一種基于矢量多分類的大腦功能區(qū)特異性腦電檢測方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及基于腦電分析的神經(jīng)科學(xué)研宄與臨床應(yīng)用領(lǐng)域，特別涉及一種基于矢量多分類的大腦功能區(qū)特異性腦電檢測方法。
【背景技術(shù)】
[0002]由生命科學(xué)研宄表明：腦電信號分析是人類了解人體神經(jīng)系統(tǒng)的重要途徑之一。人體的各種器官和組織活動伴隨著生理電現(xiàn)象，而腦電是中樞神經(jīng)細(xì)胞的電生理活動在大腦皮層或頭皮表面的總體反映。基于神經(jīng)系統(tǒng)的反射弧工作原理，通過腦電信號的檢測和分析可以判斷人體神經(jīng)系統(tǒng)的各種器官和組織處于什么狀態(tài)；而且腦電信號的檢測和分析已經(jīng)應(yīng)用到醫(yī)學(xué)臨床診斷與治療（比如大腦皮層功能定位、睡眠分析等）、大腦神經(jīng)認(rèn)知功能以及腦一機(jī)接口等研宄與應(yīng)用中。
[0003]各功能區(qū)的腦電特異性是所有腦電信號分析及其應(yīng)用的基礎(chǔ)。然而目前腦電特異性被認(rèn)為是腦電特定節(jié)律與特定功能區(qū)的簡單對應(yīng)關(guān)系，特異性腦電檢測就是腦電特定節(jié)律檢測。例如：腦電中的mu節(jié)律（8—13Hz)被認(rèn)為是感覺運(yùn)動區(qū)的特異性節(jié)律，High gamma頻帶（60Hz — 200Hz) —直被視為語言區(qū)的特異性節(jié)律。但相關(guān)研宄事實表明：運(yùn)動時刻以及想象運(yùn)動時刻，運(yùn)動區(qū)也能檢測到mu節(jié)律變化，High ga_a頻帶也同樣有能量變化。由此可見，特定功能區(qū)的特異性腦電具有復(fù)雜的成分，不能簡單地用腦電特定節(jié)律表達(dá)；而且在應(yīng)用中，腦電特定節(jié)律檢測會造成特異性腦電的誤檢和漏檢。顯然，目前特異性腦電檢測的方法缺乏科學(xué)性和準(zhǔn)確性。
[0004]那么大腦皮層各功能區(qū)的腦電特異性是否存在？如果存在，又如何表示和識別檢測？這些問題至今還尚無科學(xué)定論，也是目前基于腦電信號分析的神經(jīng)科學(xué)研宄中亟待回答的基礎(chǔ)理論問題。而這些問題中，如何檢測出各功能區(qū)的特異性腦電成為腦電特異性研宄的關(guān)鍵。
[0005]目前國內(nèi)外尚未出現(xiàn)一種基于矢量多分類的大腦功能區(qū)特異性腦電檢測方法的報道；同時，國內(nèi)外也尚無在臨床上應(yīng)用基于矢量多分類的大腦功能區(qū)特異性腦電檢測方法。因此研發(fā)具有自主知識產(chǎn)權(quán)的基于矢量多分類的大腦功能區(qū)特異性腦電檢測方法非常有必要。

【發(fā)明內(nèi)容】

[0006]本發(fā)明的目的在于克服現(xiàn)有技術(shù)的缺點與不足，提供一種基于矢量多分類的大腦功能區(qū)特異性腦電檢測方法。
[0007]本發(fā)明的目的通過以下的技術(shù)方案實現(xiàn)：
[0008]一種基于矢量多分類的大腦功能區(qū)特異性腦電檢測方法，包含以下順序的步驟：
[0009]SI.首先在被檢測者執(zhí)行或接受特定任務(wù)狀態(tài)下，采集腦電信號；
[0010]S2.然后采用矢量多分類的方法，對腦電信號進(jìn)行小波分解并重構(gòu)各單子頻段信號，以任務(wù)事件前后的各單子頻段信號能量差別作為特征量，構(gòu)建多維時頻域矢量；
[0011]S3.最后采用基于決策樹的支持向量機(jī)多分類算法對多維時頻域矢量進(jìn)行分類，從而識別各電極導(dǎo)聯(lián)上腦電信號的特異性，完成大腦皮能區(qū)腦電特異性的檢測。
[0012]所述的步驟S2具體為：先選定小波基，根據(jù)信號的采樣頻率fS，對腦電信號進(jìn)行J層小波分解，J取滿足公式（I)的最大整數(shù)；提取各層的細(xì)節(jié)系數(shù)和逼近系數(shù)，重構(gòu)各層系數(shù)的單子頻帶信號；在重構(gòu)單子頻帶信號時，先把其他層的系數(shù)都置0，再重構(gòu)該層系數(shù)，得到該層系數(shù)對應(yīng)的單子頻帶信號；以任務(wù)前后的能量差別作為特征量，計算所有單子頻帶重構(gòu)信號的特征量，把這些特征量組成一個多維的矢量，即得到多維時頻域矢量；其中公式⑴如下所示：
[0013]J log2fs (I) ο
[0014]步驟S3中，所述的基于決策樹的支持向量機(jī)多分類算法，在構(gòu)造支持向量機(jī)多分類器時引入“類間相對分離度”的概念，在決策樹的上層節(jié)點處分離出最容易分離的類，然后再分離不容易分的類，使錯分盡量遠(yuǎn)離樹根。
[0015]步驟SI中，所述的腦電信號是通過電極和腦電圖機(jī)采集的。
[0016]本發(fā)明與現(xiàn)有技術(shù)相比，具有如下優(yōu)點和有益效果：
[0017]本發(fā)明能夠科學(xué)、準(zhǔn)確地檢測特異性腦電：腦電信號是非平穩(wěn)隨機(jī)信號，特定功能區(qū)的特異性腦電具有復(fù)雜的成分；本發(fā)明以時頻域多維矢量為特征，可更加科學(xué)地凸顯各功能區(qū)腦電信號的特異性，同時采用多分類方法，可更加準(zhǔn)確地識別各功能區(qū)腦電的特異性，從而整體提高特異性腦電的檢測準(zhǔn)確性，減少特異性腦電的誤檢和漏檢。
[0018]測試結(jié)果表明：矢量多分類特異性識別算法可以有效區(qū)分大腦皮層的運(yùn)動、語言、感覺功能區(qū)以及非功能區(qū)腦電信號，識別率分別為95. 45%,97. 96%,91. 3%和81. 03%。由此可見，大腦皮層各功能區(qū)（運(yùn)動、感覺、語言等）之間存在著相互區(qū)分的動態(tài)特異性腦電，可以表達(dá)為一個多維時頻域矢量，并可以采用一種矢量多分類模型加以識別檢測。
【附圖說明】
[0019]圖I為本發(fā)明所述的基于矢量多分類的大腦功能區(qū)特異性腦電檢測方法的流程圖；
[0020]圖2為該檢測方法中所用的基于決策樹的支持向量機(jī)分類器的結(jié)構(gòu)圖。
【具體實施方式】
[0021]下面結(jié)合實施例及附圖對本發(fā)明作進(jìn)一步詳細(xì)的描述，但本發(fā)明的實施方式不限于此。
[0022]一種基于矢量多分類的大腦功能區(qū)（運(yùn)動區(qū)、語言區(qū)、感覺區(qū)、視覺區(qū)等)特異性腦電檢測方法，應(yīng)用該檢測方法可科學(xué)、準(zhǔn)確地檢測大腦皮層功能區(qū)的特異性腦電。以下結(jié)合附圖和實施對本發(fā)明作進(jìn)一步說明。如圖I所示，具體處理如下：
[0023](I)腦電信號采集：
[0024]讓檢測對象分別執(zhí)行重復(fù)手掌張開/閉合任務(wù)、重復(fù)數(shù)數(shù)任務(wù)和接受短周期重復(fù)性的感覺刺激；在任務(wù)狀態(tài)下，用電極采集腦電信號，并用腦電圖機(jī)記錄腦電信號。
[0025](2)生成腦電樣本：分別在讓檢測對象執(zhí)行手掌張開/閉合任務(wù)、重復(fù)數(shù)數(shù)以及接受感覺刺激的狀態(tài)下，從腦電信號中截取腦電樣本。
[0026](3)特異性腦電提?。?br>[0027]采用離散db3小波對腦電樣本進(jìn)行J層小波分解，得到J層小波系數(shù)和J層逼近系數(shù)；并對這些系數(shù)進(jìn)行單子頻帶重構(gòu)，得到單層細(xì)節(jié)信號Sdj和單層逼近信號Saj，(j =1,2,……，J);重構(gòu)單子頻帶信號時，只需把其他層的系數(shù)都置0，再重構(gòu)該層系數(shù)，即可得到該層系數(shù)對應(yīng)的單子頻帶信號。
[0028]以任務(wù)事件前后的能量差別作為特征量，計算2*J個重構(gòu)信號（J個單層細(xì)節(jié)信號和J個單層逼近信號）的特征量，并組成一個2*J維的時頻域矢量，即提取出可表示腦電特異性的多維時頻域矢量。
[0029](4)特異性腦電識別：
[0030]使用基于決策樹的支持向量機(jī)分類器對每一個腦電樣本的2*J維時頻域矢量進(jìn)行分類識別，即可檢測出腦電的特異性。此處所采用的決策樹的結(jié)構(gòu)類型如圖2所示。
[0031]上述實施例為本發(fā)明較佳的實施方式，但本發(fā)明的實施方式并不受上述實施例的限制，其他的任何未背離本發(fā)明的精神實質(zhì)與原理下所作的改變、修飾、替代、組合、簡化，均應(yīng)為等效的置換方式，都包含在本發(fā)明的保護(hù)范圍之內(nèi)。
【主權(quán)項】
1.一種基于矢量多分類的大腦功能區(qū)特異性腦電檢測方法，其特征在于，包含以下順序的步驟: 51.首先在被檢測者執(zhí)行或接受特定任務(wù)狀態(tài)下，采集腦電信號； 52.然后采用矢量多分類的方法，對腦電信號進(jìn)行小波分解并重構(gòu)各單子頻段信號，以任務(wù)事件前后的各單子頻段信號能量差別作為特征量，構(gòu)建多維時頻域矢量； 53.最后采用基于決策樹的支持向量機(jī)多分類算法對多維時頻域矢量進(jìn)行分類，從而識別各電極導(dǎo)聯(lián)上腦電信號的特異性，完成大腦皮能區(qū)腦電特異性的檢測。2.根據(jù)權(quán)利要求1所述的基于矢量多分類的大腦功能區(qū)特異性腦電檢測方法，其特征在于，所述的步驟S2具體為:先選定小波基，根據(jù)信號的采樣頻率fs，對腦電信號進(jìn)行J層小波分解，J取滿足公式(I)的最大整數(shù)；提取各層的細(xì)節(jié)系數(shù)和逼近系數(shù)，重構(gòu)各層系數(shù)的單子頻帶信號；在重構(gòu)單子頻帶信號時，先把其他層的系數(shù)都置O，再重構(gòu)該層系數(shù)，得到該層系數(shù)對應(yīng)的單子頻帶信號；以任務(wù)前后的能量差別作為特征量，計算所有單子頻帶重構(gòu)信號的特征量，把這些特征量組成一個多維的矢量，即得到多維時頻域矢量；其中公式(I)如下所示:J ( log2fs (I) ο3.根據(jù)權(quán)利要求1所述的基于矢量多分類的大腦功能區(qū)特異性腦電檢測方法，其特征在于，步驟S3中，所述的基于決策樹的支持向量機(jī)多分類算法，在構(gòu)造支持向量機(jī)多分類器時引入“類間相對分離度”的概念，在決策樹的上層節(jié)點處分離出最容易分離的類，然后再分離不容易分的類，使錯分盡量遠(yuǎn)離樹根。4.根據(jù)權(quán)利要求1所述的基于矢量多分類的大腦功能區(qū)特異性腦電檢測方法，其特征在于，步驟SI中，所述的腦電信號是通過電極和腦電圖機(jī)采集的。
【專利摘要】一種基于矢量多分類的大腦功能區(qū)特異性腦電檢測方法，其特征在于，包含以下順序的步驟：首先在被檢測者執(zhí)行或接受特定任務(wù)狀態(tài)下，采集腦電信號；然后采用矢量多分類的方法，對腦電信號進(jìn)行小波分解并重構(gòu)各單子頻段信號，以任務(wù)事件前后的各單子頻段信號能量差別作為特征量，構(gòu)建多維時頻域矢量；最后采用基于決策樹的支持向量機(jī)多分類算法對多維時頻域矢量進(jìn)行分類，從而識別各電極導(dǎo)聯(lián)上腦電信號的特異性，完成大腦皮能區(qū)腦電特異性的檢測。本發(fā)明的方法，能夠科學(xué)、準(zhǔn)確地檢測大腦皮層功能區(qū)的腦電特異性，可廣泛應(yīng)用于基于腦電分析的術(shù)中腦功能定位、認(rèn)知功能評估以及腦機(jī)接口等神經(jīng)科學(xué)的研究與臨床應(yīng)用。
【IPC分類】A61B5/048
【公開號】CN104958072
【申請?zhí)枴緾N201510257723
【發(fā)明人】姜濤, 符瓊琳
【申請人】華南理工大學(xué)
【公開日】2015年10月7日
【申請日】2015年5月18日