面向癫痫脑电信号的特征提取与自动识别方法
【技术领域】
[0001] 本发明涉及非平稳信号的时频分析、模式分类及机器学习，属于信号处理和模式 识别技术领域。
【背景技术】
[0002] 癫痫是一种常见多发病症，它极大地危害着人们的健康，严重时可导致人死亡。脑 电（Electroencephalogram，EEG)信号是诊断癫痫的必要依据，目前，癫痫诊断主要是通过 医生对脑电图的视觉检查来完成。视觉检查存在较大的主观因素问题，不同医生或者同一 医生在不同时刻对同一波形的判断可能不一致。因此，脑电信号的癫痫特征提取与自动识 别技术，将能在很大程度上减轻医生的负担和提高脑电图诊断效率。
[0003] 脑电信号的分析和处理一直是个世界难题，不但在于其信号的非平稳性，还在于 其信号波形的多样性。如果单纯地从时域或者频域考虑，效果并不是很理想。主要原因在于 这些方法都是试图用单纯时域或者频域的特征来表征信号，忽略了脑电信号的非平稳性， 因而不能充分明显的区分癫痫信号的特征。
[0004] 时频分析能保留信号的时间和频率信息，是EEG研宄及临床应用的重要分析方 法。时频分析在EEG分析与研宄方面，主要有短时傅里叶变换、小波变换、希尔伯特黄变换 等。短时傅里叶变换使用一个固定的窗函数，因此分辨率是确定的，不能根据信号的变化而 变化。希尔伯特黄变换对于多频率成分信号，往往会出现高频区频率分辨率不够，低频区出 现不合理的频率成分和容易掩盖低能量频率成分问题。小波变换继承和发展了短时傅里叶 变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改 变的"时间-频率"窗口，在低频处有较高的频率分辨率，在高频处有较高的时间分辨率，能 自动适应时频信号分析的要求，聚焦到信号的任意细节。
[0005] 基于癫痫脑电的时频分析，可以提取出与癫痫脑电相关的众多特征。但往往提取 的初始特征在表征癫痫脑电与正常脑电差异方面存在冗余或者不相关。因此，为了自动识 别最能表征癫痫脑电特征的最优特征子集，提出了各种不同的特征选择方法。其中，典型的 方法有t检验、皮尔逊相关法、方差分析法、特征加权算法（ReliefF)、支持向量机递归特 征消除法（Support Vector Machine-Recursive Feature Elimination，SVM_RFE)等。t 检 验和方差分析法基于的统计思想为检验特征统计量在两类样本上的差异。其中，t检验还 需满足样本近似正态分布及方差齐性两个先验条件。皮尔逊相关系数法可以检验样本特征 与对应类别的相关程度，但这种相关性只是线性相关性。Re I i ef F可以检验出与类别相关性 较大的特征，且这种相关性并不局限于线性相关。上述t检验法、方差分析法、皮尔逊相关 法、ReliefF方法都是一种过滤式的特征选择算法，特征选择与具体的分类算法无关，具有 计算简单，速度快等特点，但缺乏考虑特征间的相关性及冗余性。SVM-RFE作为典型的封装 式特征选择方法，考虑到多个特征间对表征样本差异和模式分类的影响，引用模式分类的 指标如准确率来反映特征的重要性，选择的特征能取得较好的模式分类效果。基于过滤式 和封装式的组合特征选择方法，能有效结合两类特征选择方法的优势，首先能基于过滤式 特征选择方法选取一定程度上表征样本差异的特征，再基于封装式特征选择方法选取使得 模式分类效果最优的特征子集。
[0006] 本发明将时频分析信号处理方法中连续小波变换应用于癫痫脑电信号中，并基于 一个组合式的特征选择方法，实现癫痫脑电特征的提取与自动识别，对辅助临床癫痫识别 诊断，减轻医生的负担和提高脑电图诊断效率具有重要实际意义。
【发明内容】
[0007] 根据本发明的一个方面，本发明将时频分析信号处理方法应用于癫痫脑电信号 中，提供了一种提取识别癫痫脑电特征的方法。所提特征在癫痫模式分类识别上取得了优 良的分类效果并且分类模型具有良好的泛化性能。
[0008] 为实现上述目的，本发明提供了面向癫痫脑电信号的特征提取与自动识别方法， 包括如下步骤：
[0009] (1)对脑电信号进行连续小波变换（Continuous wavelet transform，CWT)，获得 同时反映时间和频域信息的时频图；
[0010] (2)将时频图按照具有临床意义的脑电信号S、0、a、0、y波段分割成A、B、C、 D、E五个时频子图；
[0011] (3)应用混合高斯模型分别对时频子图A、B、C、D、E能量密度的概率分布进行估 计，提取表征脑电信号的备选特征集S tl;
[0012] (4)从备选特征集Stl中选择表征脑电信号的最优特征子集S 1;
[0013] (5)基于最优特征子集SJII练支持向量机；
[0014] (6)获得该特征集对癫痫脑电的分类结果，验证S1的有效性。
[0015] 其中，所述步骤（3)中，对时频子图A、B、C、D、E进行混合高斯模型建立前，应用期 望最大化（Expectation Maximization，EM)算法进行模型阶次判定。
[0016] 所述步骤（4)中，选择一种过滤式和封装式组合的特征选择方法从特征集Stl中选 择最优特征子集Sp
[0017] 所述步骤（5)中，选用基于径向基函数（Radial Basis Function，RBF)核函数的 非线性支持向量机（Support Vector Machine，SVM)作为分类器，并应用一种兼顾全局和局 部的网格搜索方法确定分类器的最优参数。
[0018] 本发明所提供的面向癫痫脑电信号特征提取与识别方法的优点包括：
[0019] 1、脑电信号的时频分析，同时提取了信号的时间和频率信息，信息全面；
[0020] 2、本发明的组合式特征选择方法，简单有效，能快速选择最优特征子集；
[0021] 3、方法简单有效，基于时频图提取的特征能准确表征癫痫脑电与非癫痫脑电的差 异；
[0022] 4、基于本发明提取识别的癫痫脑电特征，癫痫脑电信号分类模型易取得良好的分 类效果和泛化性能。
【附图说明】
[0023] 图1为根据本发明的一个实施例的特征提取识别并验证有效性的流程示意图。
[0024] 图2为本发明中所提出的组合式特征选择流程示意图。
[0025] 图3 (a)和3 (b)分别为非癫痫脑电时频图和癫痫发作脑电时频图。
[0026] 图4(a)_4(e)为非癫痫脑电时频图在五个波段的分割结果，其中，图4(a)为Y波 段时频子图，图4(b)为0波段时频子图，图4(c)为a波段时频子图，图4(d)为0波段 时频子图，图4(e)为S波段时频子图。
[0027] 图5(a)_5(e)为癫痫发作脑电时频图在五个波段的分割结果，其中，图5(a)为Y 波段时频子图，图5(b)为0波段时频子图，图5(c)为a波段时频子图，图5(d)为0波 段时频子图，图5(e)为S波段时频子图。
[0028] 图6为本发明所提特征针对非癫痫脑电与癫痫发作脑电的箱型图。其中，NSi为 非癫痫脑电信号的第i个特征，Si为癫痫脑电信号的第i个特征。
[0029]图7为本发明所提特征在癫痫脑电模式分类中各波段特征所得分类模型受试者 工作特性（ReceiverOperatingCharacteristic，R0C)曲线比较结果。
【具体实施方式】
[0030] 下面结合附图和【具体实施方式】对本发明作进一步的详细说明。
[0031] 根据本发明的一个实施例，将脑电信号应用时频分析方法得到时频图。时频图同 时包含信号的时间信息和频率瞬时分布信息。对于非平稳信号，时频分析比单纯时域分析 或者频域分析更能表征信号特征。基于脑电时频图，提取和识别表征癫痫脑电的特征。图 1展示了根据本发明的一