基于脑电信号处理的癫痫发作预警设备的制作方法

本发明涉及数据处理
技术领域：
，特别涉及一种基于脑电信号处理的癫痫发作预警设备。
背景技术：
：癫痫是由大脑神经元突发性异常放电引起的一种慢性功能障碍疾病，发作时会造成患者运动、意识、感觉和行为等方面的障碍，给病人带来极大的痛苦。对于某些无法治愈的癫痫而言，癫痫发作预警技术可以在癫痫真正发作之前一段时间进行预警，以便提前采取必要的治疗措施，降低对于患者的伤害。目前癫痫预警的主要技术是对于脑电信号的分析与处理。癫痫发作前脑电信号会出现棘波、尖波、棘慢复合波、尖慢复合波等异常特征，提取并分类这些异常特征是癫痫预警的关键。作为一种随机非平稳信号，脑电信号具有背景噪声强，原始数据集巨大等特点，因此提取信号特征的较为困难，常见的处理方法有时域分析、快速傅里叶变换、小波变换、自回归分析等。利用这些方法从原始数据中提取出特征向量，再通过选取合适的分类器及其参数，可以得到可观的自动化检测的准确率。对于癫痫发作的预警，前人做了很多相关研究。中国专利公开号cn108320800a，提供了一种癫痫病发作检测和发作前预测的脑电数据分析方法。它通过对于头皮脑电图(eeg)信号的处理得到时频域特征，然后通过特征选择算法对特征集进行筛选，得到的最优特征子集后再用支持向量机(supportvectormachine，svm)进行训练分类，根据分类结果确定预测和检测结果。但由于癫痫发作期和发作前期的波形特征不同，用同样的方法处理，检测的准确度与预测的时间长度二者的矛盾无法调和。在这种情况下，该技术所关注的重点仍是癫痫发作的检测，因而它限制了仅为5s左右较短的预测时间，得到了95％以上较高的检测准确率。但就实际情况分析，5s左右的预警时间太短而不足以满足需求，不够医生及时采取治疗措施等。技术实现要素：为解决上述的全部或部分的技术问题，本发明提供了一种基于脑电信号处理的癫痫发作预警设备，所述基于脑电信号处理的癫痫发作预警设备包括：信号采集设备和上位机；所述信号采集设备，用于获取用户在当前时刻的当前脑电信号，获取用户在距离当前时刻预设时间长度内的历史脑电信号，将所述当前脑电信号和历史脑电信号作为待检测脑电信号；所述上位机，用于从所述待检测脑电信号中提取预设通道的通道信号，对所述通道信号按照预设时间窗进行划分，获得若干段通道信号；所述上位机，还用于分别获取各段通道信号的时域特征以及频率特征，将各段通道信号的时域特征以及频率特征按照空间位置进行组合，获得特征向量；所述上位机，还用于根据所述特征向量进行癫痫发作预警。优选地，所述上位机，还用于分别获取各段通道信号的均值、方差、偏度和峰度，并将各段通道信号的均值、方差、偏度和峰度作为各段通道信号的时域特征。优选地，所述上位机，还用于分别对各段通道信号进行小波变换，获得各段通道信号在不同频率组分的分解系数；所述上位机，还用于根据所述各段通道信号在不同频率组分的分解系数计算各段通道信号的小波能量，将各段通道信号的小波能量作为各段通道信号的频率特征。优选地，所述上位机，还用于分别对各段通道信号进行db5小波变换，获得各段通道信号分别在d1、d2、d3、d4、d5、d6、d7和d8频率组分的分解系数。优选地，所述上位机，还用于将各段通道信号属于相同子波带的分解系数进行合并，获得各段通道信号在不同子波段的分解系数；所述上位机，还用于通过下式计算各段通道信号的小波能量，其中，ei为第i段通道信号的小波能量，di(k)为第i段通道信号的第k个子波段的分解系数。优选地，所述预设通道为左后半脑的6个通道。优选地，所述上位机，还用于根据所述特征向量通过预设分类器进行癫痫发作预警。优选地，所述预设分类器为支持向量机分类器或逻辑回归分类器。优选地，所述上位机，还用于对所述待检测脑电信号采用fir滤波，以去除预设频率以上的分量噪声。优选地，所述上位机，还用于去除所述待检测脑电信号的基线漂移。本发明在进行癫痫发作预警时，综合了信号时域、频域两个方面的特征，提高了预测结果准确度。附图说明图1是本发明一种实施方式的基于脑电信号处理的癫痫发作预警设备的结构框图。具体实施方式下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。图1是本发明一种实施方式的基于脑电信号处理的癫痫发作预警设备的结构框图；参照图1，所述基于脑电信号处理的癫痫发作预警设备包括：信号采集设备100和上位机200；所述信号采集设备100，用于获取用户在当前时刻的当前脑电信号，获取用户在距离当前时刻预设时间长度内的历史脑电信号，将所述当前脑电信号和历史脑电信号作为待检测脑电信号；需要说明的是，由于癫痫发作前，会在脑电信号中存在一定的反应，此时，可将当前脑电信号和历史脑电信号作为待检测脑电信号。由于人的脑电波的频率变化范围在1～30hz之间，可按频率分为θ、δ、α、β等几种基本波形，在不同精神状态下不同波形占据主导，为了提高后续处理的准确率，本实施例中，所述信号采集设备100在获得待检测脑电信号后，可对所述待检测脑电信号采用有限长单位冲激响应(finiteimpulseresponse，fir)滤波，以去除预设频率以上的分量噪声，当然，所述预设频率可设置为30hz。所述上位机200，用于从所述待检测脑电信号中提取预设通道的通道信号，对所述通道信号按照预设时间窗进行划分，获得若干段通道信号；可理解的是，为提高后续预测结果的准确性，本实施例中，所述上位机200，还用于去除所述待检测脑电信号的基线漂移。在具体实现中，对于同一个病人而言，需要确定发作前期与发作间期的数据划分。以发作前6min作为发作前期，发作前后至少一小时作为发作间期。为了减小实验结果偶然性，这里可使用4次癫痫发作前的数据文件作为发作前期数据，根据对称性，在未发生癫痫的数据文件中截取相同长度的数据作为发作间期。对于拼接好的数据集，80％用于模型训练，20％作为测试数据。以6s的无交叠时间窗将数据进行分段，下面对于每一段的数据进行处理。需要说明的是，每一段数据中都包含着全部23个通道的信息，但是由于癫痫发作特征只在其中一部分通道中表现出来，过多的电极也会给患者带来负担，降低算法运行速度，因而有必要对通道进行筛选。为保证预测的准确性，电极数量也不能太少，一般采用6个电极左右。通常不同患者病灶所在位置不同，因而通道应根据实际情况加以选择。本实施例通过查看通道位置，提取了左后半脑6个通道的信息，代表该区域局域性癫痫发作和全身癫痫发作全脑传播。所述上位机200，还用于分别获取各段通道信号的时域特征以及频率特征，将各段通道信号的时域特征以及频率特征按照空间位置进行组合，获得特征向量；需要说明的是，将各段通道信号的时域特征以及频率特征组合在一起，进行归一化处理后构成特征向量，再把左后半脑6个通道的向量按照空间位置组合起来，加入标签，就完成了特征提取。可理解的是，从时域角度，可计算各段通道信号的时域特征，可将数据的一至四阶矩作为时域特征，即所述时域特征可包括：均值、方差、偏度和峰度，其中，方差等价于信号的能量，偏度和峰度则是幅度分布对称性、相对陡峭平滑程度的度量，从实验结果观察，方差减小与峰度增加是发作前期的显著特征，也就是说，本实施中，所述上位机200，还用于分别获取各段通道信号的均值、方差、偏度和峰度，并将各段通道信号的均值、方差、偏度和峰度作为各段通道信号的时域特征；在具体实现中，从频域角度，对脑电信号进行小波变换，将信号分解到不同的水平，从而得到不同频率组分的子信号，也就是说，所述上位机200，还用于分别对各段通道信号进行小波变换，获得各段通道信号在不同频率组分的分解系数；本实施例中，由于时域信号采用统计量(即均值、方差、偏度和峰度)，并且小波变换的计算量较小，故而生成的特征向量的维度不高，在保证准确度的前提下，能够使得预测时间开销降低。所述上位机200，还用于根据所述各段通道信号在不同频率组分的分解系数计算各段通道信号的小波能量，将各段通道信号的小波能量作为各段通道信号的频率特征。为了使得到的子波带与脑电图(eeg)信号中θ、δ、α、β等频带的节律相吻合，本实施例中，所述上位机200，还用于分别对各段通道信号进行db5小波变换，获得各段通道信号分别在d1、d2、d3、d4、d5、d6、d7和d8频率组分的分解系数。所述上位机200，还用于将各段通道信号属于相同子波带的分解系数进行合并，获得各段通道信号在不同子波段的分解系数，在进行分解系数合并时，可参照下表1；表1所述上位机200，还用于通过下式计算各段通道信号的小波能量，其中，ei为第i段通道信号的小波能量，di(k)为第i段通道信号的第k个子波段的分解系数。所述上位机200，还用于根据所述特征向量进行癫痫发作预警。为便于实现癫痫发作预警，本实施例中，所述上位机200，还用于根据所述特征向量通过预设分类器进行癫痫发作预警，也就是说，对于得到的特征向量，本实施例中，可利用支持向量机、逻辑回归等多种分类器进行分类，由于分类结果可能出现的偶然误差会造成未报警、误报警等现象，可定义预警开始与预警结束时间点判别。由稳定的发作间期转变到稳定的发作前期被视为预警开始点，由稳定的发作前期到稳定的发作间期被视为预警解除点，在开始点和解除点之间一段时间为风险期。若分类结果在一定时间内有80％以上在发作间期或发作前期，就可以判断进入了稳定的发作间期或者发作前期。本实施例在进行癫痫发作预警时，综合了信号时域、频域两个方面的特征，提高了预测结果准确度。下面以具体的实例来说明本发明，但不限定本发明的保护范围。本预测设备使用了波士顿儿童医院公开数据集进行测试，数据库中包含24个患者的数据，采样率256hz、23个通道，文件信息中包含每次采集病人出现癫痫的时间、结束时间等信息，共844小时，包含182次癫痫发作，数据文件以.edf的格式储存。检测率与预测率的分析分别采取以下方法：检测率分析：对于数据集进行了五折交叉验证的方法。本系统采用不同分类器，得到分类结果检测准确率如下表2：表2预测率分析：用训练所得模型对数据进行预测，对于三次癫痫预警时间如下表3：发作发作一发作二发作三预警时间52.5min35.1min5.6min表3可见在保证预测准确度基础上，得到了较长的预警时间。与现有技术相比，本发明提出的技术方案对于癫痫实时性预警效果较好。一方面，仅使用小波变换作为特征，提取的特征维度较低，计算复杂度降低，计算机运行效率有所提升。另一方面，通过非限制性预测时间和平移时间窗，使得预警时间得以延长，给采取措施预留了充足时间。这两个方面特征使得预测结果达到了应用的要求。通过附图和具体实施方式的描述,从系统组成、结构、系数计算原理、上位机显示界面、使用流程等几个方面详细说明了本发明的技术方案。上述方式只是本发明优选的实施方式,对于本领域内的普通技术人员而言,在本发明公开的基础上,很容易想到将其进行修改或者等同替换,应用于各种医疗仪器系统,而不仅限于本发明具体实施方式所描述的系统结构,因此前面描述的方式只是优选的,而并不具有限制性的意义。以上所述仅为本发明的几种具体实施例,以上实施例仅用于对本发明的技术方案和构思做说明而非限制本发明的权利要求范围。凡本
技术领域：
中技术人员在本专利的构思基础上结合现有技术,通过逻辑分析、推理或有限实验可以得到的其他技术方案,也应该被认为落在本发明的权利要求保护范围之内。以上实施方式仅用于说明本发明，而并非对本发明的限制，有关
技术领域：
的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。当前第1页12