一种脑电非线性双测度特征提取与融合处理方法
【专利摘要】本发明公开了一种脑电非线性双测度特征提取与融合处理方法，涉及脑电信号领域，所述方法包括以下步骤：采集脑电信号；对脑电信号进行数据预处理；从预处理后数据中提取LZC复杂度特征；提取样本熵特征，并对所述LZC复杂度特征和所述样本熵特征进行特征分析；将具有显著性差异的脑电信号LZC值和样本熵值联合作为特征参数，采用SVM分类器建立分类模型对不同精神心理状态下的人群进行分类识别。通过此方法对不同精神心理状态人群脑电信号进行分类识别，可以取得较高的分类正确率，有望成为不同精神心理状态下人群的划分提供客观评价指标。
【专利说明】一种脑电非线性双测度特征提取与融合处理方法
【技术领域】
[0001]本发明涉及脑电信号领域，特别涉及一种脑电非线性双测度特征提取与融合处理方法。
【背景技术】
[0002]随着社会的飞速发展，人们的生活环境、生活方式与习惯及工作状态等均发生了改变，日益快速的生活节奏使得现代都市的人们越来越感到孤独和压抑，面对这样的社会环境，精神心理状况的异常成为了整个社会无法回避的健康问题。由于物质生活的改善，人们对心理健康越来越重视，如何提早发现精神心理状态的异常也成为了亟待解决的问题。
[0003]目前对人的精神心理状态的评定主要是依靠一些心理学量表(自评量表或他评量表)来完成，根据量表分值评价此人处于何种精神心理状态，缺乏特异性生理指标进行评估。心理学量表的选择并无统一标准，且量表评分涵盖了评分人诸多主观因素，不同的评分人可能给出差别很大的评估结果。因此发现一种针对不同精神心理状态人群的区分方法是非常必要的。脑电信号(Electroencephalogram, EEG)是通过头皮电极记录下来的脑细胞群自发性、节律性电活动，是脑神经细胞群电生理活动的综合反映，其中蕴涵着丰富的生理、心理信息。大脑功能状态的脑电图学具有安全、方便、廉价、无创的特点，有良好的时间分辨率，可实时地、动态地观察脑功能变化情况。它是神经系统疾病辅助检查的一种重要手段，同时也是临床医学、思维研究、脑机接口等诸多科学研究领域的重要工具。作为一种直接了解大脑功能状态的手段，它打开了一扇深入研究大脑功能活动的窗户。因此，本发明利用脑电信号对不同精神心理状态人群进行分类识别。
【发明内容】
[0004]本发明提供了一种脑电非线性双测度特征提取与融合处理方法，本发明对采集的脑电信号进行两类非线性特征提取并进行融合处理，对不同精神心理状态下的人群进行有效区分，为不同精神心理状态下人群的划分提供客观评价指标，详见下文描述:
[0005]一种脑电非线性双测度特征提取与融合处理方法，所述方法包括以下步骤:
[0006](I)采集脑电信号；
[0007](2)对脑电信号进行数据预处理；
[0008](3)从预处理后数据中提取LZC复杂度特征；
[0009](4)提取样本熵特征，并对所述LZC复杂度特征及所述样本熵特征进行特征分析；
[0010](5)将具有显著性差异的脑电信号LZC值和样本熵值联合作为特征参数，采用SVM分类器建立分类模型对不同精 神心理状态下的人群进行分类识别。
[0011]所述脑电信号的采集设备使用NiCOlet0ne32通道数字视频脑电图仪，FpU Fp2、F3、F4、C3、C4、P3、P4、01、02、F7、F8、T3、T4、T5 和 T6 为 16 导联，采集头皮脑电信号，Cz 作为参考电极，前额作为参考地，采样率为250Hz,滤波通带为0.5Hz~70Hz,电极阻抗小于IOK Ω。[0012]所述对脑电信号进行数据预处理的步骤具体为:
[0013](I)对原始EEG数据进行变参考，将Cz参考变为双耳A1A2参考；(2)对数据进行
0.6-46HZ带通滤波；(3)使用独立成分分析的方法去除眼电心电等干扰信号；(4)对伪迹明显的数据进行手动剔除，最终得到90s静息态EEG数据。
[0014]所述从预处理后数据中提取LZC复杂度特征的步骤具体为:
[0015]小于序列中值的时间点定义为0，大于序列中值的时间点定义为1，二值化后的时间序列为s (S1, S2,, Sn)，时间序列长度为η ;定义c(n)为时间序列的LZC值，c (η)初始值为1，时间序列每出现一次新的子序列，c (η)值增加I个单位；b(n)为归一化c (η)所用参数值。
[0016]对于任意足够长的随机0-1序列，O和I出现的概率相等时，
[0017]Wmc(H) = h(n) = n/\og^ η ；
^oo~
[0018]LZC=C (n) /b (η)。
[0019]本发明提供的技术方案的有益效果是:本发明提出了基于LZC复杂度和样本熵两种非线性测度的脑电信号特征提取与融合处理方法，通过此方法对不同精神心理状态人群脑电信号进行分类识别，可以取得较高的分类正确率，有望成为不同精神心理状态下人群的划分提供客观评价指标。
【专利附图】
【附图说明】
[0020]图1为16导联分布示意图；
[0021 ] 图2为EEG信号LZC复杂度所做柱状图；
[0022]图3为EEG信号样本熵所做柱状图；
[0023]图4为一种脑电非线性双测度特征提取与融合处理方法的流程图。
【具体实施方式】
[0024]为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
[0025]为了对采集的脑电信号进行两类非线性特征提取并进行融合处理，本发明实施例提供了一种脑电非线性双测度特征提取与融合处理方法，详见下文描述:
[0026]非线性分析方法侧重于分析脑电活动随时间变化的动力学特性，目前已经应用于阿尔兹海默症、精神分裂症、抑郁症等各种神经精神类`疾病的研究中，且取得了相应的研究成果。LZC (Lempel-Ziv Complexity,LZC)复杂度是通过测量时间序列出现新模式的速率来表征其无序程度的一种非线性测量方法；样本熵(Sample Entropy, SampEn)是衡量时间序列自相似程度的一种非线性复杂度测量方法。两种非线性测度从不同的角度刻画了时间序列的复杂程度。融合以上两种非线性分析方法研究不同精神心理状态人群的脑电信号特点有助于为不同精神心理状态人群的区分提供客观评价指标，具有重大的社会意义。
[0027]101:采集脑电信号；
[0028]脑电信号的采集设备使用Nicolet0ne32通道数字视频脑电图仪，电极的位置按照国际标准导联10-20电极系统安放，记录16导联(Fpl、Fp2、F3、F4、C3、C4、P3、P4、01、02、F7、F8、T3、T4、T5、T6)头皮脑电信号，Cz作为参考电极，前额作为参考地，采样率为250Hz，滤波通带为0.5Hz~70Hz，电极阻抗小于IOK Ω。图1给出了 16导联分布示意图。
[0029]采集静息状态下的脑电信号。采集环境要求远离强大的静电场和电磁场，采集室暗光，并保持采集环境的安静。采集过程中要求被采集者安静闭目，心情放松，记录5min脑电数据。
[0030]102:对脑电信号进行数据预处理；
[0031]EEG信号是随机性很强的生理信号，节律种类多，影响因素多，具有很高的敏感性，极易被无关噪声污染形成各种EEG伪迹，所以需要进行相应的预处理工作。预处理过程如下:(I)对原始EEG数据进行变参考，将Cz参考变为双耳A1A2参考；(2)对数据进行0.6-46Hz带通滤波，主要去除高频干扰成分；(3)使用独立成分分析(IndependentComponent Analysis, I CA)的方法去除眼电心电等干扰信号；(4)对伪迹依然明显的数据(用眼睛可以直观的看出某些数据属于干扰信号)进行手动剔除，最终得到90s静息态EEG数据进行后续的特征提取。
[0032]103:从预处理后数据中提取LZC复杂度特征；
[0033]LZC是一种非参数的模型独立的复杂度测量方法，LZC值与时间序列中子序列的个数及出现速率有关，LZC值越大表明时间序列出现新模式的概率越大，系统越复杂。90s静息态EEG数据依次分割为5s数据段，以5s EEG时间序列为单位计算LZC值，将所得每一导联18个LZC值用于特征提取，将每一导联18个LZC值的均值用于特征分析。具体LZC复杂度算法如下[1]:
[0034]LZC是基于0_1 二值时间序列的复杂度算法，所以在计算EEG /[目号LZC值之如需要先将EEG时间序列进行二值化处理。本发明选择使用时间序列中值进行二值化，小于序列中值的时间点定义为0，大于序列中值的时间点定义为I。假设二值化后的时间序列为S(SpSw-^Sn),时间序列长 度为η。定义c(n)为时间序列的LZC值。c(n)初始值为1，时间序列每出现一次新的子序列，c (η)值增加I个单位；b(n)为归一化c (η)所用参数值。Lempel and Ziv已证明，对于任意足够长的随机0_1序列，假如O和I出现的概率相等时，有式(I)成立:
「00351 limc(/7) = b{n) = ?/log.η(I)
[0036]据此，本发明实施例使用b (η)对c (η)进行归一化处理，以得到跟时间序列长度η无关的值，时间序列S的LZC值最终由式(2)计算得到:
[0037]LZC=C (n) /b (η) (2)
[0038]图2为利用健康正常人、脑卒中后无抑郁症患者及脑卒中后抑郁症患者三类人群EEG信号LZC复杂度所做柱状图，可以看出不同精神心理状态下的三类人群有明显区别。
[0039]104:提取样本熵特征；
[0040]样本熵(SampEn)是衡量时间序列自相似程度的一种复杂度测量方法，是对近似熵算法的改进。样本熵值越大表明系统的自相似性越高，系统越复杂。样本熵SampEn (m, r, N)有三个输入参数可调，数据长度N，相似容限r及嵌入维数m。本发明实施例选择1250个点(即5s数据)的EEG信号序列进行样本熵值计算，将90s数据长度依次分割为5s数据段，对每一段计算SampEn，将所得每一导联18个样本熵值用于特征提取，将每一导联18个样本熵值的均值用于特征分析。嵌入维数选择m=2 ;选择相似容限r=0.2SD(SD为5sEEG时间序列的标准差)。假设原始EEG时间序列为χ (I)，χ (2)，…χ (η)，样本熵具体算法如下[2]:
[0041 ]按原始数据序号连续顺序组成一组m维矢量:
[0042]X (i) = {x (i), χ (i+1)，...，x (i+m-1), }, i=l, 2,..., N-m+1
[0043]定义矢量X(i)和X(j)的距离为两者对应元素差值中最大的一个，如式(3)所示:
[0044]dx⑴，X(j)=max I χ (i+k)-χ (j+k) I，k=0, 1，...，m-1 (3)
[0045]对每一 i值，统计dx(i)，x(j)小于相似容限r的数目，计算该数目与距离总数之比，即:
[0046]
【权利要求】
1.一种脑电非线性双测度特征提取与融合处理方法，其特征在于，所述方法包括以下步骤: (1)采集脑电信号； (2)对脑电信号进行数据预处理； (3)从预处理后数据中提取LZC复杂度特征； (4)提取样本熵特征，并对所述LZC复杂度特征及所述样本熵特征进行特征分析； (5)将具有显著性差异的脑电信号LZC值和样本熵值联合作为特征参数，采用SVM分类器建立分类模型对不同精神心理状态下的人群进行分类识别。
2.根据权利要求1所述的一种脑电非线性双测度特征提取与融合处理方法，其特征在于，所述脑电信号的采集设备使用NicoletOne 32通道数字视频脑电图仪，FpU Fp2、F3、F4、C3、C4、P3、P4、01、02、F7、F8、T3、T4、T5和T6为16导联，采集头皮脑电信号，Cz作为参考电极，前额作为参考地，采样率为250Hz，滤波通带为0.5Hz~70Hz，电极阻抗小于IOK Ω。
3.根据权利要求1所述的一种脑电非线性双测度特征提取与融合处理方法，其特征在于，所述对脑电信号进行数据预处理的步骤具体为: (I)对原始EEG数据进行变参考，将Cz参考变为双耳A1A2参考；(2)对数据进行0.6-46HZ带通滤波；(3)使用独立成分分析的方法去除眼电心电等干扰信号；(4)对伪迹明显的数据进行手动剔除，最终得到90s静息态EEG数据。
4.根据权利要求1所述的一种脑电非线性双测度特征提取与融合处理方法，其特征在于，所述从预处理后数据中提取LZC复杂度特征的步骤具体为: 小于序列中值的时间点定义为0，大于序列中值的时间点定义为1，二值化后的时间序列为S (S1, S2,, Sn)，时间序列长度为η ;定义c(n)为时间序列的LZC值，c (η)初始值为`1，时间序列每出现一次新的子序列，c (η)值增加I个单位；b (η)为归一化c (η)所用参数值； 对于任意足够长的随机0-1序列，O和I出现的概率相等时，
【文档编号】A61B5/0476GK103767702SQ201410021192
【公开日】2014年5月7日 申请日期:2014年1月16日 优先权日:2014年1月16日
【发明者】明东, 王春方, 张力新, 张希, 何峰, 綦宏志, 赵欣, 周鹏, 万柏坤 申请人:天津大学