本發(fā)明屬于腦電信號檢測領(lǐng)域，尤其涉及一種腦電信號狀態(tài)變化的實(shí)時(shí)檢測方法及系統(tǒng)。

背景技術(shù)：

腦電信號能夠?yàn)榕R床診斷提供大量精確有效的生理和心理信息，實(shí)時(shí)監(jiān)控腦電信號能夠在線獲得觀察對象的腦功能活動(dòng)狀態(tài)，已經(jīng)廣泛應(yīng)用于臨床診斷及商業(yè)應(yīng)用中。

在監(jiān)控過程中，實(shí)時(shí)檢測腦電信號狀態(tài)的變化，能夠?qū)崟r(shí)發(fā)現(xiàn)人腦功能活動(dòng)狀態(tài)的變化，可輔助診斷癲癇等精神類疾病的發(fā)作。然而，當(dāng)前的臨床診斷中，對于腦電信號狀態(tài)變化的檢測，多依賴于有經(jīng)驗(yàn)的醫(yī)師憑借人眼觀察腦電圖。由于腦電圖數(shù)據(jù)量龐大，人眼長時(shí)間檢查腦電信號中異常發(fā)作情況往往是一個(gè)枯燥且費(fèi)時(shí)的工作，由此容易造成檢測精度低、檢測時(shí)間長等局限，無法達(dá)到監(jiān)控過程中實(shí)時(shí)檢測的要求。

技術(shù)實(shí)現(xiàn)要素：

為了解決現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種腦電信號狀態(tài)變化的實(shí)時(shí)檢測方法，該方法在腦電信號監(jiān)控過程中對信號的變化點(diǎn)做出決策，無需先驗(yàn)知識(shí)，可在線實(shí)時(shí)的進(jìn)行檢測，能夠直接應(yīng)用于腦電信號狀態(tài)監(jiān)控及變化檢測相關(guān)應(yīng)用中。

本發(fā)明的一種腦電信號狀態(tài)變化的實(shí)時(shí)檢測方法，包括：

提取腦電信號的特征值；

利用自回歸模型對提取的腦電信號的特征值進(jìn)行建模，并通過殘差分析計(jì)算腦電信號的時(shí)序異常度；

基于隨機(jī)冪鞅對腦電信號的時(shí)序異常度進(jìn)行統(tǒng)計(jì)檢驗(yàn)，進(jìn)而確定腦電信號狀態(tài)發(fā)生變化的時(shí)刻。

進(jìn)一步的，提取腦電信號的幅值特征值的具體過程為：

以1：n的降采樣率對腦電信號進(jìn)行降采樣，形成腦電信號電壓幅值序列；其中，n為大于1的正整數(shù)；

引入一個(gè)固定長度的滑動(dòng)窗，在該滑動(dòng)窗內(nèi)來提取窗內(nèi)腦電信號電壓幅值序列的時(shí)域統(tǒng)計(jì)特征；

將得到的時(shí)域統(tǒng)計(jì)特征融合成一維特征向量。

本發(fā)明通過降采樣以及滑動(dòng)窗技術(shù)，將腦電信號的時(shí)域統(tǒng)計(jì)特征融合為一維特征向量，將腦電信號進(jìn)行了統(tǒng)一化，提高了腦電信息狀態(tài)變化檢測的準(zhǔn)確度。

進(jìn)一步的，利用自回歸模型對提取的腦電信號的特征值進(jìn)行建模之后，當(dāng)某一時(shí)刻的腦電信號不再滿足上述建立的模型時(shí)，則當(dāng)前時(shí)刻為變化點(diǎn)。

進(jìn)一步的，通過殘差分析計(jì)算腦電信號的時(shí)序異常度的具體過程為：

分別通過一維特征向量中的特征值與利用自回歸模型對提取的腦電信號的特征值進(jìn)行建模得到特征值作差，得到預(yù)測誤差；

對預(yù)測誤差進(jìn)行標(biāo)準(zhǔn)化；

通過求取任一標(biāo)準(zhǔn)化后的預(yù)測誤差與標(biāo)準(zhǔn)化后的預(yù)測誤差均值之間的歐式距離，得到腦電信號的時(shí)序異常度。

本發(fā)明通過引入預(yù)測誤差，進(jìn)而對腦電信號的時(shí)序異常度進(jìn)行計(jì)算，能夠得到準(zhǔn)確的計(jì)算結(jié)果，進(jìn)而提高了腦電信號狀態(tài)變化實(shí)時(shí)檢測的準(zhǔn)確性及效率。

進(jìn)一步的，基于隨機(jī)冪鞅對腦電信號的時(shí)序異常度進(jìn)行統(tǒng)計(jì)檢驗(yàn)，進(jìn)而確定腦電信號狀態(tài)發(fā)生變化的時(shí)刻的具體過程包括：

首先，構(gòu)建鞅函數(shù)；

然后，通過doob最大值不等式進(jìn)行決策來判斷當(dāng)前時(shí)刻是否為腦電信號狀態(tài)發(fā)生變化的時(shí)刻。

其中，通過doob最大值不等式(doob’smaximalinequality)進(jìn)行決策，即：

h0:1＜m(c)＜λ

ha:m(c)≥λ

若當(dāng)前時(shí)刻c的martingale值小于預(yù)設(shè)的λ值時(shí)，則接受上述不等式中的假設(shè)檢驗(yàn)h0，則當(dāng)前時(shí)刻c不是變化點(diǎn)；否則接受假設(shè)檢驗(yàn)ha，即認(rèn)為當(dāng)前時(shí)刻c為變化點(diǎn)。不等式中閾值λ通過交叉驗(yàn)證得到，可通過改變不等式中λ的值實(shí)現(xiàn)檢測結(jié)果的動(dòng)態(tài)調(diào)整。

本發(fā)明還提供了一種腦電信號狀態(tài)變化的實(shí)時(shí)檢測方法系統(tǒng)。

本發(fā)明的一種腦電信號狀態(tài)變化的實(shí)時(shí)檢測方法系統(tǒng)，包括：

特征值提取模塊，其用于提取腦電信號的特征值；

異常度計(jì)算模塊，其用于利用自回歸模型對提取的腦電信號的特征值進(jìn)行建模，并通過殘差分析計(jì)算腦電信號的時(shí)序異常度；

變化時(shí)刻確定模塊，其用于基于隨機(jī)冪鞅對腦電信號的時(shí)序異常度進(jìn)行統(tǒng)計(jì)檢驗(yàn)，進(jìn)而確定腦電信號狀態(tài)發(fā)生變化的時(shí)刻。

進(jìn)一步的，所述特征值提取模塊包括：

降采樣模塊，其用于以1：n的降采樣率對腦電信號進(jìn)行降采樣，形成腦電信號電壓幅值序列；其中，n為大于1的正整數(shù)；

滑動(dòng)窗口特征提取模塊，其用于引入一個(gè)固定長度的滑動(dòng)窗，在該滑動(dòng)窗內(nèi)來提取窗內(nèi)腦電信號電壓幅值序列的時(shí)域統(tǒng)計(jì)特征；

特征融合模塊，其用于將得到的時(shí)域統(tǒng)計(jì)特征融合成一維特征向量。

進(jìn)一步的，所述異常度計(jì)算模塊中，當(dāng)某一時(shí)刻的腦電信號不再滿足上述建立的模型時(shí)，則當(dāng)前時(shí)刻為變化點(diǎn)。

進(jìn)一步的，所述異常度計(jì)算模塊包括：

預(yù)測誤差計(jì)算模塊，其用于分別通過一維特征向量中的特征值與利用自回歸模型對提取的腦電信號的特征值進(jìn)行建模得到特征值作差，得到預(yù)測誤差；

預(yù)測誤差標(biāo)準(zhǔn)化模塊，其用于對預(yù)測誤差進(jìn)行標(biāo)準(zhǔn)化；

歐式距離計(jì)算模塊，其用于通過求取任一標(biāo)準(zhǔn)化后的預(yù)測誤差與標(biāo)準(zhǔn)化后的預(yù)測誤差均值之間的歐式距離，得到腦電信號的時(shí)序異常度。

進(jìn)一步的，所述變化時(shí)刻確定模塊包括：

鞅函數(shù)構(gòu)建模塊，其用于構(gòu)建鞅函數(shù)；

判斷模塊，其用于通過doob最大值不等式進(jìn)行決策來判斷當(dāng)前時(shí)刻是否為腦電信號狀態(tài)發(fā)生變化的時(shí)刻。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

本發(fā)明首先對獲得的腦電信號進(jìn)行特征提?。辉谔崛〉哪X電信號特征的基礎(chǔ)上，利用自回歸模型對其進(jìn)行建模分析，并通過殘差分析計(jì)算該信號的時(shí)序異常度；根據(jù)得到的時(shí)序異常度，采用隨機(jī)冪鞅對其進(jìn)行統(tǒng)計(jì)檢驗(yàn)，進(jìn)而確定腦電信號狀態(tài)發(fā)生變化的時(shí)刻。該方法在腦電信號監(jiān)控過程中對信號的變化點(diǎn)做出決策，無需先驗(yàn)知識(shí)，可在線實(shí)時(shí)的進(jìn)行檢測，能夠直接應(yīng)用于腦電信號狀態(tài)監(jiān)控及變化檢測相關(guān)應(yīng)用中。

附圖說明

構(gòu)成本申請的一部分的說明書附圖用來提供對本申請的進(jìn)一步理解，本申請的示意性實(shí)施例及其說明用于解釋本申請，并不構(gòu)成對本申請的不當(dāng)限定。

圖1是本發(fā)明的一種腦電信號狀態(tài)變化的實(shí)時(shí)檢測方法流程圖；

圖2是觀測的腦電信號；

圖3是λ＝2時(shí)的檢測結(jié)果；

圖4是λ＝3時(shí)的檢測結(jié)果；

圖5是λ＝4時(shí)的檢測結(jié)果；

圖6是本發(fā)明的一種腦電信號狀態(tài)變化的實(shí)時(shí)檢測方法系統(tǒng)的結(jié)構(gòu)示意圖。

具體實(shí)施方式

應(yīng)該指出，以下詳細(xì)說明都是例示性的，旨在對本申請?zhí)峁┻M(jìn)一步的說明。除非另有指明，本文使用的所有技術(shù)和科學(xué)術(shù)語具有與本申請所屬技術(shù)領(lǐng)域的普通技術(shù)人員通常理解的相同含義。

需要注意的是，這里所使用的術(shù)語僅是為了描述具體實(shí)施方式，而非意圖限制根據(jù)本申請的示例性實(shí)施方式。如在這里所使用的，除非上下文另外明確指出，否則單數(shù)形式也意圖包括復(fù)數(shù)形式，此外，還應(yīng)當(dāng)理解的是，當(dāng)在本說明書中使用術(shù)語“包含”和/或“包括”時(shí)，其指明存在特征、步驟、操作、器件、組件和/或它們的組合。

圖1是本發(fā)明的一種腦電信號狀態(tài)變化的實(shí)時(shí)檢測方法流程圖。

如圖1所示，本發(fā)明的一種腦電信號狀態(tài)變化的實(shí)時(shí)檢測方法，包括：

s101：提取腦電信號的特征值。

本實(shí)施例圖2所示的腦電信號為例：

具體地，提取腦電信號的幅值特征值的具體過程為：

s1011：以1：n的降采樣率對腦電信號進(jìn)行降采樣，形成腦電信號電壓幅值序列；其中，n為大于1的正整數(shù)。

在具體實(shí)施中，n以50為例：

對于給定的腦電信號，首先對其以1:50的降采樣率進(jìn)行降采樣，將降采樣后的腦電信號表示為{y1,y2,...,yn}(表示第i個(gè)信號點(diǎn)的電壓幅值，n代表腦電信號的序列長度)。

s1012：引入一個(gè)固定長度的滑動(dòng)窗，在該滑動(dòng)窗內(nèi)來提取窗內(nèi)腦電信號電壓幅值序列的時(shí)域統(tǒng)計(jì)特征。

引入一個(gè)固定長度為l(應(yīng)用中設(shè)置為5)的滑動(dòng)窗，在該滑動(dòng)窗內(nèi)提取窗內(nèi)序列的時(shí)域統(tǒng)計(jì)特征。對于k時(shí)刻的信號，滑動(dòng)窗設(shè)置為{yk-l+1,yk-l+2,…,yk}，在該滑動(dòng)窗內(nèi)用5個(gè)時(shí)域統(tǒng)計(jì)特征fj(j＝1,2,3,4,5)來表征該時(shí)刻的特征，所使用的時(shí)域特征計(jì)算方式如下：

f2＝max{yk-l+1,yk-l+2,...,yk}

f3＝min{yk-l+1,yk-l+2,...,yk}

s1013：將得到的時(shí)域統(tǒng)計(jì)特征融合成一維特征向量。

將fj(j＝1,2,3,4,5)進(jìn)行融合，計(jì)算方式如下：

因此，長度為n的腦電信號{y1,y2,…,yn}可以用一維向量表征為{q1,q2,…,qn}。對于信號{y1,y2,…,yl-1}，其特征初始化為0。

本發(fā)明通過降采樣以及滑動(dòng)窗技術(shù)，將腦電信號的時(shí)域統(tǒng)計(jì)特征融合為一維特征向量，將腦電信號進(jìn)行了統(tǒng)一化，提高了腦電信息狀態(tài)變化檢測的準(zhǔn)確度。

s102：利用自回歸模型對提取的腦電信號的特征值進(jìn)行建模，并通過殘差分析計(jì)算腦電信號的時(shí)序異常度。

具體地，s102的具體過程包括：

s1021：假設(shè)所給定的腦電信號序列已被表示為{q1,q2,...,qn}，用一個(gè)自回歸線性模型對該信號進(jìn)行建模分析，建模方式如下：

qt＝μ+βt+εt

其中，μ為腦電信號序列的均值，β為變化趨勢，εt為一獨(dú)立同分布的誤差，且滿足期望為零?？梢酝ㄟ^計(jì)算獲得μ和β的值，即：

當(dāng)某一時(shí)刻的腦電信號不再滿足上述模型時(shí)，即認(rèn)為該時(shí)刻為變化點(diǎn)。顯然，一旦數(shù)據(jù)分布發(fā)生變化，上述模型中的兩個(gè)參數(shù)μ和β將與之前所建模型中明顯不同。假設(shè)在c時(shí)刻信號分布發(fā)生變化，模型中的參數(shù)由原來的(μ1,β1)變?yōu)?μ2,β2)，可通過一個(gè)分段線性模型來描述這種變化，即：

給出如下的建設(shè)檢驗(yàn)?zāi)Ｐ?，即?/p>

h0:μ1＝μ2andβ1＝β2

ha:μ1≠μ2and/orβ1≠β2

當(dāng)腦電信號狀態(tài)未發(fā)生明顯變化時(shí)，μ和β均保持不變；若發(fā)生明顯的變化時(shí)，μ和β將發(fā)生變化。也就是說，當(dāng)h0被拒絕，即ha為真時(shí)，當(dāng)前時(shí)刻的信號被確定為變化點(diǎn)。

s1022：引入預(yù)測誤差{et}來量化{q1,q2,...,qn}數(shù)據(jù)分布的時(shí)序波動(dòng)情況。

假設(shè)(μ1,β1)已由計(jì)算獲得，則qt的線性預(yù)測值可通過步驟(2-1)中建立的自回歸模型計(jì)算得到則該時(shí)刻的預(yù)測誤差et可表示為：

其中，||·||為歐式距離。為了簡化計(jì)算，可計(jì)算為結(jié)合步驟(2-1)中建立的分段線性模型，預(yù)測誤差et的值可分為兩種情況：

1)當(dāng)t＜c時(shí)，當(dāng)前信號服從預(yù)設(shè)的數(shù)據(jù)分布，預(yù)測誤差et很小或近似等于0；

2)當(dāng)t＝c時(shí)，當(dāng)前信號不在服從原來的數(shù)據(jù)分布，步驟(2-1)中建立的自回歸模型參數(shù)發(fā)生明顯變化，使得預(yù)測誤差et變大。

s1023：對于獲得的預(yù)測誤差序列{et}，將其進(jìn)行標(biāo)準(zhǔn)化，即：

其中，為樣本均值，σ為標(biāo)準(zhǔn)差。最后，在計(jì)算得到的{z1,z2,...,zt-1}基礎(chǔ)上，數(shù)據(jù)異常度可計(jì)算為：

st＝s({z1,z2,…,zt-1},zt)＝||zt-ht-1||

其中，

本發(fā)明通過引入預(yù)測誤差，進(jìn)而對腦電信號的時(shí)序異常度進(jìn)行計(jì)算，能夠得到準(zhǔn)確的計(jì)算結(jié)果，進(jìn)而提高了腦電信號狀態(tài)變化實(shí)時(shí)檢測的準(zhǔn)確性及效率。

s103：基于隨機(jī)冪鞅對腦電信號的時(shí)序異常度進(jìn)行統(tǒng)計(jì)檢驗(yàn)，進(jìn)而確定腦電信號狀態(tài)發(fā)生變化的時(shí)刻。

s103的具體過程包括：

s1031：異常度{s1,s2,…,st}的基礎(chǔ)上，采用基于隨機(jī)冪鞅(randompowermartingale，rpm)統(tǒng)計(jì)檢驗(yàn)。它是一個(gè)無參數(shù)的數(shù)據(jù)統(tǒng)計(jì)檢驗(yàn)?zāi)軌蛟跓o監(jiān)督環(huán)境下進(jìn)行檢測運(yùn)行，且可以實(shí)時(shí)在線執(zhí)行。

首先，構(gòu)建鞅(martingale)如下：

其中，ξ∈(0,1)，應(yīng)用中設(shè)置為0.8，的計(jì)算公式如下：

式中：#{·}是一個(gè)計(jì)數(shù)函數(shù)，θi是均勻分布在[0，1]之間的隨機(jī)數(shù)。由于m(t)可通過迭代計(jì)算得到。

s1032：通過doob最大值不等式(doob’smaximalinequality)進(jìn)行決策，即：

h0:1＜m(c)＜λ

ha:m(c)≥λ

若當(dāng)前時(shí)刻c的martingale值小于預(yù)設(shè)的λ值時(shí)，則接受上述不等式中的假設(shè)檢驗(yàn)h0，則當(dāng)前時(shí)刻c不是變化點(diǎn)；否則接受假設(shè)檢驗(yàn)ha，即認(rèn)為當(dāng)前時(shí)刻c為變化點(diǎn)。不等式中閾值λ通過交叉驗(yàn)證得到，可通過改變不等式中λ的值實(shí)現(xiàn)檢測結(jié)果的動(dòng)態(tài)調(diào)整，如圖3-圖5分別為λ＝2、λ＝3和λ＝4時(shí)的檢測結(jié)果。

為實(shí)現(xiàn)腦電信號狀態(tài)變化的在線實(shí)時(shí)檢測，對于已觀測的腦電信號{y1,y2,...,yt}，若t時(shí)刻未被確定為變化點(diǎn)，則繼續(xù)觀測信號并檢測t＝t+1，繼續(xù)執(zhí)行步驟s101-s103；若t時(shí)刻被確定為變化點(diǎn)，則將該時(shí)刻重置為初始點(diǎn)，重新執(zhí)行步驟s101-s103。

本發(fā)明首先對獲得的腦電信號進(jìn)行特征提??；在提取的腦電信號特征的基礎(chǔ)上，利用自回歸模型對其進(jìn)行建模分析，并通過殘差分析計(jì)算該信號的時(shí)序異常度；根據(jù)得到的時(shí)序異常度，采用隨機(jī)冪鞅對其進(jìn)行統(tǒng)計(jì)檢驗(yàn)，進(jìn)而確定腦電信號狀態(tài)發(fā)生變化的時(shí)刻。該方法在腦電信號監(jiān)控過程中對信號的變化點(diǎn)做出決策，無需先驗(yàn)知識(shí)，可在線實(shí)時(shí)的進(jìn)行檢測，能夠直接應(yīng)用于腦電信號狀態(tài)監(jiān)控及變化檢測相關(guān)應(yīng)用中。

圖6是本發(fā)明的一種腦電信號狀態(tài)變化的實(shí)時(shí)檢測方法系統(tǒng)的結(jié)構(gòu)示意圖。

如圖6所示，本發(fā)明的一種腦電信號狀態(tài)變化的實(shí)時(shí)檢測方法系統(tǒng)，包括：

(1)特征值提取模塊，其用于提取腦電信號的特征值。

其中，所述特征值提取模塊包括：

(1.1)降采樣模塊，其用于以1：n的降采樣率對腦電信號進(jìn)行降采樣，形成腦電信號電壓幅值序列；其中，n為大于1的正整數(shù)；

在具體實(shí)施中，n以50為例：

對于給定的腦電信號，首先對其以1:50的降采樣率進(jìn)行降采樣，將降采樣后的腦電信號表示為{y1,y2,...,yn}(表示第i個(gè)信號點(diǎn)的電壓幅值，n代表腦電信號的序列長度)。

(1.2)滑動(dòng)窗口特征提取模塊，其用于引入一個(gè)固定長度的滑動(dòng)窗，在該滑動(dòng)窗內(nèi)來提取窗內(nèi)腦電信號電壓幅值序列的時(shí)域統(tǒng)計(jì)特征；

引入一個(gè)固定長度為l(應(yīng)用中設(shè)置為5)的滑動(dòng)窗，在該滑動(dòng)窗內(nèi)提取窗內(nèi)序列的時(shí)域統(tǒng)計(jì)特征。對于k時(shí)刻的信號，滑動(dòng)窗設(shè)置為{yk-l+1,yk-l+2,...,yk}，在該滑動(dòng)窗內(nèi)用5個(gè)時(shí)域統(tǒng)計(jì)特征fj(j＝1,2,3,4,5)來表征該時(shí)刻的特征，所使用的時(shí)域特征計(jì)算方式如下：

f2＝max{yk-l+1,yk-l+2,…,yk}

f3＝min{yk-l+1,yk-l+2,...,yk}

(1.3)特征融合模塊，其用于將得到的時(shí)域統(tǒng)計(jì)特征融合成一維特征向量。

將fj(j＝1,2,3,4,5)進(jìn)行融合，計(jì)算方式如下：

因此，長度為n的腦電信號{y1,y2,...,yn}可以用一維向量表征為{q1,q2,...,qn}。對于信號{y1,y2,…,yl-1}，其特征初始化為0。

本發(fā)明通過降采樣以及滑動(dòng)窗技術(shù)，將腦電信號的時(shí)域統(tǒng)計(jì)特征融合為一維特征向量，將腦電信號進(jìn)行了統(tǒng)一化，提高了腦電信息狀態(tài)變化檢測的準(zhǔn)確度。

(2)異常度計(jì)算模塊，其用于利用自回歸模型對提取的腦電信號的特征值進(jìn)行建模，并通過殘差分析計(jì)算腦電信號的時(shí)序異常度。

所述異常度計(jì)算模塊中，當(dāng)某一時(shí)刻的腦電信號不再滿足上述建立的模型時(shí)，則當(dāng)前時(shí)刻為變化點(diǎn)。

其中，異常度計(jì)算模塊包括：

(2.1)預(yù)測誤差計(jì)算模塊，其用于分別通過一維特征向量中的特征值與利用自回歸模型對提取的腦電信號的特征值進(jìn)行建模得到特征值作差，得到預(yù)測誤差；

具體地，假設(shè)所給定的腦電信號序列已被表示為{q1,q2,...,qn}，用一個(gè)自回歸線性模型對該信號進(jìn)行建模分析，建模方式如下：

qt＝μ+βt+εt

其中，μ為腦電信號序列的均值，β為變化趨勢，εt為一獨(dú)立同分布的誤差，且滿足期望為零。可以通過計(jì)算獲得μ和β的值，即：

當(dāng)某一時(shí)刻的腦電信號不再滿足上述模型時(shí)，即認(rèn)為該時(shí)刻為變化點(diǎn)。顯然，一旦數(shù)據(jù)分布發(fā)生變化，上述模型中的兩個(gè)參數(shù)μ和β將與之前所建模型中明顯不同。假設(shè)在c時(shí)刻信號分布發(fā)生變化，模型中的參數(shù)由原來的(μ1,β1)變?yōu)?μ2,β2)，可通過一個(gè)分段線性模型來描述這種變化，即：

給出如下的建設(shè)檢驗(yàn)?zāi)Ｐ?，即?/p>

h0:μ1＝μ2andβ1＝β2

ha:μ1≠μ2and/orβ1≠β2

當(dāng)腦電信號狀態(tài)未發(fā)生明顯變化時(shí)，μ和β均保持不變；若發(fā)生明顯的變化時(shí)，μ和β將發(fā)生變化。也就是說，當(dāng)h0被拒絕，即ha為真時(shí)，當(dāng)前時(shí)刻的信號被確定為變化點(diǎn)。

引入預(yù)測誤差{et}來量化{q1,q2,…,qn}數(shù)據(jù)分布的時(shí)序波動(dòng)情況。

假設(shè)(μ1,β1)已由計(jì)算獲得，則qt的線性預(yù)測值可通過步驟(2-1)中建立的自回歸模型計(jì)算得到則該時(shí)刻的預(yù)測誤差et可表示為：

其中，||·||為歐式距離。為了簡化計(jì)算，可計(jì)算為結(jié)合步驟(2-1)中建立的分段線性模型，預(yù)測誤差et的值可分為兩種情況：

1)當(dāng)t＜c時(shí)，當(dāng)前信號服從預(yù)設(shè)的數(shù)據(jù)分布，預(yù)測誤差et很小或近似等于0；

2)當(dāng)t＝c時(shí)，當(dāng)前信號不在服從原來的數(shù)據(jù)分布，步驟(2-1)中建立的自回歸模型參數(shù)發(fā)生明顯變化，使得預(yù)測誤差et變大。

(2.2)預(yù)測誤差標(biāo)準(zhǔn)化模塊，其用于對預(yù)測誤差進(jìn)行標(biāo)準(zhǔn)化；

對于獲得的預(yù)測誤差序列{et}，將其進(jìn)行標(biāo)準(zhǔn)化，即：

其中，為樣本均值，σ為標(biāo)準(zhǔn)差。

(2.3)歐式距離計(jì)算模塊，其用于通過求取任一標(biāo)準(zhǔn)化后的預(yù)測誤差與標(biāo)準(zhǔn)化后的預(yù)測誤差均值之間的歐式距離，得到腦電信號的時(shí)序異常度。

最后，在計(jì)算得到的{z1,z2,...,zt-1}基礎(chǔ)上，數(shù)據(jù)異常度可計(jì)算為：

st＝s({z1,z2,...,zt-1},zt)＝||zt-ht-1||

其中，

(3)變化時(shí)刻確定模塊，其用于基于隨機(jī)冪鞅對腦電信號的時(shí)序異常度進(jìn)行統(tǒng)計(jì)檢驗(yàn)，進(jìn)而確定腦電信號狀態(tài)發(fā)生變化的時(shí)刻。

其中，變化時(shí)刻確定模塊包括：

(3.1)鞅函數(shù)構(gòu)建模塊，其用于構(gòu)建鞅函數(shù)；

異常度{s1,s2,...,st}的基礎(chǔ)上，采用基于隨機(jī)冪鞅(randompowermartingale，rpm)統(tǒng)計(jì)檢驗(yàn)。它是一個(gè)無參數(shù)的數(shù)據(jù)統(tǒng)計(jì)檢驗(yàn)?zāi)軌蛟跓o監(jiān)督環(huán)境下進(jìn)行檢測運(yùn)行，且可以實(shí)時(shí)在線執(zhí)行。構(gòu)建鞅(martingale)如下：

其中，ξ∈(0,1)，應(yīng)用中設(shè)置為0.8，的計(jì)算公式如下：

式中：#{·}是一個(gè)計(jì)數(shù)函數(shù)，θi是均勻分布在[0，1]之間的隨機(jī)數(shù)。由于m(t)可通過迭代計(jì)算得到。

(3.2)判斷模塊，其用于通過doob最大值不等式進(jìn)行決策來判斷當(dāng)前時(shí)刻是否為腦電信號狀態(tài)發(fā)生變化的時(shí)刻。

其中，通過doob最大值不等式(doob’smaximalinequality)進(jìn)行決策，即：

h0:1＜m(c)＜λ

ha:m(c)≥λ

若當(dāng)前時(shí)刻c的martingale值小于預(yù)設(shè)的λ值時(shí)，則接受上述不等式中的假設(shè)檢驗(yàn)h0，則當(dāng)前時(shí)刻c不是變化點(diǎn)；否則接受假設(shè)檢驗(yàn)ha，即認(rèn)為當(dāng)前時(shí)刻c為變化點(diǎn)。不等式中閾值λ通過交叉驗(yàn)證得到，可通過改變不等式中λ的值實(shí)現(xiàn)檢測結(jié)果的動(dòng)態(tài)調(diào)整。

上述雖然結(jié)合附圖對本發(fā)明的具體實(shí)施方式進(jìn)行了描述，但并非對本發(fā)明保護(hù)范圍的限制，所屬領(lǐng)域技術(shù)人員應(yīng)該明白，在本發(fā)明的技術(shù)方案的基礎(chǔ)上，本領(lǐng)域技術(shù)人員不需要付出創(chuàng)造性勞動(dòng)即可做出的各種修改或變形仍在本發(fā)明的保護(hù)范圍以內(nèi)。