert)變換的 計(jì)算和暫態(tài)能量的計(jì)算。對(duì)于給定函數(shù);c^，其Hilbert變換可以定義為函數(shù)x^與l/^t的巻積;r 山00 f — r式中，——積分的主值。那么這樣就得到預(yù)處理后的各固有模態(tài)函數(shù)/i1/《(0的解析信號(hào)，可表示為其中,=V/MF, (0 + 2[/M柳]柳=arctan "^^(;)]顯然，ai(0和《(0分別表示解析信號(hào)z,々)的瞬時(shí)包絡(luò)和相位。希爾伯特變換定義為函數(shù) /M巧(0與1/W的巻積，因而經(jīng)過(guò)希爾伯特變換得到的解析信號(hào)^(《)強(qiáng)調(diào)了原始信號(hào) /A/巧(0的局部特性；而其極坐標(biāo)表達(dá)式進(jìn)一步地表明了其局部特性，即它表示幅值與 相位隨時(shí)間變化的三角函數(shù)對(duì)/M巧(,)的最佳局部擬合。每個(gè)固有模態(tài)函數(shù)/iif巧(0的暫態(tài)能量為k々)12 ，那么總的固有模態(tài)函數(shù)的暫態(tài)能量為柳=不|。,(,)|2.然后進(jìn)入步驟105，對(duì)暫態(tài)總能量S應(yīng)用平滑的非線性能量算子來(lái)檢測(cè)棘波。本發(fā) 明提出一個(gè)平滑的非線性能量算子用于估計(jì)腦電信號(hào)的局部能量。平滑的非線性能量 算子的計(jì)算如下對(duì)于一個(gè)離散時(shí)間序列S(f)，非線性能量算子定義如下甲[柳]-S2(f)-S(f+戰(zhàn)卜l)f(甲[鄧)卜A(f)及s(W)其中五W是時(shí)間序列外)的數(shù)學(xué)期望，A(W)是時(shí)間序列外)的自相關(guān)函數(shù)，而<formula>formula see original document page 13</formula>表示高頻帶的信號(hào)能量與整個(gè)頻帶信號(hào)能量的比值,5表示時(shí)間序列的帶寬， 是時(shí)間序列S(O的Wigner分布。令外卜^W + ^(0，《(o和&(o分別表示背景腦電信號(hào)和棘波，那么可以得到甲<formula>formula see original document page 13</formula>由于S(o和&(o相互獨(dú)立，互不相關(guān)，因此上式第三項(xiàng)為o。五<formula>formula see original document page 13</formula>當(dāng)棘波存在時(shí)，上式的第二項(xiàng)較大，因?yàn)榧ū缺尘澳X電信號(hào)含有更多的暫態(tài)能量 &2(《力和暫態(tài)高頻信息/^2(0。然而眾所周知，時(shí)間序列的Wigner分布會(huì)產(chǎn)生交叉項(xiàng)和負(fù)頻率，因此采用一個(gè)時(shí)域窗和非線性能量算子做巻積運(yùn)算，其中選擇時(shí)域窗為Barlett窗。<formula>formula see original document page 13</formula>對(duì)改進(jìn)的平滑的非線性能量算子運(yùn)用這個(gè)非負(fù)的能量系數(shù)得到￡{甲，[5(/)]}，就能解決上述問(wèn)題，步驟106設(shè)置一個(gè)合理的閾值。當(dāng)超過(guò)這一閾值時(shí)，為癲癇特征波，當(dāng)?shù)陀?這一閾值時(shí)，為正常波形。圖2C是圖2B中去噪后的腦電信號(hào)的暫態(tài)總能量S(0 ;圖2D是圖2C中暫態(tài)總能量S(f)與平滑的非線性能量算子巻積后的輸出結(jié)果。圖2C的第2個(gè)棘波容易被認(rèn)為是噪聲， 經(jīng)處理后得到的圖2D更清楚些。圖3A和圖3B是癩癇病人的腦電棘波的檢測(cè)結(jié)果。圖3A含棘波的腦電信號(hào)檢測(cè)，其 中上圖是腦電信號(hào)，下圖是檢測(cè)結(jié)果；圖3B含多棘波群的腦電信號(hào)檢測(cè)，其中上圖是腦 電信號(hào)，下圖是檢測(cè)結(jié)果。本發(fā)明方法利用經(jīng)驗(yàn)?zāi)B(tài)分解、希爾伯特變換和平滑的非線性能量算子等來(lái)實(shí)時(shí)自 動(dòng)檢測(cè)癲癇發(fā)作。該方法應(yīng)用了經(jīng)驗(yàn)?zāi)B(tài)分解方法的自適應(yīng)分解的特性，將腦電信號(hào)分 解成了一系列的經(jīng)過(guò)幅值調(diào)制和頻率調(diào)制的固有模態(tài)函數(shù)IMF,并對(duì)這些IMF進(jìn)行自動(dòng) 小波去噪預(yù)處理得到有用的分量及其能量譜，對(duì)所有有用能量譜求和，將其與平滑的非 線性能量算子做巻積得到輸出結(jié)果。設(shè)定一個(gè)合理的閾值，就可以檢測(cè)出棘波。上面已結(jié)合附圖對(duì)本發(fā)明的具體實(shí)施方式
進(jìn)行了示例性的描述，顯然本發(fā)明并不限 于此，在本發(fā)明范圍內(nèi)進(jìn)行的各種形式的改變均沒(méi)有超出本發(fā)明的保護(hù)范圍。
權(quán)利要求
1. 一種實(shí)時(shí)自動(dòng)檢測(cè)癲癇特征波的方法，包括如下步驟(1)采用經(jīng)驗(yàn)?zāi)B(tài)分解將原始腦電信號(hào)分解為多個(gè)固有模態(tài)函數(shù)IMF；(2)計(jì)算固有模態(tài)函數(shù)IMF的信噪比，挑選出至少三個(gè)高信噪比的固有模態(tài)函數(shù)IMF，對(duì)其采用自動(dòng)小波去噪方法進(jìn)行預(yù)處理；(3)采用希爾伯特變換計(jì)算所述每個(gè)固有模態(tài)函數(shù)的暫態(tài)能量并求和得到暫態(tài)總能量S；(4)對(duì)暫態(tài)總能量S應(yīng)用平滑的非線性能量算子來(lái)檢測(cè)棘波。
2. 根據(jù)權(quán)利要求l所述的用于實(shí)時(shí)自動(dòng)檢測(cè)癲癇特征波的方法，其特征在于，在所述 步驟(1)前，對(duì)所述原始腦電信號(hào)采用移動(dòng)窗口技術(shù)進(jìn)行分段處理。
3. 根據(jù)權(quán)利要求1或2所述的實(shí)時(shí)自動(dòng)檢測(cè)癲癇特征波的方法，其特征在于，所述經(jīng) 驗(yàn)?zāi)B(tài)分解得到的所述固有模態(tài)函數(shù)MF的零點(diǎn)數(shù)與極點(diǎn)數(shù)相等或至多相差1 ;且所 述固有模態(tài)函數(shù)MF上任意一點(diǎn)，由局部極大值點(diǎn)確定的包絡(luò)線和由局部極小值點(diǎn)確 定的包絡(luò)線的均值均為零，即信號(hào)關(guān)于時(shí)間軸局部對(duì)稱。
4. 根據(jù)權(quán)利要求3所述的實(shí)時(shí)自動(dòng)檢測(cè)癲癇特征波的方法，其特征在于，所述步驟(2) 中的信噪比計(jì)算采取以下的方法計(jì)算每個(gè)MF傅立葉變換后的幅值譜和信噪比SNR:<formula>formula see original document page 2</formula>
5. 根據(jù)權(quán)利要求4所述的實(shí)時(shí)自動(dòng)檢測(cè)癩癇特征波的方法，其特征在于，所述步驟(2) 中采取一維小波去噪預(yù)處理的方法是首先對(duì)MF進(jìn)行多級(jí)小波分解，并計(jì)算多級(jí)小波分解系數(shù)；接著對(duì)多級(jí)細(xì)節(jié)部分 的小波系數(shù)選取合適的閾值，最后使用初始的近似部分小波系數(shù)和經(jīng)過(guò)處理后的細(xì)節(jié) 部分小波系數(shù)重構(gòu)信號(hào)。
6. 根據(jù)權(quán)利要求5所述的實(shí)時(shí)自動(dòng)檢測(cè)癲癇特征波的方法，其特征在于，在所述步驟(3) 中，所述預(yù)處理后的各固有模態(tài)函數(shù)/A^;(f)的解析信號(hào)，表示為其中H[]是希爾伯特變換計(jì)算，每個(gè)固有模態(tài)函數(shù)/A^;(0的暫態(tài)能量為h(ol2 ，總的固有模態(tài)函數(shù)的暫態(tài)能量為 柳=1>,.(,)|2.
7. 根據(jù)權(quán)利要求6所述的實(shí)時(shí)自動(dòng)檢測(cè)癲癇特征波的方法，其特征在于，在所述步驟(4) 中，對(duì)得到的所述暫態(tài)總能量與平滑的非線性能量算子采取以下的方法上式第一項(xiàng)表示背景腦電信號(hào)信息，第二項(xiàng)表示棘波信息。
8. 根據(jù)權(quán)利要求7所述的實(shí)時(shí)自動(dòng)檢測(cè)癲癇特征波的方法，其特征在于，在所述步驟 (4)后，選取一個(gè)閾值，高于閾值的即認(rèn)為是棘波。
全文摘要
本發(fā)明公開了一種利用經(jīng)驗(yàn)?zāi)B(tài)分解、希爾伯特變換和平滑的非線性能量算子方法來(lái)實(shí)時(shí)自動(dòng)檢測(cè)癲癇特征波的方法。實(shí)時(shí)自動(dòng)檢測(cè)癲癇特征波要求先采用移動(dòng)窗口技術(shù)對(duì)腦電數(shù)據(jù)進(jìn)行分段，然后對(duì)每段腦電數(shù)據(jù)采用如下方法計(jì)算首先采用經(jīng)驗(yàn)?zāi)B(tài)分解將原始腦電信號(hào)分解為一系列的固有模態(tài)函數(shù)IMF；然后選取信噪比高的固有模態(tài)函數(shù)IMF，對(duì)其采用自動(dòng)小波去噪方法進(jìn)行預(yù)處理；接著采用希爾伯特變換計(jì)算每個(gè)固有模態(tài)函數(shù)的暫態(tài)能量并求和得到暫態(tài)總能量S；最后對(duì)暫態(tài)總能量S應(yīng)用平滑的非線性能量算子來(lái)檢測(cè)棘波。本發(fā)明可用于腦電癲癇特征波的實(shí)時(shí)自動(dòng)提取，對(duì)于患者的診斷以及減輕醫(yī)生的繁重勞動(dòng)都具有重要的意義。
文檔編號(hào)A61B5/0476GK101259016SQ20071007345
公開日2008年9月10日 申請(qǐng)日期2007年3月6日 優(yōu)先權(quán)日2007年3月6日
發(fā)明者崔素媛, 李小俚, 歐陽(yáng)高翔 申請(qǐng)人:李小俚