基于多尺度樣本熵的癲癇腦皮層電圖信號(hào)分類方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及基于多尺度樣本熵的癲癇腦皮層電圖信號(hào)分類方法，屬于非線性信號(hào) 處理技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 癲癇疾病是一種腦部疾病并影響神經(jīng)系統(tǒng)，根據(jù)世界衛(wèi)生組織2009年的報(bào)告，全 世界約有5千萬的人患有癲癇。其中90%的癲癇病人生活在發(fā)展中國(guó)家，約四分之三的病 人沒有接受過有效治療。癲癇病人同時(shí)受到社會(huì)與技術(shù)公眾的歧視，癲癇病人通常是被禁 止結(jié)婚的。因此，一種而有效地癲癇檢測(cè)技術(shù)，能有效幫助病人應(yīng)對(duì)疾病和減少社會(huì)歧視。 另一方面由于癲癇發(fā)作具有不確定性，需要對(duì)病人的腦電波進(jìn)行長(zhǎng)時(shí)間的檢測(cè)，醫(yī)生根據(jù) 臨床經(jīng)驗(yàn)的判斷容易出現(xiàn)不一致的判斷情況，這是一個(gè)耗時(shí)耗力的過程，而癲癇的自動(dòng)檢 測(cè)技術(shù)能夠減輕醫(yī)生的工作量，并且減少人為的誤差。因此，癲癇腦電的自動(dòng)化檢測(cè)在臨床 中具有重要意義。
[0003] 腦信號(hào)由上億的神經(jīng)元相互作用形成，因而具有非線性、非穩(wěn)定和隨機(jī)的特性。非 線性信號(hào)處理的方法被越來越多的應(yīng)用于腦電信號(hào)的處理中。非線性動(dòng)力學(xué)的理論被應(yīng)用 于多種信號(hào)處理場(chǎng)景包括生物學(xué)信號(hào)的處理。其中用于區(qū)分癲癇信號(hào)的應(yīng)用較為常見。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明解決的技術(shù)問題是：為了實(shí)現(xiàn)癲癇ECoG信號(hào)的自動(dòng)檢測(cè)，本發(fā)明提供了基 于多尺度樣本熵和支持向量機(jī)（support vector machine, SVM)的癲癇腦皮層電圖信號(hào)分 類方法。
[0005] 為了解決上述技術(shù)問題，本發(fā)明提出的技術(shù)方案是：一種基于多尺度樣本熵的癲 癇腦皮層電圖信號(hào)分類方法，包括以下步驟：
[0006] 步驟一：對(duì)癲癇腦皮層電圖信號(hào)預(yù)處理，利用CCA對(duì)信號(hào)進(jìn)行去偽跡。
[0007] 步驟二：對(duì)正常腦皮層電圖信號(hào)和癲癇腦皮層電圖信號(hào)進(jìn)行多尺度樣本熵分析， 提取出反應(yīng)信號(hào)的特性的對(duì)應(yīng)信道下的合適尺度因子下的樣本熵作為輸入特征。
[0008] 步驟三：利用選定的信道下的適當(dāng)?shù)某叨纫蜃酉碌臉颖眷刈鳛樘卣鬏斎雽?duì)癲癇 腦皮層電圖信號(hào)進(jìn)行分類檢測(cè)。
[0009] 優(yōu)選的，所述的癲癇腦皮層電圖信號(hào)預(yù)處理的模塊，采集頻率為400Hz，每段的長(zhǎng) 度為1000點(diǎn)。
[0010] 優(yōu)選的，所述的癲癇腦皮層電圖信號(hào)進(jìn)行多尺度樣本熵分析的步驟，選取的尺度 因子為4,同時(shí)選取r = 0. 15*std，m = 2。
[0011] 優(yōu)選的，所述的利用選定的信道下的適當(dāng)?shù)某叨纫蜃酉碌臉颖眷刈鳛闃颖据斎雽?duì) 癲癇腦皮層電圖信號(hào)進(jìn)行分類檢測(cè)的步驟，使用10,25和74信道的多尺度樣本熵作為特征 輸入。
[0012] 優(yōu)選的，所述的利用選定的信道下的適當(dāng)?shù)某叨纫蜃酉碌臉颖眷刈鳛闃颖据斎雽?duì) 癲癇腦皮層電圖信號(hào)進(jìn)行分類檢測(cè)的步驟，選用支持向量機(jī)算法將發(fā)作狀態(tài)轉(zhuǎn)換為二分類 問題。
[0013] 優(yōu)選的，所述的利用選定的信道下的適當(dāng)?shù)某叨纫蜃酉碌臉颖眷刈鳛闃颖据斎雽?duì) 癲癇腦皮層電圖信號(hào)進(jìn)行分類檢測(cè)的步驟，支持向量機(jī)所選用的核函數(shù)為線性函數(shù)、三次 多項(xiàng)式或高斯函數(shù)。
[0014] 有益效果：
[0015] 本發(fā)明的一種基于多尺度樣本熵的癲癇腦皮層電圖信號(hào)的分類方法，包括信號(hào)獲 取與預(yù)處理模塊、特征計(jì)算與提取模塊、分類模塊。信號(hào)獲取與預(yù)處理模塊主要對(duì)信號(hào)進(jìn)行 濾波與偽跡去除；特征計(jì)算與提取模塊采用多尺度樣本熵對(duì)正常腦皮層電圖信號(hào)和癲癇腦 皮層電圖信號(hào)進(jìn)行分析，并選取適當(dāng)?shù)男诺琅c尺度因子作為特征輸入；分類模塊利用支持 向量機(jī)對(duì)癲癇腦皮層電圖信號(hào)進(jìn)行分類檢測(cè)，支持向量機(jī)算法將發(fā)作狀態(tài)轉(zhuǎn)換為二分類問 題，降低了計(jì)算復(fù)雜度，同時(shí)具有良好的實(shí)時(shí)性。本發(fā)明可以用于癲癇的檢測(cè)與預(yù)警，有很 高的敏感度、特異性和準(zhǔn)確率。
【附圖說明】
[0016] 下面結(jié)合附圖對(duì)本發(fā)明的作進(jìn)一步說明。
[0017] 圖1為癲癇發(fā)作期與發(fā)作間期的ECoG信號(hào)時(shí)域圖
[0018] 圖2為尺度因子分別為2, 3, 4的樣本熵作為特征輸入SVM的區(qū)分率
[0019] 圖3為第25信道多尺度樣本熵（左側(cè)盒須表示癲癇發(fā)作間期，右側(cè)盒須表示癲癇 發(fā)作期）
[0020] 圖4為第25信道尺度因子位4樣本熵分布圖
[0021] 圖5為本發(fā)明方法的流程圖
【具體實(shí)施方式】 [0022] 實(shí)施例1
[0023] -種基于多尺度樣本熵的癲癇腦皮層電圖信號(hào)分類方法，包括以下步驟：
[0024] 步驟一：對(duì)癲癇腦皮層電圖信號(hào)預(yù)處理，利用CCA對(duì)信號(hào)進(jìn)行去偽跡。
[0025] 步驟二：對(duì)正常腦皮層電圖信號(hào)和癲癇腦皮層電圖信號(hào)進(jìn)行多尺度樣本熵分析， 提取出反應(yīng)信號(hào)的特性的對(duì)應(yīng)信道下的合適尺度因子下的樣本熵作為輸入特征。
[0026] 步驟三：利用選定的信道下的適當(dāng)?shù)某叨纫蜃酉碌臉颖眷刈鳛樘卣鬏斎雽?duì)癲癇腦 皮層電圖信號(hào)進(jìn)行分類檢測(cè)。
[0027] 所述的癲癇腦皮層電圖信號(hào)預(yù)處理的模塊，采集頻率為400Hz，每段的長(zhǎng)度為 1000 點(diǎn)。
[0028] 所述的癲癇腦皮層電圖信號(hào)進(jìn)行多尺度樣本熵分析的步驟，選取的尺度因子為4， 同時(shí)選取 r = 0. 15*std，m = 2。
[0029] 所述的利用選定的信道下的適當(dāng)?shù)某叨纫蜃酉碌臉颖眷刈鳛闃颖据斎雽?duì)癲癇腦 皮層電圖信號(hào)進(jìn)行分類檢測(cè)的步驟，使用1〇,25和74信道的多尺度樣本熵作為特征輸入。
[0030] 所述的利用選定的信道下的適當(dāng)?shù)某叨纫蜃酉碌臉颖眷刈鳛闃颖据斎雽?duì)癲癇腦 皮層電圖信號(hào)進(jìn)行分類檢測(cè)的步驟，選用支持向量機(jī)算法將發(fā)作狀態(tài)轉(zhuǎn)換為二分類問題。
[0031] 所述的利用選定的信道下的適當(dāng)?shù)某叨纫蜃酉碌臉颖眷刈鳛闃颖据斎雽?duì)癲癇腦 皮層電圖信號(hào)進(jìn)行分類檢測(cè)的步驟，支持向量機(jī)所選用的核函數(shù)為線性函數(shù)、三次多項(xiàng)式 或高斯函數(shù)。
[0032] 在特征提取部分，計(jì)算出腦電的多尺度熵作為特征。
[0033] 選取一定尺度因子下的多尺度熵組成特征向量作為SVM輸入，從而實(shí)現(xiàn)了癲癇發(fā) 作期ECoG與癲癇發(fā)作間期的分類，取得了理想的分類準(zhǔn)確率。
[0034] 所述多尺度樣本熵，具體算法如下：
[0035] 樣本熵（SampEn)用來衡量一個(gè)系統(tǒng)的復(fù)雜度，對(duì)于給定的嵌入維m,閾值r,長(zhǎng)度 為N的數(shù)據(jù)，樣本熵是非負(fù)的。因?yàn)楫?dāng)嵌入維為m時(shí)，兩組同步數(shù)據(jù)的距離d小于r，那么嵌 入維為m+1時(shí)兩組同步數(shù)據(jù)的距離一定小于r。我們可以用SampEn(m，r，N)來表示。
[0036] 現(xiàn)在假設(shè)我們有一組時(shí)域連續(xù)的長(zhǎng)度為N的數(shù)據(jù)，N = {Xl，x2, X3，…，xN}，當(dāng)嵌入 維數(shù)為m時(shí)，按順序組成一組m維矢量xm⑴=U i, xi+1, xi+2，…，xi+m J，定義矢量xm⑴與 Xni(j)之間的距離d[Xni(i)， Xni(j)]為兩者對(duì)應(yīng)元素中差值最大的一個(gè)，即
[0037] d[xm(i), xm(j)] = max[|x(i+k)-x(j+k) |], 0 ^ k ^ m-1, i ^ j, I ^ i, j ^ N~m (I)
[0038] 對(duì)于給定的閾值r，統(tǒng)計(jì)當(dāng)嵌入維數(shù)為m和m+1時(shí)d[xm(i),xm(j)] < r的個(gè)數(shù)并 分別記為B和A，我們定義樣本熵為
(2>
[0040] 從樣本熵的定義可以看到，A總是比B小，所以SampEn(m, r, N)只能為正值。一個(gè) 較小的樣本熵說明數(shù)據(jù)有較大的自相似性或者有較小的噪聲。通常我們?nèi)的值為2，r的 值為0. 15*std，這里std代表標(biāo)準(zhǔn)偏差，
[0041] 上述的樣本熵其實(shí)是多尺度樣本熵尺度因子δ = 1時(shí)的特殊情況，對(duì)于上述的時(shí)
間序列N = U1, x2, X3,…，χΝ}，根據(jù)尺度因子δ對(duì)其進(jìn)行粗?；?