專利名稱：一種用于腦電信號自動評估的腦電信號特征提取方法
技術領域：
本發(fā)明屬于腦電信號處理技術領域，具體涉及一種腦電信號特征提取方法。

背景技術：
癲癇是一種常見病，患者發(fā)病時常失去知覺，如果患者在駕駛機動車時發(fā)病會危急自己和他人生命安全，因此癲癇的診斷非常重要。癲癇有可能是原發(fā)性的，也可能是因為腦部其它疾病和損傷引起的并發(fā)癥，對于后一種情況一般在腦部都存在病灶，而前一種情況腦部沒有明顯病灶。
現(xiàn)有的用于癲癇診斷的醫(yī)療器械的工作原理是首先由電極帽連接到放大器再連接到計算機組成的硬件系統(tǒng)將腦電信號采集進計算機，然后由經(jīng)過訓練的醫(yī)生用肉眼觀察計算機中記錄的腦電圖，根據(jù)腦電圖的波形判斷是否有癲癇特征出現(xiàn)。根據(jù)國際標準，門診病人的腦電圖需要記錄20分鐘，醫(yī)生根據(jù)20分鐘腦電圖的總體漲落趨勢判斷是否有異常波形出現(xiàn)，一般一名醫(yī)生一天只能接診數(shù)量非常有限的病人。如果患者發(fā)病不是非常頻繁，則醫(yī)生很難在20分鐘的腦電圖記錄中觀察到異常，此時患者需要住院觀察并接受24小時不間斷的腦電圖跟蹤記錄，在這種情況下，醫(yī)生可能要花數(shù)個小時人工分析腦電圖，效率非常低。另一個難題是——要訓練一個能夠正確判斷腦電圖中有無癲癇特征的醫(yī)生需要花很多年，目前只有大城市中極少數(shù)醫(yī)生能夠較為準確地識別腦電圖中的癲癇特征，而中小城市和農(nóng)村幾乎沒有在腦電圖分析方面訓練有素的醫(yī)生，原因是腦電信號類似隨機信號，從時域波形上很難觀察到有規(guī)律的特征。
基于以上現(xiàn)狀，用機器實現(xiàn)腦電信號模式的自動分析和分類對于癲癇診斷是一個很好的解決方案，帶來的好處有(1)采用機器自動診斷解決了培養(yǎng)一個能夠分析腦電圖的醫(yī)生需要花費很多年時間的問題，可以方便地在廣大地區(qū)部署機器診斷系統(tǒng)。(2)機器診斷比人工診斷效率要提高很多，由于腦電信號的隨機性，醫(yī)生需要記錄很長一段信號才能觀察出信號中是否存在癲癇特征，這是因為肉眼只能觀察到波形的漲落；而機器可以通過計算得到有規(guī)律的統(tǒng)計量，對于一段很短的信號也可以判斷出其中是否具有癲癇特征。(3)腦電信號不適合人工分析，因為腦電信號隨機性強，從時域波形中很難觀察到有規(guī)律的特征；而機器自動分析可以是不基于波形的，機器通過計算后可以從隨機信號中計算出有規(guī)律的統(tǒng)計量，因此更適合分析腦電這樣具有很強隨機性的信號。
目前國內(nèi)外關于腦電信號自動分析方法和裝置的研究很多。早期的研究思路是用分類器(如神經(jīng)網(wǎng)絡)直接對腦電信號進行分類，這方面的工作有陳俊強和劉書朋提出的中國發(fā)明專利99124032.4“全自動定量檢測腦電圖中癲癇樣放電的裝置”，這種方法的缺點是由于腦電信號的時域波形幾乎是無規(guī)律的，不經(jīng)過特征提取就直接對腦電信號進行分類在實際中很難達到滿意的效果。Ina Pichlmayr和Olaf Eckert在[“Method and apparatus for the evaluation ofEEG data”，US patent 5846208]中提出用子帶功率譜作為腦電信號的特征、用神經(jīng)網(wǎng)絡作為分類器對腦電信號進行分類。近期的研究大都聚焦在尋找能夠區(qū)分不同類別腦電信號的特征量，為此，來自物理學、信息科學等領域的工作者對腦電信號特征進行了大量研究，目前達成共識的是—一腦電信號的非線性混沌特征對于定量刻畫腦電信號和診斷癲癇是非常重要的參量。在物理學領域的雜志上，這方面的工作有由R.G..Andrzejak等在[PHYSICAL REVIEWE64(6)Art.No.061907 Part1，DEC 2001]提出的“Indications of nonlinear deterministic andfinite-dimensional structures in time series of brain electrical activityDependence on recordingregion and brain state”；由J.L.P.Velazquez等在[PHYSICA D-NONLINEAR PHENOMENA，186(3-4)205-220 DEC 15 2003]中提出的“Dynamical regimes underlying epileptiform eventsrole ofinstabilities and bifurcations in brain activity”；由T.Gautama等在[PHYSICAL REVIEW E，67(4)Art.No.046204 Part2 APR 2003]中提出的“Indications of nonlinear structures in brain electricalactivity”。信息科學領域的研究工作不但包括腦電信號的特征提取、還包括腦電信號的分類，基本的處理方法是首先利用各種特征提取方法對采集到的腦電信號進行參量計算以得到有規(guī)律的模式信息(比如前面提到的一些腦電信號非線性混沌特征)，再將提取出的腦電信號特征參量輸入分類器進行分類，分類器的輸出即為腦電信號的類別(如將輸入的腦電信號分為正常、癲癇不活躍期、癲癇活躍期中的某一類)，這樣可以完成癲癇的自動診斷，這方面的工作有由K.Lehnertz等在[IEEE ENGINEERING IN MEDICINE AND BIOLOGY MAGAZINE，22(1)57-63 JAN-FEB 2003]中提出的“Seizure prediction by nonlinear EEG analysis”；由N.F.Guler等在[EXPERT SYSTEMS WITH APPLICATIONS，29(3)506-514 OCT 2005]中提出的“Recurrent neural networks employing Lyapunov exponents for EEG signals classification”；由I.Guler和E.D.Ubeyli在[IEEE TRANSACTIONS ON INFORMATION TECHNOLOGY INBIOMEDICINE，11(2)117-126 MAR 2007]中提出的“Multiclass support vector machines forEEG-signals classification”。


發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種用于腦電信號自動評估的腦電信號特征提取方法，在本發(fā)明提出的腦電信號特征提取方法的基礎上可以構造一個用于腦部疾病診斷、監(jiān)護、療效評估的腦電信號自動評估系統(tǒng)。
以下先對實現(xiàn)本發(fā)明的技術方案所涉及、使用的一些模式識別領域的技術名詞、術語作如下定義和解釋。
腦電信號的類別有正常、病癥不活躍期、病癥活躍期等多個類別。
特征提取目的是從看似沒有規(guī)律的腦電波形中抽取出有規(guī)律的信息，實際上是通過一種計算方法對腦電信號進行處理以得到一些參量，這些參量在模式識別領域稱為特征，經(jīng)過特征提取得到的這些參量應該具有比較明顯的規(guī)律性，即同類別信號提取出的特征參量應該具有相似性，不同類別信號的特征參量具有差異性。這里所稱的“特征”是模式識別領域的一個術語，英文名稱為“Feature”，它與矩陣論中所指的“特征值”不同，矩陣論中的術語“特征值”的英文名稱為“Eigenvalue”。
特征向量從一個信號中提取出的所有特征參量堆積起來構成一個向量，稱為特征向量。這里所稱的“特征向量”是模式識別領域的術語，英文稱為“Feature Vector”，它不同于矩陣理論中所指的“特征向量”，矩陣論中所指的“特征向量”的英文名稱是“Eigenvector”。
分類器可以看作一種映射，當輸入一個特征向量時，分類器輸出一個類別號；由于一個特征向量對應一個信號(一個特征向量是從一個信號中提取出來的)，所以分類器輸出的類別號也就是輸入的特征向量對應的信號的類別號，由此可以實現(xiàn)腦電信號的自動分類，腦電信號的自動分類也稱為腦電信號的自動識別或自動診斷。
分類器的訓練分類器一般都有很多參數(shù)(如支持向量機)，只有通過訓練算法才能把分類器的參數(shù)調(diào)整為合適的值，當分類器的參數(shù)調(diào)整到合適的值后，分類器才能較好地工作(以分類正確率衡量)。
模式識別系統(tǒng)至少包括特征提取和分類器這兩個環(huán)節(jié)，特征提取可以從信號中計算出一些參量并形成特征向量，分類器可以把特征向量映射為某個類別號。
腦電信號分類/腦電信號識別為腦電信號分類(也稱識別)設計的模式識別系統(tǒng)，在此基礎上設計的醫(yī)療器械可以用于疾病的自動診斷。
主元分析目的是求流形或點集合的主方向，即所有點投影后坐標值方差最大的方向。
矩一種統(tǒng)計量，模式識別中的不變矩(英文為Moment Invariants)可以刻畫不同幾何形狀或流形之間的區(qū)別。
本發(fā)明是一種用于腦電信號自動評估的腦電信號特征提取方法，這里所述的腦電信號特征提取方法至少包括以下計算步驟 (a)對輸入的腦電時間序列S＝[S1，S2，...，SN]進行狀態(tài)空間重構(也稱相空間重構)先選取參數(shù)J和M，一般取5≤M≤30，取J為腦電時間序列自相關函數(shù)第一次下降到最大值的1/e時對應的時刻，再任意選取L個滿足1≤t(1)<t(2)<...<t(L)≤N-(M-1)J的正整數(shù){t(i)|i＝1，2，...，L}，令Xi＝[St(i)，St(i)+J，...，St(i)+(M-1)J]T，則稱[X1，X2，...，XL]或{X1，X2，...，XL}為時間序列S的一個狀態(tài)空間重構，{X1，X2，...，XL}可以看作M維空間的一個點集合或流形，[X1，X2，...，XL]可以看作M維空間的一個軌跡；以上狀態(tài)空間重構也可以以行向量的形式實現(xiàn)，即令Xi＝[St(i)，St(i)+J，...，St(i)+(M-1)J]，i＝1，2，...，L； (b)對重構的流形進行方向歸一化根據(jù)流形在各個方向上分布的特點定出基準方向，參照基準方向?qū)α餍芜M行坐標變換； (c)對重構的流形進行位置歸一化根據(jù)流形的形狀和結構特點確定基準點，參照基準點對流形進行平移操作； (d)截取重構的流形的一些局部區(qū)域； (e)對截取的局部流形或軌跡進行統(tǒng)計量的計算，把計算得到的統(tǒng)計量作為輸入的腦電信號的特征。
上面所述的特征提取方法中的計算步驟(b)、(c)、(d)、(e)各有若干種實現(xiàn)方案。上面所述的特征提取方法中的計算步驟(b)的兩種實現(xiàn)方案在下面分別用(b1)和(b2)表示，計算步驟(c)的兩種實現(xiàn)方案在下面分別用(c1)和(c2)表示，計算步驟(d)的兩種實現(xiàn)方案在下面分別用(d1)和(d2)表示，計算步驟(e)的三種實現(xiàn)方案在下面分別用(e1)、(e2)、(e3)表示，具體計算方法如下 (b1)采用主元分析法定出基準方向，令X＝[X1，X2，...，XL]，X是一個M×L維的矩陣，計算XXT的M個特征值，并按從大到小的順序排列得到λ1≥λ2≥...≥λM，這M個矩陣特征值對應的矩陣XXT的特征向量{U1，U2，...，UM}作為主軸，令U＝[U1，U2，...，UM]，利用Y＝UTX對X進行坐標變換，得到新的坐標Y，Y對應經(jīng)過方向歸一化的流形。
(b2)首先計算{X1，X2，...，XL}的算術平均中心Xi與X兩點可以確定一條直線Li，設Xj到直線Li距離為dij，求Di是所有點到直線Li的平均距離，計算Dk是{Di|i＝1，2，...，L}中的最小值，選為第一主軸，這里‖xk-x‖表示向量(xk-x)的模，構造一個經(jīng)過中心x且與第一主軸垂直U0的超平面，計算{X1，X2，...，XL}在此超平面的投影值{P1，P2，...，PL}，這里{Pi|i＝1，2，...，L}是M-1維向量，對P＝[P1，P2，...，PL]進行主元分析，找到矩陣PPT的M-1個從大到小排序的特征值λ1≥λ2≥...≥λM-1和其對應的特征向量U1，U2，...，UM-1，{U0，U1，...，UM-1}構成一個新的坐標系，用U＝[U0，U1，...，UM-1]對X＝[X1，X2，...，XL]進行坐標變換，得到Y＝UTX，Y對應經(jīng)過方向歸一化的流形。
(c1)用矩的方法計算出流形的中心作為平移操作的基準點，設Yi＝[Yi1，Yi2，...，YiM]是M維空間的一個點，計算{Yi|i＝1，2，...，L}的階數(shù)為[p1，p2，...，pM]的矩當{p1，p2，...，pM}中pk＝1且其它元素為0時記當{p1，p2，...，pM}中所有元素為0時記所求的中心為將所有點的坐標減去Y就完成了流形的平移操作，即令Yj←Yj-Y，這里j＝1，2，...，L。
(c2)計算各坐標軸上各點坐標的算術平均值作為對流形進行平移操作的基準點，基準點的計算方法為這里{Yi|i＝1，2，...，L}是整個流形包含的點，將所有點的坐標減去Y就完成了流形的平移操作，即令Yj←Yj-Y，這里j＝1，2，...，L。
(d1)構造一些與主軸Ui垂直的超平面，稱為Poincare截面，這里i∈[1，2，...，M]，Poincare截面與流形構成的軌跡相交，每個Poincare截面與軌跡的交點的計算方法如下假設一個Poincare截面與主軸Ui垂直相交且交點在Ui軸的坐標值為Y0，如果軌跡[Y1，Y2，...，YL]的第j個點Yj＝[Yj1，Yj2，...，YjM]的第i個坐標值滿足Yji＝Y0，則Yj為交點，此外，如果軌跡的第j個點和第j+1個點的第i個坐標值滿足(Yji-Y0)(Y(j+1)i-Y0)<0，則可以利用線性插值法求得一個交點如此可以求出軌跡穿越每個Poincare截面的交點，軌跡穿越每個Poincare截面的交點構成一個點集合，這個點集合即為所求的局部流形。
(d2)構造一對與主軸Ui垂直的超平面，設這兩個Poincare截面與Ui軸的交點在Ui軸上的坐標值分別為Y01和Y02，求落入這兩個Poincare截面之間的軌跡上的點，具體計算方法是如果軌跡[Y1，Y2，...，YL]的第j個點Yj＝[Yj1，Yj2，...，YjM]的第i個坐標值滿足min{Y01，Y02}≤Yji≤max{Y01，Y02}，則判定Yj為落入兩個Poincare截面之間的點，構造若干對垂直于各個主軸的Poincare截面，再按照上述計算方法求出落入每對Poincare截面之間的點，落入每對Poincare截面之間的點構成一個點集合，這個點集合即為所求的局部流形。
(e1)統(tǒng)計每個局部流形對應的點集合中包含的點的個數(shù)，把所述的各個點集合包含的點的個數(shù)作為腦電信號的特征。
(e2)分別對每個局部流形對應的點集合求矩，把所述的對各個點集合求出的矩作為腦電信號的特征。
(e3)分別對每個局部流形對應的點集合進行主元分析，把所述的各個點集合經(jīng)過主元分析得到的矩陣特征值作為腦電信號的特征。
本發(fā)明的優(yōu)點是 (1)基于人工分析的腦電信號評估的一個缺點是，在病人不發(fā)病時無法判斷腦電信號有無異常，因為圖形的分辨率和人類視覺的辨識能力都是有限的，而基于本發(fā)明方法的腦電信號自動評估方法可以在病人不發(fā)病時檢測出腦電信號的異常。(2)電極與腦部接觸的位置、受測者處于睜眼還是閉眼狀態(tài)等因素都會使采集到的腦電信號具有較大的變化，基于本發(fā)明方法的腦電自動評估方法對于電極的位置不敏感，當腦電信號取自與病灶位置相反的位置上的電極時，采用本發(fā)明提出的腦電信號自動評估方法依然能夠?qū)δX電信號正確分類，另外，無論受測者睜眼還是閉眼，利用本發(fā)明提出的腦電信號自動評估方法都能夠?qū)δX電信號正確分類，我們采用了三類實際數(shù)據(jù)進行測試，第一類數(shù)據(jù)包括兩個集合集合A是正常人睜眼時采集的腦電信號、集合B是正常人閉眼時采集的腦電信號，第二類數(shù)據(jù)也包括兩個集合集合D是癲癇患者不發(fā)病時在病灶位置采集的腦電信號、集合C是癲癇患者不發(fā)病時在病灶相反位置采集的腦電信號，第三類即集合E是病人發(fā)病時采集的腦電信號，按照本發(fā)明提出的方法對以上三類信號進行分類，正確識別率分別為99.9％、99.5％、98.4％，三類平均正確識別率為99.44％。(3)基于本發(fā)明方法的腦電信號自動評估方法只需要較短時間的信號就可以分辨出信號的類別，上述所有測試用到的信號的長度均為23.6秒，這表明本發(fā)明提出的腦電自動評估方法只需要很短時間的信號記錄就可以工作，不需要象人工分析那樣長時間記錄腦電信號以觀察信號的漲落趨勢。



圖1腦電信號自動評估系統(tǒng)的組成框圖 圖2腦電信號特征提取算法的流程圖 圖中標號1為電極帽，2為放大器，3為計算機系統(tǒng)，4為腦電信號采集模塊，5為特征提取模塊，6為分類器，7為顯示器，8為USB接口
具體實施例方式 本發(fā)明是一種用于腦電信號自動評估的腦電信號特征提取方法，在本發(fā)明提出的腦電信號特征提取方法的基礎上可以構造一個腦電信號自動評估系統(tǒng)，本發(fā)明提出的腦電信號特征提取方法是整個腦電信號自動評估系統(tǒng)的一個組成部分，整個腦電信號自動評估系統(tǒng)的組成見附圖1，由以下幾部分構成 (1)腦電信號采集功能是將腦電信號采集進計算機，先由電極帽連接到放大器、再將放大器通過USB接口連接到計算機系統(tǒng)(這里所指的計算機系統(tǒng)除了包括主機外，還包括鍵盤、鼠標、顯示器等輸入和輸出設備)，調(diào)用驅(qū)動程序就可以將腦電信號采集進計算機并進行存儲和處理，電極帽的電極個數(shù)和位置都遵循國際標準。電極帽、放大器、計算機系統(tǒng)在市場上都可以購得，例如可以購置德國Brain Products公司生產(chǎn)的電極帽、北京中科新拓儀器有限公司生產(chǎn)的腦電放大器、美國惠普公司生產(chǎn)的筆記本電腦。
(2)特征提取功能是通過一系列的計算步驟從前一步采集到的看似雜亂無章的腦電信號中獲取有助于腦電信號分類的有規(guī)律的信息，一般由軟件模塊實現(xiàn)，但也可以用硬件實現(xiàn)，本發(fā)明提出的技術方案的計算流程圖見附圖2，有多種具體的實現(xiàn)方法，后面將列舉2個實施例。
(3)分類器功能是根據(jù)前一步計算獲得的腦電信號的特征自動判斷腦電信號的類別，一般由軟件模塊實現(xiàn)，但也可以由硬件實現(xiàn)，分類器可以看作一個映射，將前一步計算得到的腦電信號的特征輸入分類器，分類器會自動輸出一個類別號，將分類器輸出的類別號(例如正常、疾病活躍期、疾病不活躍期)顯示在計算機屏幕上就完成了整個腦電信號自動評估過程；分類器輸出的關于腦電信號的類別信息可以用于醫(yī)療過程中的診斷、監(jiān)護、療效評估等；常用的分類器有k近鄰分類器、貝葉斯分類器、神經(jīng)網(wǎng)絡、支持向量機等，這里使用支持向量機作為分類器，因為支持向量機有很多開放源代碼的軟件實現(xiàn)，如LIBSVM(見http://www.csie.ntu.edu.tw/～cjlin/libsvm)；支持向量機的參數(shù)需要經(jīng)過訓練調(diào)整到較佳值后，在分類時才能較好地工作，LIBSVM軟件包里提供有訓練工具，支持向量機的參數(shù)訓練方法可參考Nello Cristianini和John Shawa-Taylor合著的《An introduction to support vector machinesand other kernel-based learning methods》，本書2000年由Cambridge University Press出版。
腦電信號自動評估實施例1 步驟1這一步完成腦電信號的采集，將電極帽連接到放大器、將放大器通過USB接口連接到計算機系統(tǒng)、調(diào)用驅(qū)動程序?qū)⒛X電信號采集進計算機； 步驟2這一步完成輸入時間序列S＝[S1，S2，...，SN]的狀態(tài)空間重構，首先選定兩個參數(shù)J和M，取J為[S1，S2，...，SN]的自相關函數(shù)第一次下降到最大值的1/e時對應的時刻，令M＝15，令{t(i)＝i|i＝1，2，...，N-(M-1)J}，令 則得到一個矩陣 經(jīng)過狀態(tài)空間重構，從原先的時間序列中得到了一個向量序列X＝[X1，X2，...，XN-(M-1)J]，這個向量序列可以看作M維空間的一個軌跡，同時點集合{X1，X2，...，XN-(M-1)J}可看作M維空間的一個流形； 步驟3這一步用主元分析法對點集合{X1，X2，...，XN-(M-1)J}進行方向歸一化并求出主軸，具體如下首先計算矩陣XXT的M個特征值(這里的特征值指矩陣的特征值，英文稱作“Eigenvalue”)，假設XXT的M個特征值按照從大到小的順序排列為λ1≥λ2≥...≥λM且其對應的特征向量(這里指矩陣的特征向量，英文稱作“Eigenvector”)依次分別為U1，U2，...，UM，這里Ui:i∈{1，2，...，M}是M維的列向量，{U1，U2，...，UM}也稱為主軸，M個主軸在M維空間張成一個新的坐標系，令矩陣U＝[U1，U2，...，UM]，則原來坐標系中M維列向量Xj在新坐標系中的值為 這里j∈{1，2，...，M}，如此可以求出原先坐標系中所有M維向量X1，X2，...，XN-(M-1)J在新坐標系中的坐標值，X1，X2，...，XN-(M-1)J經(jīng)過坐標變換后在新坐標系中依次對應Y1，Y2，...，YN-(M-1)J； 步驟4這一步對點集合{Y1，Y2，...，YN-(M-1)J}進行位置歸一化，具體如下首先計算點集合{Y1，Y2，...，YN-(M-1)J}的階數(shù)為[p1，p2，...，pM]的矩 當{pi|i＝1，2，...，M}的取值滿足時，記當{pi＝0|i＝1，2，...，M}時，記當k＝1，2，...，M時，計算 點集合{Y1，Y2，...，YN-(M-1)J}的中心由下式定義 對點集合{Y1，Y2，...，YN-(M-1)J}進行平移操作，將中心Y移到坐標原點，具體操作方法是將{Y1，Y2，...，YN-(M-1)J}中的每個向量減去Y，即令 Yj←Yj-Y 步驟5這一步截取軌跡的局部流形，具體如下可以構造一個超平面與第i個主軸Ui垂直相交于某個位置，上述超平面也稱為Poincare截面，假設Y0是這個Poincare截面與Ui軸的交點在Ui軸上的坐標值，計算軌跡[Y1，Y2，...，YN-(M-1)J]與這個Poincare截面的交點，計算方法如下如果向量Yj的第個坐標值滿足Yji＝Y0，則Yj是一個交點；如果(Yji-Y0)(Y(j+1)i-Y0)<0，則利用線性插值求出一個交點 可以按上述方式構造多個Poincare截面，在每個Poincare截面上可以求出軌跡與這個Poincare截面的交點的集合，軌跡與每個Poincare截面的交點的集合即為一個局部流形； 步驟6令P(M，i，Y0)表示與第i個主軸Ui垂直相交于Y0的一個Poincare截面，P(M，i，Y0)中的“M”表示M維空間，令C(M，i，Y0)表示軌跡[Y1，Y2，...，YN-(M-1)J]穿越Poincare截面P(M，i，Y0)的次數(shù)，C(M，i，Y0)就是軌跡與Poincare截面P(M，i，Y0)的交點的個數(shù)，令Z(M，i，Y0)＝C(M，i，Y0)/[N-(M-1)J]，Z(M，i，Y0)表示軌跡穿越Poincare截面P(M，i，Y0)的次數(shù)與向量總數(shù)[N-(M-1)J]的比值，Z(M，i，Y0)就是所求的腦電信號的一個特征，由于可以構造不止一個Poincare截面(在M維空間中，當i和Y0取不同值時可以構造不同的Poincare截面)，所以可以得到一個特征的集合{Z(M，i，Y0)}，{Z(M，i，Y0)}就是所求的腦電信號的特征，這些參量可以刻畫正常、病癥不活躍期、病癥活躍期等不同類別腦電信號之間的區(qū)別，如果將{Z(M，i，Y0)}中的元素按一定次序排列就構成腦電信號的一個特征向量； 步驟7將步驟6中得到的腦電信號的特征向量輸入分類器，這里使用支持向量機作為分類器，支持向量機可以用開放源代碼軟件LIBSVM實現(xiàn)，源代碼見http://www.csie.ntu.edu.tw/～cjlin/libsvm，對于輸入的每一個腦電信號的特征向量，支持向量機會輸出一個類別號，這個類別號指示著步驟1中采集到的腦電信號的類別(即正常、病癥不活躍期、病癥活躍期)；支持向量機的參數(shù)需要經(jīng)過訓練調(diào)整到較佳值后，在分類時才能較好地工作，LIBSVM軟件包里提供有訓練工具，可以完成支持向量機參數(shù)的訓練。
腦電信號自動評估實施例2 步驟1這一步完成腦電信號的采集，將電極帽連接到放大器、將放大器通過USB接口連接到計算機系統(tǒng)、調(diào)用驅(qū)動程序?qū)⒛X電信號采集進計算機； 步驟2這一步對輸入時間序列S＝[S1，S2，...，SN]進行狀態(tài)空間重構，選定兩個參數(shù)M和J，取J為[S1，S2，...，SN]的自相關函數(shù)第一次下降到最大值的1/e時對應的時刻，令M＝20，令t(i)＝1+2(i-1)，通過狀態(tài)空間重構可以得到 這里L＝1+[N-1-(M-1)J]/2； 步驟3這一步對X＝[X1，X2，...，XL]構成的點集合進行方向歸一化，具體如下首先計算{X1，X2，...，XL}的算術平均中心Xi與X兩點可以確定一條直線Li，設Xj到直線Li距離為dij，求計算選為第一主軸，構造一個經(jīng)過中心X且與第一主軸U0垂直的超平面，計算{X1，X2，...，XL}在此超平面的投影{P1，P2，...，PL}，對P＝[P1，P2，...，PL]進行主元分析，即找到矩陣PPT的M-1個按從大到小順序排列的特征值λ1≥λ2≥...≥λM-1和其對應的特征向量U1，U2，...，UM-1，{U0，U1，...，UM-1}構成一個新的坐標系，用U＝[U0，U1，...，UM-1]對X＝[X1，X2，...，XL]進行坐標變換，得到Y＝UTX，Y＝[Y1，Y2，...，YL]對應經(jīng)過方向歸一化的流形。
步驟4這一步對Y＝[Y1，Y2，...，YL]構成的流形進行位置歸一化，具體如下首先計算 對點集合{Y1，Y2，...，YL}進行平移操作，將中心Y移到坐標原點，具體操作方法是將{Y1，Y2，...，YL}中的每個向量減去Y，即令 Yj←Yj-Y 步驟5構造多對與各個主軸垂直的Poincare截面，假設一對與主軸Ui垂直的Poincare截面與Ui軸的交點在Ui軸上的坐標分別為Y01和Y02，求落入這兩個Poincare截面之間的軌跡上的點，具體計算方法是如果軌跡[Y1，Y2，...，YL]的第j個點Yj＝[Yj1，Yj2，...，YjM]的第i個坐標值滿足min{Y01，Y02}≤Yji≤max{Y01，Y02}，則判定Yj為落入這兩個Poincare截面之間的點；可以構造多對垂直于各個主軸的Poincare截面，再按照上述計算方法可以求出落入每對Poincare截面之間的點，落入每對Poincare截面之間的點構成一個點集合，這個點集合即為所求的局部流形； 步驟6令{Z1，Z2，...，ZK}表示通過計算步驟4截取的軌跡[Y1，Y2，...，YL]落入某個局部的點的集合，這里必然滿足{Z1，Z2，...，ZK}∈{Y1，Y2，...，YL}，點集合{Z1，Z2，...，ZK}的階數(shù)為[P1，P2，...，PM]的矩為 當{Pi|i＝1，2，...，M}的取值滿足時，記當{Pi＝0|i＝1，2，...，M}時，記計算 點集合{Z1，Z2，...，ZK}的階數(shù)為[P1，P2，...，PM]的中心矩定義為 由于可以構造多對Poincare截面截取多個局部流形，對于每個局部流形都可以通過上述計算方法求出中心矩，所求得的中心矩的值組成的集合可以作為腦電信號的特征，這個集合中的元素按一定次序排列就構成腦電信號的一個特征向量。
步驟7將步驟6中得到的腦電信號的特征向量輸入分類器，這里使用支持向量機作為分類器，支持向量機可以用開放源代碼軟件LIBSVM實現(xiàn)，源代碼見http://www.csie.ntu.edu.tw/～cjlin/libsvm，對于輸入的每一個腦電信號的特征向量，支持向量機會輸出一個類別號，這個類別號指示著步驟1中采集到的腦電信號的類別(例如正常、病癥不活躍期、病癥活躍期)；支持向量機的參數(shù)需要經(jīng)過訓練調(diào)整到較佳值后，在分類時才能較好地工作，LIBSVM軟件包里提供有訓練工具，可以完成支持向量機參數(shù)的訓練。
基于實施例1的方法進行了如下實驗首先從5個健康人和5個癲癇病人腦部采集腦電信號，共采集了5組信號，每組信號100個樣本，信號采樣頻率173.16Hz，每個信號樣本長度為23.6秒；A組信號是5個健康人睜眼時采集的，采集信號時電極位置按照國際標準布置，A組的100個信號樣本是從不同的電極采集的；B組100個信號樣本是在5個健康人閉眼時采集的；D組100個信號樣本是在5個癲癇病人未發(fā)病時從病灶處采集的；C組100個信號樣本是在5個癲癇病人未發(fā)病時從與病灶相反的腦部區(qū)域位置采集的；E組100個信號樣本是在5個癲癇病人發(fā)病時采集的。A和B組的200個信號樣本都是從健康人腦部采集的，這里看作一類；C組和D組的200個信號樣本都是在癲癇病人不發(fā)病時采集的，這里看作一類；D組100個信號樣本是癲癇病人發(fā)病時采集的，看作一類。實驗過程如下腦電信號自動評估前需要對分類器的參數(shù)進行訓練，每類各隨機取50％的信號樣本作為訓練樣本、其余50％的樣本作為測試樣本，用訓練樣本對分類器進行訓練，訓練完成后，對測試樣本進行分類，并計算分類正確率；以上過程重復10次，每次都隨機選取各類中50％的樣本作為訓練樣本，將10次的分類正確率求平均就是實驗結果，實驗結果如下表所示。
實驗結果說明本發(fā)明提出的技術方案具有如下優(yōu)點(1)對信號采集時電極的位置不敏感C組和D組的信號樣本是從病灶和與病灶相反的部位采集的，但是都能被正確識別；(2)對接受測試者睜眼還是閉眼不敏感A組和B組分別是接受測試者睜眼和閉眼時采集的信號，但是都能被正確識別；(3)病人不發(fā)病時的腦電信號能被正確識別C組和D組的信號樣本都是在病人不發(fā)病時采集的。
權利要求
1、一種用于腦電信號自動評估的腦電信號特征提取方法，其特征在于所述的腦電信號特征提取方法至少包含以下幾個計算步驟
(a)對輸入的腦電時間序列S＝[S1，S2，...，SN]進行狀態(tài)空間重構先選取參數(shù)J和M，取5≤M≤30，取J為腦電時間序列自相關函數(shù)第一次下降到最大值的1/e時對應的時刻，再任意選取L個滿足1≤t(1)<t(2)<...<t(L)≤N-(M-1)J的正整數(shù){t(i)|i＝1，2，...，L}，令Xi＝[St(i)，St(i)+J，...，St(i)+(M-1)J]T，則稱[X1，X2，...，XL]或{X1，X2，...，XL}為時間序列S的一個狀態(tài)空間重構，把{X1，X2，...，XL}看作M維空間的一個點集合或流形，把[X1，X2，...，XL]看作M維空間的一個軌跡；以上狀態(tài)空間重構或者用行向量的形式實現(xiàn)，即令Xi＝[St(i)，St(i)+J，...，St(i)+M-1)J]，i＝1，2，...，L；
(b)對重構的流形進行方向歸一化根據(jù)流形在各個方向上分布的特點定出基準方向，參照基準方向?qū)α餍芜M行坐標變換；
(c)對重構的流形進行位置歸一化根據(jù)流形的形狀和結構特點確定基準點，參照基準點對流形進行平移操作；
(d)截取重構的流形或軌跡的一些局部區(qū)域；
(e)對截取的局部流形或軌跡進行統(tǒng)計量的計算，把計算得到的統(tǒng)計量作為輸入的腦電時間序列的特征。
2、根據(jù)權利要求1所述的方法，其特征在于計算步驟(b)中，采用主元分析法定出基準方向，令X＝[X1，X2，...，XL]，X是一個M×L維的矩陣，計算XXT的M個特征值，并按從大到小的順序排列得到λ1≥λ2≥...≥λM，以這M個矩陣特征值對應的矩陣XXT的特征向量{U1，U2，...，UM}作為主軸，令U＝[U1，U2，...，UM]，利用Y＝UTX對X進行坐標變換，得到新的坐標Y，Y對應經(jīng)過方向歸一化的流形；或者
首先計算{X1，X2，...，XL}的算術平均中心Xi與x兩點可以確定一條直線Li，設Xj到直線Li距離為dij，求Di是所有點到直線Li的平均距離，計算Dk是{Di|i＝1，2，...，L}中的最小值，選為第一主軸，這里‖xk-x‖表示向量(xk-x)的模，構造一個經(jīng)過中心x且與第一主軸垂直U0的超平面，計算{X1，X2，...，XL}在此超平面的投影值{P1，P2，...，PL}，這里{Pi|i＝1，2，...，L}是M-1維向量，對P＝[P1，P2，...，PL]進行主元分析，找到矩陣PPT的M-1個從大到小排序的特征值λ1≥λ2≥...≥λM-1和其對應的特征向量U1，U2，...，UM-1，{U0，U1，...，UM-1}構成一個新的坐標系，用U＝[U0，U1，...，UM-1]對X＝[X1，X2，...，XL]進行坐標變換，得到Y＝UTX，Y對應經(jīng)過方向歸一化的流形。
3、根據(jù)權利要求1所述的方法，其特征在于計算步驟(c)中，用矩的方法計算出流形的中心作為平移操作的基準點，設Yi＝[Yi1，Yi2，...，YiM]是M維空間的一個點，計算{Yi|i＝1，2，...，L}的階數(shù)為[p1，p2，...，pM]的矩當{p1，p2，...，pM}中pk＝1且其它元素為0時記當{p1，p2，...，pM}中所有元素為0時記所求的中心為將所有點的坐標減去Y就完成了流形的平移操作，即令Yj←Yj-Y，這里j＝1，2，...，L；或者
計算各坐標軸上各點坐標的算術平均值作為對流形進行平移操作的基準點，基準點的計算方法為這里{Yi|i＝1，2，...，L}是整個流形包含的點，將所有點的坐標減去Y就完成了流形的平移操作，即令Yj←Yj-Y，這里j＝1，2，...，L。
4、根據(jù)權利要求1所述的方法，其特征在于計算步驟(d)中，構造一些與主軸Ui垂直的超平面，稱為Poincare截面，這里i∈[1，2，...，M]，Poincare截面與流形構成的軌跡相交，每個Poincare截面與軌跡的交點的計算方法如下假設一個Poincare截面與主軸Ui垂直相交且交點在Ui軸的坐標值為Y0，如果軌跡[Y1，Y2，...，YL]的第j個點Yj＝[Yj1，Yj2，...，YjM]的第i個坐標值滿足Yji＝Y0，則Yj為交點，此外，如果軌跡的第j個點和第j+1個點的第i個坐標值滿足(Yji-Y0)(Y(j+1)i-Y0)<0，則可以利用線性插值法求得一個交點如此可以求出軌跡穿越每個Poincare截面的交點，軌跡穿越每個Poincare截面的交點構成一個點集合，這個點集合即為所求的局部流形；或者
構造一對與主軸Ui垂直的超平面，設這兩個Poincare截面與Ui軸的交點在Ui軸上的坐標值分別為Y01和Y02，求落入這兩個Poincare截面之間的軌跡上的點，具體計算方法是如果軌跡[Y1，Y2，...，YL]的第j個點Yj＝[Yj1，Yj2，...，YjM]的第i個坐標值滿足min{Y01，Y02}≤Yji≤max{Y01，Y02}，則判定Yj為落入兩個Poincare截面之間的點，構造若干對垂直于各個主軸的Poincare截面，再按照上述計算方法求出落入每對Poincare截面之間的點，落入每對Poincare截面之間的點構成一個點集合，這個點集合即為所求的局部流形。
5、根據(jù)權利要求1所述的方法，其特征在于計算步驟(e)中，統(tǒng)計每個局部流形對應的點集合中包含的點的個數(shù)，把所述的各個點集合包含的點的個數(shù)作為腦電信號的特征；或者
分別對每個局部流形對應的點集合求矩，把所述的對各個點集合求出的矩作為腦電信號的特征；或者
分別對每個局部流形對應的點集合進行主元分析，把所述的各個點集合經(jīng)過主元分析得到的矩陣特征值作為腦電信號的特征。
全文摘要
本發(fā)明屬于腦電信號處理技術領域，具體是一種用于腦電信號自動評估的腦電信號特征提取方法，在所發(fā)明的腦電信號特征提取方法的基礎上構造的腦電信號自動評估系統(tǒng)可用于癲癇的自動診斷、監(jiān)護、療效評估等場合。腦電信號特征提取方法由以下環(huán)節(jié)構成對輸入的時間序列進行相空間重構得到高維數(shù)據(jù)，對高維數(shù)據(jù)進行坐標變換以達到方向歸一化，對高維數(shù)據(jù)進行平移以達到位置歸一化，截取高維數(shù)據(jù)的一些局部流形，計算各局部流形對應的點集合的統(tǒng)計量作為腦電信號的特征?；诒景l(fā)明方法的腦電信號評估系統(tǒng)可以在病人不發(fā)病時檢測腦電異常。
文檔編號G06F19/00GK101488162SQ200810032770
公開日2009年7月22日 申請日期2008年1月17日 優(yōu)先權日2008年1月17日
發(fā)明者夙 楊 申請人:復旦大學