本發(fā)明提供一種癲癇患者腦電信號(hào)的處理方法，屬于非線性生理信號(hào)處理
技術(shù)領(lǐng)域：
。
背景技術(shù)：
：癲癇是一種常見(jiàn)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(dòng)的同步或過(guò)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(guò)程中，會(huì)引起運(yùn)動(dòng)、行為、意識(shí)和感覺(jué)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(guò)5000萬(wàn)人患有癲癇，每年有超過(guò)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(duì)疑似癲癇病人的檢測(cè)。目前，癲癇的檢測(cè)方法是基于醫(yī)生的視覺(jué)檢測(cè)，由于需要對(duì)病人的腦電信號(hào)進(jìn)行長(zhǎng)時(shí)間的檢測(cè)，因此傳統(tǒng)的醫(yī)生檢測(cè)方法是非常耗時(shí)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(cè)速度過(guò)慢而耽誤了病人的最佳治療時(shí)機(jī)。另一方面，由于傳統(tǒng)的癲癇檢測(cè)依賴于醫(yī)生的肉眼觀察與主觀判斷，有時(shí)容易出錯(cuò)，這可能會(huì)導(dǎo)致意外的誤診。因此，迫切需要開(kāi)發(fā)一種癲癇發(fā)作的自動(dòng)檢測(cè)方法，來(lái)減輕醫(yī)生的工作量，同時(shí)也減少肉眼檢測(cè)產(chǎn)生的誤差而造成的誤診。故癲癇發(fā)作檢測(cè)的自動(dòng)化檢測(cè)方法在臨床上具有重要的應(yīng)用價(jià)值。腦電(electroencephalogram，eeg)被廣泛應(yīng)用在癲癇檢測(cè)分析中，人體腦電信號(hào)由上億的神經(jīng)元相互作用形成，因而具有時(shí)變、非線性、不穩(wěn)定等特點(diǎn)，同時(shí)腦電數(shù)據(jù)信號(hào)在測(cè)量后會(huì)產(chǎn)生隨機(jī)誤差，并且腦電信號(hào)還會(huì)受到個(gè)體差異的影響，因此，對(duì)于腦電數(shù)據(jù)信號(hào)的分析成為難題?，F(xiàn)存有多種癲癇信號(hào)預(yù)警的方法，但由于癲癇腦電信號(hào)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(diǎn)，如準(zhǔn)確性高了，特異性就降低等問(wèn)題。另外，以往算法一般都只利用了單導(dǎo)腦電信號(hào)而忽略了同時(shí)采集的其他導(dǎo)腦電信號(hào)，容易造成提取的特征無(wú)法反映病人大腦的全局病理特性以及所有腦電信號(hào)之間的時(shí)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(shí)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(hào)的處理方法無(wú)法準(zhǔn)確檢測(cè)患者的癲癇發(fā)作。技術(shù)實(shí)現(xiàn)要素：針對(duì)現(xiàn)有癲癇檢測(cè)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(hào)的問(wèn)題，本發(fā)明提供了一種基于多導(dǎo)腦電信號(hào)的癲癇患者腦電信號(hào)的處理方法。本發(fā)明的目的是通過(guò)以下技術(shù)方案實(shí)現(xiàn)的，一種癲癇患者腦電信號(hào)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(hào)；2)將上述多導(dǎo)腦電信號(hào)分成若干數(shù)據(jù)段，采用最大互相關(guān)函數(shù)計(jì)算同一時(shí)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(guò)計(jì)算所有腦電信號(hào)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(hào)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(hào)。進(jìn)一步，本發(fā)明還可以采用kofn分析法來(lái)進(jìn)一步校正經(jīng)過(guò)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(hào)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(hào)。作為一種優(yōu)選方案，將腦電信號(hào)分成若干數(shù)據(jù)段具體為：采用滑動(dòng)時(shí)間窗的方法將任意兩導(dǎo)腦電信號(hào)分為若干數(shù)據(jù)段，滑動(dòng)時(shí)間窗長(zhǎng)度為0.1s，滑動(dòng)步長(zhǎng)為0.05s，相鄰的兩時(shí)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(jì)算最大互相關(guān)系數(shù)，具體為：將在同一時(shí)間窗的任意兩導(dǎo)腦電信號(hào)數(shù)據(jù)段，利用下式計(jì)算得到每個(gè)數(shù)據(jù)段的最大互相關(guān)系數(shù)：其中n是時(shí)間窗的寬度(在本例中,n＝100)；ci,j是兩導(dǎo)腦電信號(hào)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(hào)的不同步造成時(shí)間上的延遲長(zhǎng)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(hào)每個(gè)數(shù)據(jù)段的數(shù)據(jù)點(diǎn)的序數(shù)。作為一種優(yōu)選方案，計(jì)算互相關(guān)系數(shù)構(gòu)成特征矩陣具體為：將每個(gè)數(shù)據(jù)段計(jì)算得到的ci,j按照時(shí)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(lái)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(hào)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(hào)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(hào)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(hào)數(shù)據(jù)庫(kù)，隨機(jī)分成70％與30％兩部分，用70％的腦電數(shù)據(jù)來(lái)訓(xùn)練算法，用剩余的30％數(shù)據(jù)來(lái)測(cè)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(gè)數(shù)據(jù)段中至少有k個(gè)數(shù)據(jù)段被判斷為發(fā)作，則將全部n個(gè)數(shù)據(jù)段視為癲癇發(fā)作作態(tài)，否則將n個(gè)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(jì)算得到每個(gè)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(hào)。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(wèn)題，計(jì)算復(fù)雜度低，實(shí)時(shí)性好，同時(shí)準(zhǔn)確度更高，可以用于快速識(shí)別腦電信號(hào)的特征變化并實(shí)時(shí)監(jiān)測(cè)癲癇發(fā)作與否，實(shí)現(xiàn)癲癇發(fā)作的檢測(cè)。通過(guò)本發(fā)明所提供的基于多導(dǎo)腦電信號(hào)的癲癇發(fā)作檢測(cè)方法，應(yīng)用于癲癇患者eeg信號(hào)，實(shí)現(xiàn)了癲癇檢測(cè)的極高的準(zhǔn)確性、敏感性和特異性。附圖說(shuō)明圖1是本發(fā)明具體實(shí)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(hào)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(hào)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(hào)分類結(jié)果。具體實(shí)施方式下面結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步詳細(xì)說(shuō)明。如圖1所示，本發(fā)明基于多導(dǎo)腦電信號(hào)的癲癇患者腦電信號(hào)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(duì)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(guò)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(hào)。(2)特征提取模塊將經(jīng)過(guò)預(yù)處理之后的腦電信號(hào)分成若干數(shù)據(jù)段，具體為：采用滑動(dòng)時(shí)間窗的方法將任意兩導(dǎo)腦電信號(hào)分為若干數(shù)據(jù)段，滑動(dòng)時(shí)間窗長(zhǎng)度為0.1s，滑動(dòng)步長(zhǎng)為0.05s，相鄰的兩時(shí)間窗有50％的重疊。然后采用最大互相關(guān)函數(shù)計(jì)算最大互相關(guān)系數(shù)，具體為：將在同一時(shí)間窗的任意兩導(dǎo)腦電信號(hào)數(shù)據(jù)段，利用下式計(jì)算得到每個(gè)數(shù)據(jù)段的最大互相關(guān)系數(shù)：其中n是時(shí)間窗的寬度(在本例中,n＝100)；ci,j是兩導(dǎo)腦電信號(hào)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(hào)的不同步造成時(shí)間上的延遲長(zhǎng)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(hào)每個(gè)數(shù)據(jù)段的數(shù)據(jù)點(diǎn)的序數(shù)。對(duì)19導(dǎo)腦電數(shù)兩兩計(jì)算最大互相關(guān)系數(shù)，最終每一時(shí)間窗下，一共有19×(19-1)/2個(gè)最大互相關(guān)系數(shù)以及19個(gè)自相關(guān)系數(shù)，將這190個(gè)系數(shù)拉成一列，構(gòu)成特征矩陣的一列。按照時(shí)間軸正向移動(dòng)時(shí)間窗，計(jì)算腦電信號(hào)的全部相關(guān)系數(shù)，按照時(shí)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(shí)有效消除異常值對(duì)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(hào)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(hào)的特征矩陣。具體如下：該問(wèn)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(wèn)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(wèn)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(shí)驗(yàn)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(hào)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(jì)算負(fù)擔(dān)的缺點(diǎn)，具有更強(qiáng)的實(shí)時(shí)性，經(jīng)常被使用來(lái)生理信號(hào)的識(shí)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(guò)程是用最小二乘法求解一個(gè)二次規(guī)劃問(wèn)題，找到分開(kāi)兩類訓(xùn)練數(shù)據(jù)的最優(yōu)超平面過(guò)程。所謂最優(yōu)超平面，是指分類面不僅能正確地分開(kāi)兩類數(shù)據(jù)，還能使兩類之間的間隔最大。當(dāng)輸入n對(duì)數(shù)據(jù)(其中xi∈rn是第i個(gè)輸入特征，yi∈r是對(duì)應(yīng)的第i個(gè)類別標(biāo)注，即對(duì)應(yīng)的腦電信號(hào)發(fā)作狀態(tài))，可以通過(guò)下面的決策函數(shù)f(x)對(duì)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(jiàn)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(hào)數(shù)據(jù)庫(kù)，隨機(jī)分成70％與30％兩部分，用70％的腦電數(shù)據(jù)來(lái)訓(xùn)練算法，用剩余的30％數(shù)據(jù)來(lái)測(cè)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(duì)經(jīng)過(guò)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(gè)點(diǎn)中至少有k個(gè)點(diǎn)被判斷為發(fā)作，則將全部n個(gè)點(diǎn)視為癲癇發(fā)作作態(tài)，否則將n個(gè)點(diǎn)視為發(fā)作間歇期。經(jīng)過(guò)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(shí)驗(yàn)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(kù)，腦電信號(hào)全部采用nihonkohden數(shù)字視頻eeg系統(tǒng)采集，包含19導(dǎo)的時(shí)域腦電信號(hào)。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(hào)。全部腦電信號(hào)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(hào)標(biāo)記為“0”類，將發(fā)作期腦電信號(hào)標(biāo)記為“1”類。本次試驗(yàn)分別用三個(gè)指標(biāo)評(píng)價(jià)分類性能，特異性(specificity)、敏感度(sensitivity)和準(zhǔn)確率(accuracy)。三個(gè)指標(biāo)的計(jì)算公式如下：其中tp,fp,tn,和fn分別表示真陽(yáng)個(gè)數(shù)，假陽(yáng)個(gè)數(shù)，真陰個(gè)數(shù)，假陰個(gè)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(duì)最小二乘支持向量機(jī)模型進(jìn)行訓(xùn)練并測(cè)試其性能，具體結(jié)果見(jiàn)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(hào)對(duì)癲癇研究具有重要價(jià)值，本發(fā)明使用基于多導(dǎo)腦電信號(hào)的癲癇發(fā)作檢測(cè)方法癲癇患者腦電信號(hào)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(shí)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(yè)12