基于最优核时频分布可视图的癫痫脑电信号识别方法与流程

本发明涉及一种癫痫脑电信号识别法。特别是涉及一种基于最优核时频分布可视图的癫痫脑电信号识别方法。

背景技术：

癫痫是指大脑神经元突发性异常放电，导致短暂的大脑功能障碍的一种慢性疾病。在临床上的表现为发作性运动、感觉、自主神经、意识及精神障碍。癫痫作为一种慢性疾病，虽然短期内对患者没有太大的影响，但是长期频繁的发作可导致患者的身心、智力产生严重影响。脑电信号是脑神经细胞电生理活动在大脑皮层或头皮表面的总体反映。脑电信号中包含了大量的生理与疾病信息，分析癫痫患者与健康人的脑电信号，可以更深入的认识癫痫疾病并获得大量的功能与疾病信息，从而可以根据这些信息对癫痫疾病诊断提供有效的方法。但由于脑电信号是不具备各态历经性的非平稳随机信号，而且其背景噪声很强，因此脑电信号的分析和处理一直是非常吸引人但又是具有相当难度的研究课题。

可视图建网从其被创立之初至今已在多领域得到广泛应用，为时间序列分析提供了一个新视角。自适应最优核时频分布在时域内实现了对信号特征紧密的“跟踪”，可有效抑制交叉项产生的干扰，具有很强的信号细节刻画能力。本发明的一种基于自适应最优核时频分布可视图的癫痫脑电信号识别方法将时频分析与可视图理论结合，实现了对不同脑电信号的准确分类。

技术实现要素：

本发明所要解决的技术问题是，提供一种基于最优核时频分布可视图的癫痫脑电信号识别法及应用。

本发明所采用的技术方案是：一种基于自适应最优核时频分布可视图的癫痫脑电信号识别法，包括如下步骤：

1)获得原始脑电数据，计算预处理后的脑电信号的自适应最优核时频分布，包括：

(1)自适应最优核时频分布P_AOK(t,f)表示为：

P_AOK(t,f)＝∫∫A(t,τ,υ)Φ(τ,υ)e^{-j2π(tυ+τf)}dτdυ

其中，υ为频偏，τ为时延，t为时间，f为频率，Φ(τ,υ)为用于产生自适应最优核时频分布的核函数，形式为二维高斯函数形式：

其中，r²＝τ²+υ²，ψ＝arctan(τ/θ),σ(ψ)为控制核函数在ψ方向上的扩展，A(t,τ,υ)为自适应最优核时频分布的短时模糊函数，以时间t为中心，表示为：

其中，z为所要计算的自适应最优核时频分布的脑电信号，ω为以时间t为中心，长度为T的对称窗函数，自适应最优核时频分布的短时模糊函数只在[t-T,t+T]范围内计算，u表示时间变量，自适应最优核核函数在极坐标下表示为Φ(r,ψ)，所述核函数由以下的最优化条件来决定：

约束条件为：

式中，α为核参数，A(r,ψ)和Φ(r,ψ)分别是极坐标下的短时模糊函数和核函数；

(2)根据第(1)步所得到的自适应最优核时频分布P_AOK(t,f)，得到脑电信号的能量时间序列

所述的预处理包括：对原始脑电数据进行带通滤波，去除高低频干扰成分；手动剔除剩余伪迹数据，最终得到预处理后的脑电数据用于后续的分析；

2)进行癫痫状态的分类，包括：

(1)对于每一个得到的时间能量序列进行可视化分析，得到能量时间序列可视图复杂网络，具体是：

如果能量时间序列内的任意两个点(t_a,E_a)和(t_b,E_b)可视，也就是两点之间有连边，则这两点间的任意一点(t_c,E_c)都要满足:

(2)提取获得能量时间序列可视图复杂网络的特征指标：

全局聚集系数C：

局部聚集系数均值

聚集系数熵E_C：

节点度的均值

其中，τ_△表示的是一个可视图网络中闭三元组的数目，一个三角由三个封闭的三元组构成，τ表示一个可视图网络中的开三元组数目，开三元组即为三个节点由两条连边连接，τ_i表示一个可视图网络中以节点i为中心的开三元组数目，τ_i,△表示的是一个可视图网络中以节点i为中心的闭三元组数目，C_i表示节点i的局部聚集系数，k_i是节点i的度，即节点i的连边数，N表示网络的节点数；

(3)提取自适应最优核时频分布指标：

时频分布偏差值P_std：

其中，m和n分别是时频分布的行数和列数，P_mean表示时频分布均值，自适应最优核时频分布的频率范围为(f₀-F)；

(4)结合支持向量机分类癫痫EEG信号，包括：组合自适应最优核时频分布指标和能量时间序列可视图复杂网络的特征指标，构成三维指标向量，分别采用留一法交叉验证和支持向量机分类器，对所有的三维指标向量进行分类，以及采用十折交叉验证和支持向量机分类器，对所有的三维指标向量进行分类。

步骤2)中的第(4)步所述的采用留一法交叉验证和支持向量机分类器，对所有的三维指标向量进行分类，是将步骤2)中得到的每一个多尺度水平有限穿越可视图复杂网络的节点平均聚集系数和聚集系数熵E_C构成一个三维指标向量，采用留一法交叉验证和支持向量机分类器，对所有的三维指标向量进行分类，即依次将一个三维指标向量作为测试集，将其余的指标向量作为训练集，并提供对应的训练集标签，遍历所有的三维指标向量作为测试集，其余的指标向量作为训练集后，从而得到所有的三维指标向量的分类结果。

步骤2)中的第(4)步所述的采用十折交叉验证和支持向量机分类器，对所有的三维指标向量进行分类，包括：

(1)将所有的三维指标向量随机的分为等长的十份子集；

(2)将十份子集中的一个子集作为测试集，剩余的九份子集作为训练集，提供对应的训练集标签，得到作为测试集的子集中的三维指标向量的分类结果；

(3)重复第(2)步，直至分别得到十份子集的三维指标向量的分类结果，构成一次的十折交叉验证分类结果；

(4)重复第(1)步～第(3)步十次，得到十次的十折交叉验证分类结果；

(5)对十次的十折交叉验证分类结果取均值作为所有三维指标向量的分类结果。

本发明的基于最优核时频分布可视图的癫痫脑电信号识别方法，结合自适应最优核时频分布理论与可视图思想构建能量时间序列可视图复杂网络，提取复杂网络指标，实现对癫痫脑电信号的识别。

附图说明

图1是本发明基于最优核时频分布可视图的癫痫脑电信号识别法的流程图；

图2是本发明应用于区分癫痫患者癫痫发作时期和健康人脑电信号的二维指标分布图；

图3是本发明应用区分癫痫患者癫痫发作时期与正常时期脑电信号的二维指标分布图。

具体实施方式

下面结合实施例和附图对本发明的基于最优核时频分布可视图的癫痫脑电信号识别方法做出详细说明。

本发明的基于最优核时频分布可视图的癫痫脑电信号识别方法，通过计算不同大脑状态下的脑电信号的自适应最优核时频分布，得到时间能量序列，对能量时间序列构建可视图复杂网络，提取复杂网络特征指标，结合机器学习实现对癫痫发作状态的辨别与分析。

本发明的基于最优核时频分布可视图的癫痫脑电信号识别法，如图1所示，包括如下步骤：

1)获得原始脑电数据，计算预处理后的脑电信号的自适应最优核时频分布，包括：

(1)自适应最优核时频分布P_AOK(t,f)表示为：

P_AOK(t,f)＝∫∫A(t,τ,υ)Φ(τ,υ)e^{-j2π(tυ+τf)}dτdυ

其中，υ为频偏，τ为时延，t为时间，f为频率，Φ(τ,υ)为用于产生自适应最优核时频分布的核函数，形式为二维高斯函数形式：

其中，r²＝τ²+υ²，ψ＝arctan(τ/θ),σ(ψ)为控制核函数在ψ方向上的扩展，A(t,τ,υ)为自适应最优核时频分布的短时模糊函数，以时间t为中心，表示为：

其中，z为所要计算的自适应最优核时频分布的脑电信号，ω为以时间t为中心，长度为T的对称窗函数，自适应最优核时频分布的短时模糊函数只在[t-T,t+T]范围内计算，u表示时间变量，自适应最优核核函数在极坐标下表示为Φ(r,ψ)，所述核函数由以下的最优化条件来决定：

约束条件为：

式中，α为核参数，A(r,ψ)和Φ(r,ψ)分别是极坐标下的短时模糊函数和核函数，自适应最优核时频分布算法对许多种多分量信号均具有较好的效果，自适应核在时域内实现了对信号特征紧密的“跟踪”，因此该算法具有更强的信号细节刻画能力，研究表明自适应最优核算法能够在保持较高的聚集性的前提下，有效的消除视频平面内交叉项的干扰；

所述的预处理包括：对原始脑电数据进行带通滤波，去除高低频干扰成分；手动剔除剩余伪迹数据，最终得到预处理后的脑电数据用于后续的分析。

(2)根据第(1)步所得到的自适应最优核时频分布P_AOK(t,f)，得到脑电信号的能量时间序列

2)进行癫痫状态的分类，包括如下步骤：

(1)对于每一个得到的时间能量序列进行可视化分析，得到能量时间序列可视图复杂网络，具体是：

如果能量时间序列内的任意两个点(t_a,E_a)和(t_b,E_b)可视，也就是两点之间有连边，则这两点间的任意一点(t_c,E_c)都要满足:

(2)提取获得能量时间序列可视图复杂网络的特征指标：

全局聚集系数C：

局部聚集系数均值

聚集系数熵E_C：

节点度的均值

其中，τ_△表示的是一个可视图网络中闭三元组的数目，一个三角由三个封闭的三元组构成，τ表示一个可视图网络中的开三元组数目，开三元组即为三个节点由两条连边连接，τ_i表示一个可视图网络中以节点i为中心的开三元组数目，τ_i,△表示的是一个可视图网络中以节点i为中心的闭三元组数目，C_i表示节点i的局部聚集系数，k_i是节点i的度，即节点i的连边数，N表示网络的节点数；

(3)提取自适应最优核时频分布指标：

时频分布偏差值P_std：

其中，m和n分别是时频分布的行数和列数，自适应最优核时频分布的频率范围为(f₀-F)；

(4)结合支持向量机分类癫痫EEG信号，包括：组合自适应最优核时频分布指标和能量时间序列可视图复杂网络的特征指标，构成三维指标向量，分别采用留一法交叉验证(leave-one-out cross-validation)和支持向量机分类器，对所有的三维指标向量进行分类，以及采用十折交叉验证(ten-fold cross-validation)和支持向量机分类器，对所有的三维指标向量进行分类。其中：

所述的采用留一法交叉验证和支持向量机分类器，对所有的三维指标向量进行分类，是将步骤2)中得到的每一个多尺度水平有限穿越可视图复杂网络的节点平均聚集系数和聚集系数熵E_C构成一个三维指标向量，采用留一法交叉验证和支持向量机分类器，对所有的三维指标向量进行分类，即依次将一个三维指标向量作为测试集，将其余的指标向量作为训练集，并提供对应的训练集标签，遍历所有的三维指标向量作为测试集，其余的指标向量作为训练集后，从而得到所有的三维指标向量的分类结果。

所述的采用十折交叉验证和支持向量机分类器，对所有的三维指标向量进行分类，包括：

(1)将所有的三维指标向量随机的分为等长的十份子集；

(2)将十份子集中的一个子集作为测试集，剩余的九份子集作为训练集，提供对应的训练集标签，得到作为测试集的子集中的三维指标向量的分类结果；

(3)重复第(2)步，直至分别得到十份子集的三维指标向量的分类结果，构成一次的十折交叉验证分类结果；

(4)重复第(1)步～第(3)步十次，得到十次的十折交叉验证分类结果；

(5)对十次的十折交叉验证分类结果取均值作为所有三维指标向量的分类结果。

下面给出具体实例：

从10个人中采集5类脑电信号，其中A类：五个健康人眼睛睁开时的脑电数据，B类：同样的五个健康人眼睛闭上时候的脑电信号，C类：五个患有癫痫疾病的患者癫痫未发作时的非癫痫病灶区的脑电信号，D类：同样的五个患有癫痫疾病的患者癫痫未发作时的癫痫病灶区的脑电信号，E类：同样的五个患有癫痫疾病的患者癫痫发作时的癫痫病灶区的脑电信号。每个人的电极放置方式均采用10-20国际标准放置，采样频率为173.61Hz，采样时间为23.6秒。对采集到的原始脑电数据进行预处理后可得到去噪处理后的脑电数据。采用如下两个示例验证本方法的有效性：(1)A、B类与E类数据的区分，通过区分正常脑电信号与癫痫脑电信号，实现癫痫疾病诊断的目的。(2)C、D类与E类数据的区分，通过区分癫痫患者癫痫发作时期与正常时期的脑电信号，实现癫痫患者癫痫发作时预警的目的。从而可知：

(a)正常脑电信号与癫痫脑电信号的区分，实现癫痫疾病诊断的目的，结合聚集系数熵、局部聚集系数均值和时频分布偏差值这三个特征指标构成三维指标向量，结合支持向量机分类方法与留一法交叉验证，依次将每个三维指标向量作为测试集，将剩余的指标向量作为训练集，并提供对应的训练集标签，遍历所有的指标向量作为测试集后可实现对癫痫患者和健康人脑电数据的准确分类,分类准确率达100％，结合支持向量机分类方法与十折交叉验证，对所有的三维指标向量进行分类，即将所有的三维指标向量随机的分为等长的十份子集，依次将其中的一个指标向量子集作为测试集，剩余的九份指标向量子集作为训练集，可得到对所有的三维指标向量的分类结果，最后取独立的十次十折交叉验证分类结果的均值作为所有三维指标向量的分类结果，可实现对癫痫患者和健康人脑电数据的准确分类，分类准确率达100％。本发明方法应用于区分正常脑电信号与癫痫脑电信号的二维指标向量分布图如图2所示；

(b)癫痫患者癫痫发作时期与正常时期的脑电信号，实现癫痫患者癫痫发作时预警的目的，结合全局聚集系数、节点度的均值和时频分布偏差值这三个特征指标构成三维指标向量，结合支持向量机分类方法与留一法交叉验证，依次将每个三维指标向量作为测试集，将剩余的指标向量作为训练集，并提供对应的训练集标签，遍历所有的指标向量作为测试集后可实现对癫痫患者癫痫发作时期与正常时期脑电数据的准确分类,分类准确率达98％，结合支持向量机分类方法与十折交叉验证，对所有的三维指标向量进行分类，即将所有的三维指标向量随机的分为等长的十份子集，依次将其中的一个指标向量子集作为测试集，剩余的九份指标向量子集作为训练集，可得到对所有的三维指标向量的分类结果，最后取独立的十次十折交叉验证分类结果的均值作为所有三维指标向量的分类结果，可实现对癫痫患者癫痫发作时期与正常时期脑电数据的准确分类，分类准确率达98.27％。本发明方法应用于区分癫痫患者癫痫发作时期与正常时期脑电信号的二维指标向量分布图如图3所示；

以上对本发明和实施例的描述，并不局限于此，实施例中的描述仅是本发明的实施方式之一，在不脱离本发明创造宗旨的情况下，任何不经创造性的设计出与该技术方案类似的结构或实施例，均属本发明的保护范围。