一种脑电信号状态变化的实时检测方法及系统与流程

本发明属于脑电信号检测领域，尤其涉及一种脑电信号状态变化的实时检测方法及系统。

背景技术：

脑电信号能够为临床诊断提供大量精确有效的生理和心理信息，实时监控脑电信号能够在线获得观察对象的脑功能活动状态，已经广泛应用于临床诊断及商业应用中。

在监控过程中，实时检测脑电信号状态的变化，能够实时发现人脑功能活动状态的变化，可辅助诊断癫痫等精神类疾病的发作。然而，当前的临床诊断中，对于脑电信号状态变化的检测，多依赖于有经验的医师凭借人眼观察脑电图。由于脑电图数据量庞大，人眼长时间检查脑电信号中异常发作情况往往是一个枯燥且费时的工作，由此容易造成检测精度低、检测时间长等局限，无法达到监控过程中实时检测的要求。

技术实现要素：

为了解决现有技术的不足，本发明提供了一种脑电信号状态变化的实时检测方法，该方法在脑电信号监控过程中对信号的变化点做出决策，无需先验知识，可在线实时的进行检测，能够直接应用于脑电信号状态监控及变化检测相关应用中。

本发明的一种脑电信号状态变化的实时检测方法，包括：

提取脑电信号的特征值；

利用自回归模型对提取的脑电信号的特征值进行建模，并通过残差分析计算脑电信号的时序异常度；

基于随机幂鞅对脑电信号的时序异常度进行统计检验，进而确定脑电信号状态发生变化的时刻。

进一步的，提取脑电信号的幅值特征值的具体过程为：

以1：n的降采样率对脑电信号进行降采样，形成脑电信号电压幅值序列；其中，n为大于1的正整数；

引入一个固定长度的滑动窗，在该滑动窗内来提取窗内脑电信号电压幅值序列的时域统计特征；

将得到的时域统计特征融合成一维特征向量。

本发明通过降采样以及滑动窗技术，将脑电信号的时域统计特征融合为一维特征向量，将脑电信号进行了统一化，提高了脑电信息状态变化检测的准确度。

进一步的，利用自回归模型对提取的脑电信号的特征值进行建模之后，当某一时刻的脑电信号不再满足上述建立的模型时，则当前时刻为变化点。

进一步的，通过残差分析计算脑电信号的时序异常度的具体过程为：

分别通过一维特征向量中的特征值与利用自回归模型对提取的脑电信号的特征值进行建模得到特征值作差，得到预测误差；

对预测误差进行标准化；

通过求取任一标准化后的预测误差与标准化后的预测误差均值之间的欧式距离，得到脑电信号的时序异常度。

本发明通过引入预测误差，进而对脑电信号的时序异常度进行计算，能够得到准确的计算结果，进而提高了脑电信号状态变化实时检测的准确性及效率。

进一步的，基于随机幂鞅对脑电信号的时序异常度进行统计检验，进而确定脑电信号状态发生变化的时刻的具体过程包括：

首先，构建鞅函数；

然后，通过doob最大值不等式进行决策来判断当前时刻是否为脑电信号状态发生变化的时刻。

其中，通过doob最大值不等式(doob’smaximalinequality)进行决策，即：

h0:1＜m(c)＜λ

ha:m(c)≥λ

若当前时刻c的martingale值小于预设的λ值时，则接受上述不等式中的假设检验h0，则当前时刻c不是变化点；否则接受假设检验ha，即认为当前时刻c为变化点。不等式中阈值λ通过交叉验证得到，可通过改变不等式中λ的值实现检测结果的动态调整。

本发明还提供了一种脑电信号状态变化的实时检测方法系统。

本发明的一种脑电信号状态变化的实时检测方法系统，包括：

特征值提取模块，其用于提取脑电信号的特征值；

异常度计算模块，其用于利用自回归模型对提取的脑电信号的特征值进行建模，并通过残差分析计算脑电信号的时序异常度；

变化时刻确定模块，其用于基于随机幂鞅对脑电信号的时序异常度进行统计检验，进而确定脑电信号状态发生变化的时刻。

进一步的，所述特征值提取模块包括：

降采样模块，其用于以1：n的降采样率对脑电信号进行降采样，形成脑电信号电压幅值序列；其中，n为大于1的正整数；

滑动窗口特征提取模块，其用于引入一个固定长度的滑动窗，在该滑动窗内来提取窗内脑电信号电压幅值序列的时域统计特征；

特征融合模块，其用于将得到的时域统计特征融合成一维特征向量。

进一步的，所述异常度计算模块中，当某一时刻的脑电信号不再满足上述建立的模型时，则当前时刻为变化点。

进一步的，所述异常度计算模块包括：

预测误差计算模块，其用于分别通过一维特征向量中的特征值与利用自回归模型对提取的脑电信号的特征值进行建模得到特征值作差，得到预测误差；

预测误差标准化模块，其用于对预测误差进行标准化；

欧式距离计算模块，其用于通过求取任一标准化后的预测误差与标准化后的预测误差均值之间的欧式距离，得到脑电信号的时序异常度。

进一步的，所述变化时刻确定模块包括：

鞅函数构建模块，其用于构建鞅函数；

判断模块，其用于通过doob最大值不等式进行决策来判断当前时刻是否为脑电信号状态发生变化的时刻。

与现有技术相比，本发明的有益效果是：

本发明首先对获得的脑电信号进行特征提取；在提取的脑电信号特征的基础上，利用自回归模型对其进行建模分析，并通过残差分析计算该信号的时序异常度；根据得到的时序异常度，采用随机幂鞅对其进行统计检验，进而确定脑电信号状态发生变化的时刻。该方法在脑电信号监控过程中对信号的变化点做出决策，无需先验知识，可在线实时的进行检测，能够直接应用于脑电信号状态监控及变化检测相关应用中。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。

图1是本发明的一种脑电信号状态变化的实时检测方法流程图；

图2是观测的脑电信号；

图3是λ＝2时的检测结果；

图4是λ＝3时的检测结果；

图5是λ＝4时的检测结果；

图6是本发明的一种脑电信号状态变化的实时检测方法系统的结构示意图。

具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

图1是本发明的一种脑电信号状态变化的实时检测方法流程图。

如图1所示，本发明的一种脑电信号状态变化的实时检测方法，包括：

s101：提取脑电信号的特征值。

本实施例图2所示的脑电信号为例：

具体地，提取脑电信号的幅值特征值的具体过程为：

s1011：以1：n的降采样率对脑电信号进行降采样，形成脑电信号电压幅值序列；其中，n为大于1的正整数。

在具体实施中，n以50为例：

对于给定的脑电信号，首先对其以1:50的降采样率进行降采样，将降采样后的脑电信号表示为{y1,y2,...,yn}(表示第i个信号点的电压幅值，n代表脑电信号的序列长度)。

s1012：引入一个固定长度的滑动窗，在该滑动窗内来提取窗内脑电信号电压幅值序列的时域统计特征。

引入一个固定长度为l(应用中设置为5)的滑动窗，在该滑动窗内提取窗内序列的时域统计特征。对于k时刻的信号，滑动窗设置为{yk-l+1,yk-l+2,…,yk}，在该滑动窗内用5个时域统计特征fj(j＝1,2,3,4,5)来表征该时刻的特征，所使用的时域特征计算方式如下：

f2＝max{yk-l+1,yk-l+2,...,yk}

f3＝min{yk-l+1,yk-l+2,...,yk}

s1013：将得到的时域统计特征融合成一维特征向量。

将fj(j＝1,2,3,4,5)进行融合，计算方式如下：

因此，长度为n的脑电信号{y1,y2,…,yn}可以用一维向量表征为{q1,q2,…,qn}。对于信号{y1,y2,…,yl-1}，其特征初始化为0。

本发明通过降采样以及滑动窗技术，将脑电信号的时域统计特征融合为一维特征向量，将脑电信号进行了统一化，提高了脑电信息状态变化检测的准确度。

s102：利用自回归模型对提取的脑电信号的特征值进行建模，并通过残差分析计算脑电信号的时序异常度。

具体地，s102的具体过程包括：

s1021：假设所给定的脑电信号序列已被表示为{q1,q2,...,qn}，用一个自回归线性模型对该信号进行建模分析，建模方式如下：

qt＝μ+βt+εt

其中，μ为脑电信号序列的均值，β为变化趋势，εt为一独立同分布的误差，且满足期望为零。可以通过计算获得μ和β的值，即：

当某一时刻的脑电信号不再满足上述模型时，即认为该时刻为变化点。显然，一旦数据分布发生变化，上述模型中的两个参数μ和β将与之前所建模型中明显不同。假设在c时刻信号分布发生变化，模型中的参数由原来的(μ1,β1)变为(μ2,β2)，可通过一个分段线性模型来描述这种变化，即：

给出如下的建设检验模型，即：

h0:μ1＝μ2andβ1＝β2

ha:μ1≠μ2and/orβ1≠β2

当脑电信号状态未发生明显变化时，μ和β均保持不变；若发生明显的变化时，μ和β将发生变化。也就是说，当h0被拒绝，即ha为真时，当前时刻的信号被确定为变化点。

s1022：引入预测误差{et}来量化{q1,q2,...,qn}数据分布的时序波动情况。

假设(μ1,β1)已由计算获得，则qt的线性预测值可通过步骤(2-1)中建立的自回归模型计算得到则该时刻的预测误差et可表示为：

其中，||·||为欧式距离。为了简化计算，可计算为结合步骤(2-1)中建立的分段线性模型，预测误差et的值可分为两种情况：

1)当t＜c时，当前信号服从预设的数据分布，预测误差et很小或近似等于0；

2)当t＝c时，当前信号不在服从原来的数据分布，步骤(2-1)中建立的自回归模型参数发生明显变化，使得预测误差et变大。

s1023：对于获得的预测误差序列{et}，将其进行标准化，即：

其中，为样本均值，σ为标准差。最后，在计算得到的{z1,z2,...,zt-1}基础上，数据异常度可计算为：

st＝s({z1,z2,…,zt-1},zt)＝||zt-ht-1||

其中，

本发明通过引入预测误差，进而对脑电信号的时序异常度进行计算，能够得到准确的计算结果，进而提高了脑电信号状态变化实时检测的准确性及效率。

s103：基于随机幂鞅对脑电信号的时序异常度进行统计检验，进而确定脑电信号状态发生变化的时刻。

s103的具体过程包括：

s1031：异常度{s1,s2,…,st}的基础上，采用基于随机幂鞅(randompowermartingale，rpm)统计检验。它是一个无参数的数据统计检验能够在无监督环境下进行检测运行，且可以实时在线执行。

首先，构建鞅(martingale)如下：

其中，ξ∈(0,1)，应用中设置为0.8，的计算公式如下：

式中：#{·}是一个计数函数，θi是均匀分布在[0，1]之间的随机数。由于m(t)可通过迭代计算得到。

s1032：通过doob最大值不等式(doob’smaximalinequality)进行决策，即：

h0:1＜m(c)＜λ

ha:m(c)≥λ

若当前时刻c的martingale值小于预设的λ值时，则接受上述不等式中的假设检验h0，则当前时刻c不是变化点；否则接受假设检验ha，即认为当前时刻c为变化点。不等式中阈值λ通过交叉验证得到，可通过改变不等式中λ的值实现检测结果的动态调整，如图3-图5分别为λ＝2、λ＝3和λ＝4时的检测结果。

为实现脑电信号状态变化的在线实时检测，对于已观测的脑电信号{y1,y2,...,yt}，若t时刻未被确定为变化点，则继续观测信号并检测t＝t+1，继续执行步骤s101-s103；若t时刻被确定为变化点，则将该时刻重置为初始点，重新执行步骤s101-s103。

本发明首先对获得的脑电信号进行特征提取；在提取的脑电信号特征的基础上，利用自回归模型对其进行建模分析，并通过残差分析计算该信号的时序异常度；根据得到的时序异常度，采用随机幂鞅对其进行统计检验，进而确定脑电信号状态发生变化的时刻。该方法在脑电信号监控过程中对信号的变化点做出决策，无需先验知识，可在线实时的进行检测，能够直接应用于脑电信号状态监控及变化检测相关应用中。

图6是本发明的一种脑电信号状态变化的实时检测方法系统的结构示意图。

如图6所示，本发明的一种脑电信号状态变化的实时检测方法系统，包括：

(1)特征值提取模块，其用于提取脑电信号的特征值。

其中，所述特征值提取模块包括：

(1.1)降采样模块，其用于以1：n的降采样率对脑电信号进行降采样，形成脑电信号电压幅值序列；其中，n为大于1的正整数；

在具体实施中，n以50为例：

对于给定的脑电信号，首先对其以1:50的降采样率进行降采样，将降采样后的脑电信号表示为{y1,y2,...,yn}(表示第i个信号点的电压幅值，n代表脑电信号的序列长度)。

(1.2)滑动窗口特征提取模块，其用于引入一个固定长度的滑动窗，在该滑动窗内来提取窗内脑电信号电压幅值序列的时域统计特征；

引入一个固定长度为l(应用中设置为5)的滑动窗，在该滑动窗内提取窗内序列的时域统计特征。对于k时刻的信号，滑动窗设置为{yk-l+1,yk-l+2,...,yk}，在该滑动窗内用5个时域统计特征fj(j＝1,2,3,4,5)来表征该时刻的特征，所使用的时域特征计算方式如下：

f2＝max{yk-l+1,yk-l+2,…,yk}

f3＝min{yk-l+1,yk-l+2,...,yk}

(1.3)特征融合模块，其用于将得到的时域统计特征融合成一维特征向量。

将fj(j＝1,2,3,4,5)进行融合，计算方式如下：

因此，长度为n的脑电信号{y1,y2,...,yn}可以用一维向量表征为{q1,q2,...,qn}。对于信号{y1,y2,…,yl-1}，其特征初始化为0。

本发明通过降采样以及滑动窗技术，将脑电信号的时域统计特征融合为一维特征向量，将脑电信号进行了统一化，提高了脑电信息状态变化检测的准确度。

(2)异常度计算模块，其用于利用自回归模型对提取的脑电信号的特征值进行建模，并通过残差分析计算脑电信号的时序异常度。

所述异常度计算模块中，当某一时刻的脑电信号不再满足上述建立的模型时，则当前时刻为变化点。

其中，异常度计算模块包括：

(2.1)预测误差计算模块，其用于分别通过一维特征向量中的特征值与利用自回归模型对提取的脑电信号的特征值进行建模得到特征值作差，得到预测误差；

具体地，假设所给定的脑电信号序列已被表示为{q1,q2,...,qn}，用一个自回归线性模型对该信号进行建模分析，建模方式如下：

qt＝μ+βt+εt

其中，μ为脑电信号序列的均值，β为变化趋势，εt为一独立同分布的误差，且满足期望为零。可以通过计算获得μ和β的值，即：

当某一时刻的脑电信号不再满足上述模型时，即认为该时刻为变化点。显然，一旦数据分布发生变化，上述模型中的两个参数μ和β将与之前所建模型中明显不同。假设在c时刻信号分布发生变化，模型中的参数由原来的(μ1,β1)变为(μ2,β2)，可通过一个分段线性模型来描述这种变化，即：

给出如下的建设检验模型，即：

h0:μ1＝μ2andβ1＝β2

ha:μ1≠μ2and/orβ1≠β2

当脑电信号状态未发生明显变化时，μ和β均保持不变；若发生明显的变化时，μ和β将发生变化。也就是说，当h0被拒绝，即ha为真时，当前时刻的信号被确定为变化点。

引入预测误差{et}来量化{q1,q2,…,qn}数据分布的时序波动情况。

假设(μ1,β1)已由计算获得，则qt的线性预测值可通过步骤(2-1)中建立的自回归模型计算得到则该时刻的预测误差et可表示为：

其中，||·||为欧式距离。为了简化计算，可计算为结合步骤(2-1)中建立的分段线性模型，预测误差et的值可分为两种情况：

1)当t＜c时，当前信号服从预设的数据分布，预测误差et很小或近似等于0；

2)当t＝c时，当前信号不在服从原来的数据分布，步骤(2-1)中建立的自回归模型参数发生明显变化，使得预测误差et变大。

(2.2)预测误差标准化模块，其用于对预测误差进行标准化；

对于获得的预测误差序列{et}，将其进行标准化，即：

其中，为样本均值，σ为标准差。

(2.3)欧式距离计算模块，其用于通过求取任一标准化后的预测误差与标准化后的预测误差均值之间的欧式距离，得到脑电信号的时序异常度。

最后，在计算得到的{z1,z2,...,zt-1}基础上，数据异常度可计算为：

st＝s({z1,z2,...,zt-1},zt)＝||zt-ht-1||

其中，

(3)变化时刻确定模块，其用于基于随机幂鞅对脑电信号的时序异常度进行统计检验，进而确定脑电信号状态发生变化的时刻。

其中，变化时刻确定模块包括：

(3.1)鞅函数构建模块，其用于构建鞅函数；

异常度{s1,s2,...,st}的基础上，采用基于随机幂鞅(randompowermartingale，rpm)统计检验。它是一个无参数的数据统计检验能够在无监督环境下进行检测运行，且可以实时在线执行。构建鞅(martingale)如下：

其中，ξ∈(0,1)，应用中设置为0.8，的计算公式如下：

式中：#{·}是一个计数函数，θi是均匀分布在[0，1]之间的随机数。由于m(t)可通过迭代计算得到。

(3.2)判断模块，其用于通过doob最大值不等式进行决策来判断当前时刻是否为脑电信号状态发生变化的时刻。

其中，通过doob最大值不等式(doob’smaximalinequality)进行决策，即：

h0:1＜m(c)＜λ

ha:m(c)≥λ

若当前时刻c的martingale值小于预设的λ值时，则接受上述不等式中的假设检验h0，则当前时刻c不是变化点；否则接受假设检验ha，即认为当前时刻c为变化点。不等式中阈值λ通过交叉验证得到，可通过改变不等式中λ的值实现检测结果的动态调整。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。