本發(fā)明提供一種癲癇患者腦電信號的處理方法，屬于非線性生理信號處理
技術(shù)領(lǐng)域：
。
背景技術(shù)：
：癲癇是一種常見的、多發(fā)的慢性神經(jīng)系統(tǒng)疾病，其發(fā)作是由于大腦的神經(jīng)元活動的同步或過多而引起的神經(jīng)元不規(guī)則和不規(guī)則的放電而引起的。在癲癇發(fā)作過程中，會引起運動、行為、意識和感覺等功能障礙，因此，癲癇發(fā)作可能導(dǎo)致各種致命的后果。全世界有超過5000萬人患有癲癇，每年有超過200000例新發(fā)病例被確診。癲癇的治療手段有手術(shù)、藥物、電刺激等方法，而在確定治療手段之前，最關(guān)鍵的在于對疑似癲癇病人的檢測。目前，癲癇的檢測方法是基于醫(yī)生的視覺檢測，由于需要對病人的腦電信號進(jìn)行長時間的檢測，因此傳統(tǒng)的醫(yī)生檢測方法是非常耗時耗力的，很多醫(yī)院甚至由于相關(guān)醫(yī)生不足導(dǎo)致檢測速度過慢而耽誤了病人的最佳治療時機(jī)。另一方面，由于傳統(tǒng)的癲癇檢測依賴于醫(yī)生的肉眼觀察與主觀判斷，有時容易出錯，這可能會導(dǎo)致意外的誤診。因此，迫切需要開發(fā)一種癲癇發(fā)作的自動檢測方法，來減輕醫(yī)生的工作量，同時也減少肉眼檢測產(chǎn)生的誤差而造成的誤診。故癲癇發(fā)作檢測的自動化檢測方法在臨床上具有重要的應(yīng)用價值。腦電(electroencephalogram，eeg)被廣泛應(yīng)用在癲癇檢測分析中，人體腦電信號由上億的神經(jīng)元相互作用形成，因而具有時變、非線性、不穩(wěn)定等特點，同時腦電數(shù)據(jù)信號在測量后會產(chǎn)生隨機(jī)誤差，并且腦電信號還會受到個體差異的影響，因此，對于腦電數(shù)據(jù)信號的分析成為難題?，F(xiàn)存有多種癲癇信號預(yù)警的方法，但由于癲癇腦電信號本身的復(fù)雜性，導(dǎo)致各種算法的準(zhǔn)確性、敏感性和特異性方面都存在各種各樣的缺點，如準(zhǔn)確性高了，特異性就降低等問題。另外，以往算法一般都只利用了單導(dǎo)腦電信號而忽略了同時采集的其他導(dǎo)腦電信號，容易造成提取的特征無法反映病人大腦的全局病理特性以及所有腦電信號之間的時間-空間關(guān)系，如當(dāng)病人從一種狀態(tài)(發(fā)作間歇期、發(fā)作期)進(jìn)入到另外一種狀態(tài)，在同一時刻不同部位采集到的腦電是具有不同特征的。因此現(xiàn)有腦電信號的處理方法無法準(zhǔn)確檢測患者的癲癇發(fā)作。技術(shù)實現(xiàn)要素：針對現(xiàn)有癲癇檢測算法在準(zhǔn)確性、敏感性、特異性方面存在的不足以及大多數(shù)算法只利用單導(dǎo)腦電信號的問題，本發(fā)明提供了一種基于多導(dǎo)腦電信號的癲癇患者腦電信號的處理方法。本發(fā)明的目的是通過以下技術(shù)方案實現(xiàn)的，一種癲癇患者腦電信號的處理方法，具體步驟包括：1)獲取不含噪聲的癲癇患者的多導(dǎo)腦電信號；2)將上述多導(dǎo)腦電信號分成若干數(shù)據(jù)段，采用最大互相關(guān)函數(shù)計算同一時間窗下的任意兩段數(shù)據(jù)段的最大互相關(guān)系數(shù)，作為相應(yīng)數(shù)據(jù)段的特征值，通過計算所有腦電信號之間的互相關(guān)系數(shù)構(gòu)成特征矩陣；3)從互相關(guān)系數(shù)構(gòu)成的特征矩陣中去除背景噪聲特征，獲取與癲癇發(fā)作相關(guān)的稀疏特征矩陣，作為最終的腦電信號的特征矩陣；4)采用最小二乘支持向量機(jī)算法分類癲癇患者腦電信號。進(jìn)一步，本發(fā)明還可以采用kofn分析法來進(jìn)一步校正經(jīng)過最小二乘支持向量機(jī)分類的結(jié)果。作為一種優(yōu)選方案，去除腦電信號噪聲采用的離散小波變換方法是采用daubeches-4小波函數(shù)，濾波后選取頻率為3～25hz波段的腦電信號。作為一種優(yōu)選方案，將腦電信號分成若干數(shù)據(jù)段具體為：采用滑動時間窗的方法將任意兩導(dǎo)腦電信號分為若干數(shù)據(jù)段，滑動時間窗長度為0.1s，滑動步長為0.05s，相鄰的兩時間窗有50％的重疊。作為一種優(yōu)選方案，采用最大互相關(guān)函數(shù)計算最大互相關(guān)系數(shù)，具體為：將在同一時間窗的任意兩導(dǎo)腦電信號數(shù)據(jù)段，利用下式計算得到每個數(shù)據(jù)段的最大互相關(guān)系數(shù)：其中n是時間窗的寬度(在本例中,n＝100)；ci,j是兩導(dǎo)腦電信號的最大相關(guān)系數(shù)，取值范圍為[-1，1]；τ表示兩導(dǎo)腦電信號的不同步造成時間上的延遲長度；(xi,xj)表示兩導(dǎo)腦電數(shù)據(jù)段；i,j表示兩導(dǎo)腦電信號每個數(shù)據(jù)段的數(shù)據(jù)點的序數(shù)。作為一種優(yōu)選方案，計算互相關(guān)系數(shù)構(gòu)成特征矩陣具體為：將每個數(shù)據(jù)段計算得到的ci,j按照時間順序依次排列構(gòu)成特征矩陣d。作為一種優(yōu)選方案，采用魯棒性主成分分析法來獲取與癲癇發(fā)作相關(guān)的稀疏特征矩陣，作為最終的相應(yīng)腦電信號的特征矩陣,具體為：將最大相互關(guān)系數(shù)矩陣d采用魯棒性主成分分析法分解為低秩矩陣a與稀疏矩陣e之和，其中低秩矩陣a表示腦電信號背景信息，稀疏矩陣e表示與癲癇發(fā)作相關(guān)的特征，稀疏矩陣e作為最終腦電信號的特征矩陣。作為一種優(yōu)選方案，所述最小二乘支持向量機(jī)算法訓(xùn)練方法如下：將癲癇患者腦電信號數(shù)據(jù)庫，隨機(jī)分成70％與30％兩部分，用70％的腦電數(shù)據(jù)來訓(xùn)練算法，用剩余的30％數(shù)據(jù)來測試算法，從而得到最小二乘支持向量機(jī)模型。作為一種優(yōu)選方案，采用kofn分析法具體為：在連續(xù)n個數(shù)據(jù)段中至少有k個數(shù)據(jù)段被判斷為發(fā)作，則將全部n個數(shù)據(jù)段視為癲癇發(fā)作作態(tài)，否則將n個數(shù)據(jù)段視為發(fā)作間歇期。本發(fā)明的有益效果是，本發(fā)明采用最大相關(guān)函數(shù)法計算得到每個數(shù)據(jù)段的最大相關(guān)系數(shù)矩陣；并采用魯棒性主成分分析法，將特征矩陣進(jìn)行分解，得到了與癲癇相關(guān)的稀疏特征矩陣，去除了背景噪聲，使得特征矩陣更能反應(yīng)癲癇發(fā)作相關(guān)特征；再采用最小二乘支持向量機(jī)算法分類癲癇患者腦電信號。本發(fā)明可以將癲癇發(fā)作與發(fā)作間歇期的判斷轉(zhuǎn)化為二分類問題，計算復(fù)雜度低，實時性好，同時準(zhǔn)確度更高，可以用于快速識別腦電信號的特征變化并實時監(jiān)測癲癇發(fā)作與否，實現(xiàn)癲癇發(fā)作的檢測。通過本發(fā)明所提供的基于多導(dǎo)腦電信號的癲癇發(fā)作檢測方法，應(yīng)用于癲癇患者eeg信號，實現(xiàn)了癲癇檢測的極高的準(zhǔn)確性、敏感性和特異性。附圖說明圖1是本發(fā)明具體實施例的框圖；圖2是癲癇發(fā)作間歇期與發(fā)作期的原始腦電信號圖；圖3是經(jīng)最小二乘支持向量機(jī)分類的癲癇發(fā)作前后腦電信號分類結(jié)果；圖4是經(jīng)kofn分析法后處理的癲癇發(fā)作前后腦電信號分類結(jié)果。具體實施方式下面結(jié)合附圖對本發(fā)明作進(jìn)一步詳細(xì)說明。如圖1所示，本發(fā)明基于多導(dǎo)腦電信號的癲癇患者腦電信號的處理系統(tǒng)，包括預(yù)處理模塊、特征提取模塊、特征選擇模塊、分類模塊和后處理模塊：(1)預(yù)處理模塊對腦電數(shù)據(jù)進(jìn)行預(yù)處理，將原始的19導(dǎo)腦電數(shù)據(jù)(如圖2所示)逐一通過daubeches-4小波函數(shù)濾波去噪，濾波后選取頻率為3～25hz波段的腦電信號。(2)特征提取模塊將經(jīng)過預(yù)處理之后的腦電信號分成若干數(shù)據(jù)段，具體為：采用滑動時間窗的方法將任意兩導(dǎo)腦電信號分為若干數(shù)據(jù)段，滑動時間窗長度為0.1s，滑動步長為0.05s，相鄰的兩時間窗有50％的重疊。然后采用最大互相關(guān)函數(shù)計算最大互相關(guān)系數(shù)，具體為：將在同一時間窗的任意兩導(dǎo)腦電信號數(shù)據(jù)段，利用下式計算得到每個數(shù)據(jù)段的最大互相關(guān)系數(shù)：其中n是時間窗的寬度(在本例中,n＝100)；ci,j是兩導(dǎo)腦電信號的最大相關(guān)系數(shù)，取值范圍為[-1，1]；τ表示兩導(dǎo)腦電信號的不同步造成時間上的延遲長度；(xi,xj)表示兩導(dǎo)腦電數(shù)據(jù)段；i,j表示兩導(dǎo)腦電信號每個數(shù)據(jù)段的數(shù)據(jù)點的序數(shù)。對19導(dǎo)腦電數(shù)兩兩計算最大互相關(guān)系數(shù)，最終每一時間窗下，一共有19×(19-1)/2個最大互相關(guān)系數(shù)以及19個自相關(guān)系數(shù)，將這190個系數(shù)拉成一列，構(gòu)成特征矩陣的一列。按照時間軸正向移動時間窗，計算腦電信號的全部相關(guān)系數(shù)，按照時間順序依次排列，構(gòu)成相關(guān)系數(shù)矩陣d。(3)特征選擇模塊本發(fā)明采用魯棒性主成分分析法選擇特征矩陣。魯棒性主成分分析法能有效減少噪聲特征的影響，同時有效消除異常值對投影矩陣的影響。本發(fā)明將特征提取模塊中獲得的相關(guān)系數(shù)矩陣d∈rm×n(m表示參數(shù)值，n表示采樣數(shù)量)采用魯棒性主成分分析法分解為低秩矩陣a與稀疏矩陣e之和，其中低秩矩陣a表示腦電信號背景信息，稀疏矩陣e表示與癲癇發(fā)作相關(guān)的特征，稀疏矩陣e作為最終腦電信號的特征矩陣。具體如下：該問題可以轉(zhuǎn)化為：minl,s‖a‖*+λ‖e‖1,subjecttoa+e＝d,其中‖a‖*表示矩陣的核范數(shù)，‖e‖1表示矩陣的值，λ是正權(quán)重參數(shù)，取值為采用非精確增廣拉格朗日乘子法求解該問題，具體如下：定義：x＝(a,e),f(x)＝‖a‖*+λ‖e‖1,h(x)＝d-a-e.則該拉格朗日函數(shù)為：其中y∈rm×n表示拉格朗日乘數(shù)矩陣，μ表示正值常數(shù)，<·,·>表示矩陣內(nèi)積，表示frobenius范數(shù)。求解該問題的算法具體如下：輸出的ak,ek即為所要求解的低秩矩陣a與稀疏矩陣e，其中稀疏矩陣e就是索要求的與癲癇相關(guān)的特征矩陣，作為最終輸入到分類模塊中的特征值。實驗結(jié)果顯示，使用稀疏矩陣e作為分類模型的輸入比直接使用相關(guān)系數(shù)矩陣d作為分類模型的數(shù)據(jù)具有更高的準(zhǔn)確性。(4)分類模塊本發(fā)明采用最小二乘支持向量機(jī)判斷腦電信號的發(fā)作狀態(tài)。最小二乘支持向量機(jī)(leastsquaressupportvectormachine，ls-svm)是一種用改進(jìn)的支持向量機(jī)，克服了支持向量機(jī)的高計算負(fù)擔(dān)的缺點，具有更強(qiáng)的實時性，經(jīng)常被使用來生理信號的識別分類，是一種二元分類器。構(gòu)造最小二乘支持向量機(jī)的過程是用最小二乘法求解一個二次規(guī)劃問題，找到分開兩類訓(xùn)練數(shù)據(jù)的最優(yōu)超平面過程。所謂最優(yōu)超平面，是指分類面不僅能正確地分開兩類數(shù)據(jù)，還能使兩類之間的間隔最大。當(dāng)輸入n對數(shù)據(jù)(其中xi∈rn是第i個輸入特征，yi∈r是對應(yīng)的第i個類別標(biāo)注，即對應(yīng)的腦電信號發(fā)作狀態(tài))，可以通過下面的決策函數(shù)f(x)對其類別進(jìn)行判定：其中αi為訓(xùn)練得到的拉格朗日因子，b是分類閾值，k(x,xi)是核函數(shù)。常見的核函數(shù)有線性核函數(shù)、poly核函數(shù)、mlp核函數(shù)和rbf核函數(shù)等，本發(fā)明比較了線性核函數(shù)、poly核函數(shù)、mlp核函數(shù)和rbf核函數(shù)之后，選擇效果最好的rbf核函數(shù)。最小二乘支持向量機(jī)類的準(zhǔn)確性取決于訓(xùn)練模型的質(zhì)量，本發(fā)明選取初次發(fā)作的腦電數(shù)據(jù)建立最優(yōu)訓(xùn)練模型。首先，依照前述預(yù)處理和特征提取、特征選擇的流程處理腦電數(shù)據(jù)。訓(xùn)練方法如下：將癲癇患者腦電信號數(shù)據(jù)庫，隨機(jī)分成70％與30％兩部分，用70％的腦電數(shù)據(jù)來訓(xùn)練算法，用剩余的30％數(shù)據(jù)來測試算法，從而得到最小二乘支持向量機(jī)模型及其相關(guān)性能指標(biāo)。(5)后處理模塊對經(jīng)過最小二乘支持向量機(jī)模型分類之后的結(jié)果(如圖3所示)采用kofn分析法進(jìn)行后處理，具體為：在連續(xù)n個點中至少有k個點被判斷為發(fā)作，則將全部n個點視為癲癇發(fā)作作態(tài)，否則將n個點視為發(fā)作間歇期。經(jīng)過后處理之后的分類結(jié)果(如圖4所示)，與未進(jìn)行后處理的分類結(jié)果(如圖3所示)相比較，在敏感度、特異性與準(zhǔn)確性上有了較大的提高。實驗結(jié)果采用本方法，利用北京大學(xué)第一醫(yī)院癲癇診斷中心的已有的癲癇患者的腦電數(shù)據(jù)庫，腦電信號全部采用nihonkohden數(shù)字視頻eeg系統(tǒng)采集，包含19導(dǎo)的時域腦電信號。取其中37位患者，共57次發(fā)作的全部腦電數(shù)據(jù)，以及57×5分鐘發(fā)作間歇期的腦電信號。全部腦電信號由北京大學(xué)第一醫(yī)院的癲癇專家標(biāo)記，將癲癇發(fā)作間歇期腦電信號標(biāo)記為“0”類，將發(fā)作期腦電信號標(biāo)記為“1”類。本次試驗分別用三個指標(biāo)評價分類性能，特異性(specificity)、敏感度(sensitivity)和準(zhǔn)確率(accuracy)。三個指標(biāo)的計算公式如下：其中tp,fp,tn,和fn分別表示真陽個數(shù)，假陽個數(shù)，真陰個數(shù)，假陰個數(shù)。將發(fā)作與發(fā)作間歇期的腦電數(shù)據(jù)分別隨機(jī)分成70％與30％兩份，對最小二乘支持向量機(jī)模型進(jìn)行訓(xùn)練并測試其性能，具體結(jié)果見下表所示。從表中數(shù)據(jù)可知，使用rbf核函數(shù)的效果最好，而使用線性核函數(shù)的效果最差。表4種不同核函數(shù)下最小二乘支持向量機(jī)模型分類結(jié)果核函數(shù)類型敏感度(％)特異性(％)準(zhǔn)確性(％)線性核函數(shù)50.455.147.3poly核函數(shù)95.581.090.5mlp核函數(shù)93.098.095.5rbf核函數(shù)98.0100.099.0腦電信號對癲癇研究具有重要價值，本發(fā)明使用基于多導(dǎo)腦電信號的癲癇發(fā)作檢測方法癲癇患者腦電信號做了詳細(xì)分析，敏感性為98.0％，特異性為100.0％,準(zhǔn)確性為99.0％。本發(fā)明不局限于上述實施例所述的具體技術(shù)方案，凡采用等同替換形成的技術(shù)方案均為本發(fā)明要求的保護(hù)。當(dāng)前第1頁12