性）被诊断出来的 百分比。其计算式如下：
[0080] 其中，SEN表示敏感度。
[0081] (c)特异度
[0082] 特异度，又称真阴性率，即实际无病按诊断标准被正确判为无病的百分比，反映了 筛检实验确定非病人的能力。其计算公式如下：
[0084] 其中，SPE表示敏感度。
[0085] (d)平衡正确率
[0086] 平衡正确率，考虑了信号集中正负样本数存在偏态情况对正确率的影响，其计算 公式如下：
[0088] 其中，BAC表示平衡正确率。
[0089] (e)ROC线下面积
[0090] ROC曲线是根据一系列不同的二分类方式（分界值或决定阈），以真阳性率为纵坐 标，假阳性率为横坐标绘制的曲线。可以通过ROC曲线，比较不同诊断试验对疾病的自动识 别能力。越靠近左上角的ROC曲线所代表的受试者工作越准确，也可以通过计算AUC值进行 比较，AUC越大，试验的诊断价值越高。图4展示了各个波段对癫痫脑电的诊断ROC曲线， 从图中观察可知，各波段表现出对癫痫脑电具有很好的诊断能力。
[0091] 表2列出了五个波段的分类结果。观察表2结果可知，所提特征在癫痫和非癫痫 脑电上的分类效果好，最高分类准确率可达99. 9%，并同时具有良好的BAC、SEN、SPE，AUC 指标，体现出自动识别模型具有良好的泛化性能。
[0092] 表2五个波段分类结果表
[0093]
[0094] 针对来自德国波恩癫痫研宄室临床采集的脑电数据库中同一实验数据集，表3列 出了本发明提出的癫痫脑电特征提取方法与最新方法在癫痫脑电模式分类效果的对比结 果。这些最新方法包括基于频域分析的快速傅里叶变换（FastFourierTransformation， FFT)的特征提取（K.PolatandS. ClassificationofepileptiformEEGusing ahybridsystembasedondecisiontreeclassifierandfastFouriertransform.AppliedMathematicsandComputation，187:1017-1026, 2007)，基于相空间排列傭 (Permutationentropy)的特征提取（N.Nicolaou，J.Georgiou.Detectionofepileptic electroencephalogrambasedonpermutationentropyandsupportvectormachines. ExpertSystemswithApplications, 39(1) :202-209, 2012)，基于时频分析的希尔伯特 黄的特征提取（K.Fu,J.Qu,Y.Chai,andY.Dong.Classificationofseizurebasedon thetime-frequencyimageofEEGsignalsusingHHTandSVM.BiomedicalSignal ProcessingandControl, 13:15-22,2014)。从表中所列对比结果可知，与最新脑电信号特 征提取与自动识别技术相比，本发明提出的基于时频分析的癫痫脑电特征提取与识别方法 在提取表征癫痫脑电特征及自动识别准确率方面，具有明显的提高，证实了本发明方法的 有效性。
[0095] 表3不同癫痫脑电特征提取方法对应模式分类结果比较
[0096]
[0097] 以上对本发明所提供基于时频分析的癫痫脑电信号的癫痫特征分析方法进行了 详细的说明，但显然本发明的范围并不局限于此。在不脱离所附权利要求书所限定的保护 范围的情况下，对上述实施例的各种改变都在本发明的范围之内。
【主权项】
1. 一种基于时频分析的癫痫脑电信号的癫痫特征提取与自动识别方法，其特征在于包 括： (1) 对脑电信号进行小波变换，获得同时反映时间和频域信息的时频图； (2) 将时频图按照S、0、a、0、Y波段分割成A、B、C、D、E五个时频子图； (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，并 提取表征脑电信号的备选特征集Stl; (4) 应用模式分类中特征选择方法从备选特征集Stl中选择表征脑电信号的最优特征子 集S1; (5) 将最优特征子集51输入到支持向量机分类器中； (6) 获得该特征集对癫痫脑电的分类结果，验证S1的有效性。2. 如权利要求1所述的基于时频分析的癫痫脑电信号的癫痫特征提取识别方法，其特 征在于： 在所述步骤（3)中，对时频子图A、B、C、D、E进行混合高斯模型建立前，用期望最大化 算法进行模型阶次判定。3. 如权利要求2所述的基于时频分析的癫痫脑电信号的癫痫特征提取识别方法，其特 征在于： 时频子图A、B、C、D、E的高斯混合模型由期望最大化（ExpectationMaximization，EM) 算法判定阶次为3阶。4. 如权利要求1所述的基于时频分析的癫痫脑电信号的癫痫特征提取识别方法，其特 征在于： 所述步骤（4)中，选择一种过滤式和封装式的混合特征选择方法从特征集Stl中选择最 优特征子集5. 如权利要求4所述的基于时频分析的癫痫脑电信号的癫痫特征提取识别方法，其特 征在于： 所述过滤式特征选择方法为特征加权算法（ReliefF)，封装式特征选择方法为支持 向量机递归特征消除法（SupportVectorMachine-RecursiveFeatureElimination， SVM-RFE)〇6. 如权利要求I所述的基于时频分析的癫痫脑电信号的癫痫特征提取识别方法，其特 征在于： 所述步骤（5)中，选用基于径向基函数（RadialBasisFunction，RBF)为核函数的非 线性支持向量机作为分类器。7. 如权利要求6所述的基于时频分析的癫痫脑电信号的癫痫特征提取识别方法，其特 征在于： 非线性支持向量机最优参数组合（c，g)由改进的网格搜索方法确定，初始搜索范围 为（log(c) :-12 ~12,log(g) :-12 ~12)，步长为（log(step) =0? 5)，得到粗最优组合 (c0,gQ)后，局部搜索范围为（log(cQ)-3~log(cQ)+3,log(gQ)-3~log(gQ)+3)，搜索步长为 (log(step) = 0?I)〇
【专利摘要】本发明提出了一种面向癫痫脑电(Electroencephalogram，EEG)信号的特征提取与自动识别方法。该方法首先由脑电信号通过小波变换得到时频图像，并按频率由低到高，将时频图分割成δ、Θ、α、β、γ五个频率的时频子图；接着，应用高斯混合模型(Gaussian mixture model，GMM)对时频图能量密度的概率分布进行估计，将高斯混合模型对应的参数(均值、方差、权值)作为脑电信号的特征；然后，应用特征加权算法(ReliefF)和支持向量机递归特征消除法(Support Vector Machine-Recursive Feature Elimination，SVM-RFE)对上述特征进行选择，得到最大程度表征正常脑电信号与癫痫脑电信号差异的特征；最后，通过模式分类和机器学习验证本发明方法所提特征在自动识别癫痫上的有效性，具体表现为识别的正确率与模型的泛化性能。与现有相关技术相比较，本发明方法提取识别的特征对癫痫脑电识别正确率高，模型泛化性能好，在辅助癫痫脑疾病的临床诊断和自动识别方面具有重要意义。
【IPC分类】G06K9/46, A61B5/0476, G06K9/62, G06K9/66
【公开号】CN104887224
【申请号】CN201510284550
【发明人】李阳, 罗美林, 谭思睿
【申请人】北京航空航天大学
【公开日】2015年9月9日
【申请日】2015年5月29日