本發(fā)明涉及生物醫(yī)學信號處理領域，具體涉及一種術中皮質(zhì)腦電信號特異性的個體化識別方法。

背景技術：

腦電圖作為一種衡量大腦神經(jīng)活動強度的手段，因具有無創(chuàng)、費用低、方便易行等優(yōu)點，被廣泛應用在癲癇等多種神經(jīng)系統(tǒng)疾病的診斷中。與此同時，腦電信號作為一種極其微弱的信號，很容易受到肌電、眼電等來自身體內(nèi)部信號及工頻干擾、電磁等外部信號的干擾。特別是頭皮腦電信號，因其電極有顱骨和頭皮相阻隔，更容易受到干擾，所以本發(fā)明采用的是干擾較少的開顱后采集到的皮質(zhì)腦電信號。據(jù)國內(nèi)外文獻報道，大腦在做不同任務時其腦電信號會呈現(xiàn)不同的變化。基于此，我們提出了運用數(shù)字信號處理的方法來識別不同大腦功能區(qū)不同任務狀態(tài)時腦電信號的特異性。

由于不同個體腦電的差異性，導致皮質(zhì)腦電信號(ecog)識別模型的差異，容易出現(xiàn)異體檢測準確率低的問題。針對于此,本發(fā)明設計了個體化建模測試的基于術中皮質(zhì)腦電信號特異性的識別方法：運用同一個體的皮質(zhì)腦電信號訓練模型，建立個性化的ecog識別模型，對同一個體自身其他區(qū)域的皮質(zhì)腦電信號進行分類，旨在提高腦電識別分類的準確率，進而識別不同任務狀態(tài)時的皮質(zhì)腦電信號。

首先，采集個體通過皮層電刺激(electriccorticalstimulation，ecs)確定的運動區(qū)、語言區(qū)、感覺區(qū)、非功能區(qū)4點的ecog和手術區(qū)域64/128導聯(lián)的ecog，并對其進行預處理和特征提取，得出其特征樣本；其次，運用支持向量機，對ecs確定的4點的ecog的特征樣本建立模型，并對模型進行反復訓練與測試，訓練出個性化最優(yōu)識別模型；最后，用已訓練好的個性化識別模型對采集到的64/128導聯(lián)的ecog進行特征提取和分類，得出各導聯(lián)信號的屬性，完成各大腦功能區(qū)的ecog的特異性識別。

本發(fā)明的方法能夠精確識別出不同大腦功能狀態(tài)時的ecog，為人們更加深入認識大腦的生理電活動及腦機接口等多方面的研究提供有力的幫助。

技術實現(xiàn)要素：

本發(fā)明的目的是針對現(xiàn)有技術的不足，提供了一種術中皮質(zhì)腦電信號特異性的個體化識別方法，所述方法能夠快速、準確、全面地識別出不同功能狀態(tài)的ecog，為認識不同功能狀態(tài)時的腦電活動提供了有力幫助。

本發(fā)明的目的可以通過如下技術方案實現(xiàn)：

一種術中皮質(zhì)腦電信號特異性的個體化識別方法，所述方法包括以下步驟：

步驟s1、采集ecs確定的個體運動區(qū)、語言區(qū)、感覺區(qū)、非功能區(qū)4點的ecog和同一個體手術區(qū)域64/128導聯(lián)的ecog，并對其進行預處理和特征提取，得出其特征樣本；

步驟s2、運用ecs確定的4點的ecog的特征樣本進行模型訓練與優(yōu)化，訓練出個性化最優(yōu)識別模型；

步驟s3、運用步驟s2訓練出的個性化最優(yōu)識別模型，對同一個體手術區(qū)域64/128導聯(lián)的ecog的特征樣本進行分類，得出各導聯(lián)信號的屬性，完成個體各大腦功能區(qū)的ecog的特異性識別。

進一步地，所述步驟s1具體包括以下步驟：

步驟s1.1、分別采集ecs確定的個體運動區(qū)、語言區(qū)、感覺區(qū)、非功能區(qū)4點的ecog和同一個體手術區(qū)域64/128導聯(lián)的ecog；

步驟s1.2、對采集的ecog進行50hz的陷波處理，以消除工頻干擾；

步驟s1.3、對陷波處理后的ecog進行去噪，去除眼電、肌電、眼動的干擾；

步驟s1.4、對經(jīng)過上述預處理的ecog，選取任務時間段內(nèi)的腦電樣本進行小波分解并重構(gòu)各子頻段信號,選取低頻的小波逼近信號并計算其200ms、400ms、600ms、800ms及1s不等的窗寬的能量,對比分析不同頻段在任務前后的差異性，選定有差異的頻段的能量作為特征量，以不同導聯(lián)的特征量構(gòu)成該個體的特征樣本。

進一步地，所述步驟s2具體包括以下步驟：

步驟s2.1、運用ecs確定的4點的ecog的特征樣本，以其中每一導聯(lián)ecog的特征樣本的一半作為訓練集，另一半作為測試集，根據(jù)ecs刺激出來的每一導聯(lián)的功能區(qū)屬性的不同，將訓練集分成4類；

步驟s2.2、對訓練集、測試集中每一導聯(lián)分別進行最小-最大規(guī)范化，訓練集、測試集中一個導聯(lián)a的每一個值代表特定一段特定窗寬的經(jīng)過處理后的ecog信號的能量，其中導聯(lián)a中所有能量值的最大值為maxa，最小值為mina，最小-最大規(guī)范化通過計算：

其中，vi'表示規(guī)范化后的導聯(lián)a的每一個能量值，vi表示導聯(lián)a中的每一個原始能量值，把導聯(lián)a的原始能量值vi映射到[0,1]區(qū)間中，然后用同樣方法處理訓練集、測試集中的其他導聯(lián)，得出規(guī)范化的訓練集、測試集；

步驟s2.3、運用libsvm支持向量機對經(jīng)過最小-最大規(guī)范化處理后的訓練集、測試集樣本進行模型訓練，選用徑向基核函數(shù)，并利用5折交叉驗證法對模型進行反復試驗，篩選出識別率高、誤檢率低的算法，并記錄其最優(yōu)的模型參數(shù)-cost、-gama,建立最優(yōu)的特征提取和支持向量機算法識別模型，根據(jù)識別率選出個性化最優(yōu)識別模型。

進一步地，步驟s2.3中，所述5折交叉驗證法將任務態(tài)的ecog樣本分成5份，實驗5次，每次將其中的1份樣本作為測試集，其余4份作為訓練集，并比較這5次計算的結(jié)果，再求其均值，作為對算法識別準確性的估計。

進一步地，所述步驟s3具體包括以下步驟：

步驟s3.1、對同一個體手術區(qū)域64/128導聯(lián)的ecog的信號進行步驟s1.2的陷波處理以及步驟s1.3的去噪處理，對經(jīng)過上述預處理的64/128導聯(lián)的ecog信號進行步驟s1.4的特征提取，得出其以特定頻段特定窗寬的能量為特征的特征樣本，64/128導聯(lián)的特征樣本作為測試集，并對測試集進行步驟s2.2的最小-最大規(guī)范化處理；

步驟s3.2、利用步驟s2.3已訓練好的個性化最優(yōu)識別模型的-cost、-gama參數(shù),對步驟s3.1處理后的每一導聯(lián)的ecog的任務態(tài)以能量為特征樣本進行預測分類，根據(jù)與訓練集的相似程度，得出每一導聯(lián)信號所屬訓練集4類中的具體類型，并以此來確定得出各導聯(lián)信號的功能區(qū)屬性，完成個體各大腦功能區(qū)的ecog的特異性識別。

本發(fā)明與現(xiàn)有技術相比，具有如下優(yōu)點和有益效果：

1、本發(fā)明所提出的術中皮質(zhì)腦電信號特異性的識別方法，只需要利用皮層電刺激確定運動區(qū)、語言區(qū)、感覺區(qū)、非功能區(qū)各一點，并采集這4點的ecog；在手術區(qū)域安放64/128導聯(lián)電極陣列，采集64/128導聯(lián)皮質(zhì)腦電信號；對皮層電刺激定位的四個功能區(qū)導聯(lián)的皮質(zhì)腦電信號進行特征提取和模型建立，并通過交叉驗證法訓練出個體化最優(yōu)識別模型；采用4點ecog的特征提取方法，對采集到的64/128導聯(lián)信號進行特征提取并得到其特征樣本，用已訓練好的個體化識別模型對特征樣本進行預測分類，得出各導聯(lián)信號的類別，完成術中皮質(zhì)腦電信號特異性的識別。該方法可以快速、準確、全面地識別出不同功能狀態(tài)的ecog，為認識不同功能狀態(tài)時的腦電活動提供幫助，具有重要的科研價值和實踐運用意義。

2、本發(fā)明只需要在術中采集到個體的ecog，通過對ecog進行數(shù)據(jù)處理就可以在術中實現(xiàn)不同大腦功能區(qū)的判斷，相對于ct及mri等圖像處理方法必須通過術前圖像進行大腦功能區(qū)確定的手段，可以克服術中由于開顱造成的大腦皮質(zhì)的形變，因此該方法具有更大的靈活性與適用性。

3、本發(fā)明只需要術中通過腦電圖機采集ecog就能實現(xiàn)大腦功能區(qū)的判斷，操作簡單易行，并且不產(chǎn)生射線輻射，具有安全易行的優(yōu)點。

4、本發(fā)明只需要知道4個功能狀態(tài)中的各一導聯(lián)的ecog，就可以快速判斷出其他64/128導信號的功能區(qū)屬性，相比于傳統(tǒng)的ecs識別方法，該方法將會大大縮短不同功能區(qū)判斷的時間。

5、本發(fā)明的方法運用個體自身的信號特征樣本進行模型訓練，建立針對個體的識別模型，相對于利用異體信號建立模型對ecog的檢測，可以克服由于不同個體大腦活動的差異性造成的誤檢漏檢問題，進而提高了分類的準確率。

6、本發(fā)明建立的個體化模型對個體各個功能區(qū)導聯(lián)的總體識別率較高，其中運動區(qū)、語言區(qū)、感覺區(qū)、非功能區(qū)ecog的識別率分別可達96.43％、98.67％、94.79％、90.24％。

7、本發(fā)明對ecog的信號處理方法，實現(xiàn)了對ecog的定量化，相比傳統(tǒng)的通過波形判斷的方法能更加精確地反映信號的變化，有助于對ecog細節(jié)的識別，可以為其它腦電生理活動的基礎研究提供方法與思路，加深人們對大腦的認識。

附圖說明

圖1為本發(fā)明實施例一種術中皮質(zhì)腦電信號特異性的個體化識別方法的流程圖。

圖2(a)為本發(fā)明實施例受試者靜息態(tài)時的皮質(zhì)腦電信號小波分解圖，圖2(b)為本發(fā)明實施例受試者任務態(tài)時的皮質(zhì)腦電信號小波分解圖。

具體實施方式

下面結(jié)合實施例及附圖對本發(fā)明作進一步詳細的描述，但本發(fā)明的實施方式不限于此。

實施例：

本實施例提供了一種術中皮質(zhì)腦電信號特異性的個體化識別方法，所述方法的流程圖如圖1所示，包括以下步驟：

步驟s1、采集ecs確定的個體運動區(qū)、語言區(qū)、感覺區(qū)、非功能區(qū)4點的ecog和同一個體手術區(qū)域64/128導聯(lián)的ecog，并對其進行預處理和特征提取，得出其特征樣本；本步驟具體包括以下步驟：

步驟s1.1、分別采集ecs確定的個體運動區(qū)、語言區(qū)、感覺區(qū)、非功能區(qū)4點的ecog和同一個體手術區(qū)域64/128導聯(lián)的ecog；

步驟s1.2、對采集的ecog進行50hz的陷波處理，以消除工頻干擾；

步驟s1.3、對陷波處理后的ecog進行去噪，去除眼電、肌電、眼動的干擾；

步驟s1.4、對經(jīng)過上述預處理的ecog，選取任務時間段內(nèi)的腦電樣本進行小波分解并重構(gòu)各子頻段信號,本實施例中受試者靜息態(tài)時的皮質(zhì)腦電信號小波分解圖如圖2(a)所示，受試者任務態(tài)時的皮質(zhì)腦電信號小波分解圖如圖2(b)所示，選取低頻的小波逼近信號并計算其200ms、400ms、600ms、800ms及1s不等的窗寬的能量,對比分析不同頻段在任務前后的差異性，選定有差異的頻段的能量作為特征量，以不同導聯(lián)的特征量構(gòu)成該個體的特征樣本。

步驟s2、運用ecs確定的4點的ecog的特征樣本進行模型訓練與優(yōu)化，訓練出個性化最優(yōu)識別模型；本步驟具體包括以下步驟：

步驟s2.1、運用ecs確定的4點的ecog的特征樣本，以其中每一導聯(lián)ecog的特征樣本的一半作為訓練集，另一半作為測試集，根據(jù)ecs刺激出來的每一導聯(lián)的功能區(qū)屬性的不同，將訓練集分成4類；

步驟s2.2、對訓練集、測試集中每一導聯(lián)分別進行最小-最大規(guī)范化，訓練集、測試集中一個導聯(lián)a的每一個值代表特定一段特定窗寬的經(jīng)過處理后的ecog信號的能量，其中導聯(lián)a中所有能量值的最大值為maxa，最小值為mina，最小-最大規(guī)范化通過計算：

其中，vi'表示規(guī)范化后的導聯(lián)a的每一個能量值，vi表示導聯(lián)a中的每一個原始能量值，把導聯(lián)a的原始能量值vi映射到[0,1]區(qū)間中，然后用同樣方法處理訓練集、測試集中的其他導聯(lián)，得出規(guī)范化的訓練集、測試集；

步驟s2.3、運用libsvm支持向量機對經(jīng)過最小-最大規(guī)范化處理后的訓練集、測試集樣本進行模型訓練，選用徑向基核函數(shù)，并利用5折交叉驗證法對模型進行反復試驗，篩選出識別率高、誤檢率低的算法，并記錄其最優(yōu)的模型參數(shù)-cost、-gama,建立最優(yōu)的特征提取和支持向量機算法識別模型，根據(jù)識別率選出個性化最優(yōu)識別模型。

進一步地，步驟s2.3中，所述5折交叉驗證法將任務態(tài)的ecog樣本分成5份，實驗5次，每次將其中的1份樣本作為測試集，其余4份作為訓練集，并比較這5次計算的結(jié)果，再求其均值，作為對算法識別準確性的估計。

步驟s3、運用步驟s2訓練出的個性化最優(yōu)識別模型，對同一個體手術區(qū)域64/128導聯(lián)的ecog的特征樣本進行分類，得出各導聯(lián)信號的屬性，完成個體各大腦功能區(qū)的ecog的特異性識別。本步驟具體包括以下步驟：

步驟s3.1、對同一個體手術區(qū)域64/128導聯(lián)的ecog的信號進行步驟s1.2的陷波處理以及步驟s1.3的去噪處理，對經(jīng)過上述預處理的64/128導聯(lián)的ecog信號進行步驟s1.4的特征提取，得出其以特定頻段特定窗寬的能量為特征的特征樣本，64/128導聯(lián)的特征樣本作為測試集，并對測試集進行步驟s2.2的最小-最大規(guī)范化處理；

步驟s3.2、利用步驟s2.3已訓練好的個性化最優(yōu)識別模型的-cost、-gama參數(shù),對步驟s3.1處理后的每一導聯(lián)的ecog的任務態(tài)以能量為特征樣本進行預測分類，根據(jù)與訓練集的相似程度，得出每一導聯(lián)信號所屬訓練集4類中的具體類型，并以此來確定得出各導聯(lián)信號的功能區(qū)屬性，完成個體各大腦功能區(qū)的ecog的特異性識別。

以上所述，僅為本發(fā)明專利較佳的實施例，但本發(fā)明專利的保護范圍并不局限于此，任何熟悉本技術領域的技術人員在本發(fā)明專利所公開的范圍內(nèi)，根據(jù)本發(fā)明專利的技術方案及其發(fā)明專利構(gòu)思加以等同替換或改變，都屬于本發(fā)明專利的保護范圍。