基于特征融合的棘慢复合波检测识别方法及系统与流程

1.本发明涉及智能医疗技术领域，具体来说是一种基于特征融合的棘慢复合波检测识别方法及系统。


背景技术：

2.在临床上，脑电波检查是将被检查者脑的电活动通过头皮电极记录下来，通过观察脑电波波形来确定被检查者脑部是否有异常放电现象。脑电波检查作为医生确定癫痫患者的病种分类和调整治疗方案的重要依据，其检测结果具有重大的临床意义。医生通过观察检查时间内，被检查者的脑电波有无出现异常放电波形来确定其是否存在癫痫发作潜因，而棘慢复合波是癫痫患者最主要的异常脑电波形之一，癫痫患者脑部生物电信号异常放电的机理导致了棘慢复合波的波形结构特征，其主要波形结构特征是一个20毫秒左右的棘波后面跟随一个200毫秒～500毫秒(多为300ms毫秒)的慢波，棘慢复合波的发生是诊断患者患有癫痫的重要依据，常规的脑电波检查通常在一个小时左右，而病情较重的情况下，通常会有二十四小时的脑电波监测，医生需要在检查时间内逐帧的阅读脑电波数据，观察脑电波数据中是否存在棘慢复合波，这一项工作十分耗时。在人工智能时代，如何使用ai技术对现有的脑电波判读进行赋能，智能自动化识别棘慢复合波等异常波形，使医生更加高效的工作，是现代医疗技术发展的痛点，也是亟需解决的问题。


技术实现要素：

3.本发明所要解决的技术问题在于提供一种智能自动化识别棘慢复合波等异常波形，以提高医生的工作效率。
4.本发明通过以下技术手段实现解决上述技术问题的：
5.基于特征融合的棘慢复合波检测识别方法，包括以下步骤：
6.步骤1、分类模型训练，通过人工标注的方法建立棘慢复合波数据库和正常脑电波形数据库，根据棘慢复合波数据库、正常脑电波数据库的样本数据提取波形的时频域特征，以及棘慢复合波数据库和正常脑电波数据库的样本与棘慢复合波典型模板库的样本进行动态时间规整算法(dtw，dynamic time warping)估计出的距离度特征，由此建立棘慢复合波特征库和正常波形特征库，利用棘慢复合波特征库和正常波特征库进行分类模型训练；
7.步骤2、提取基于dwt算法估计的距离度特征，输入脑电波首先做归一化和时频域特征提取；归一化后的脑电波数据进行有效波形端点检测(ewed，effective waveform endpoint detection)，最后利用dwt算法估计去杂波的有效脑电波形数据与棘慢复合波模板的距离度；
8.步骤3、将提取的时频域特征和距离度特征融合成特征向量作为输入特征送入离线训练好的分类模型，输出分类结果。
9.利用脑电波数据的时频域特征和基于dtw算法估计输入的脑电波形与棘慢复合波模板的距离度特征，作为典型特征进行特征融合，送入离线训练好的分离器，最终输出判决
后的识别结果。此外，对输入的脑电波数据归一化处理和基于短时能量和棘慢复合波结构特征的有效波形端点检测，能提高识别算法的准确性和鲁棒性。本发明实现了棘慢复合波的自动化检测识别，提高医生工作效率。
10.进一步的，所述步骤1中的标准特征库建立方法为：在棘慢复合波数据库中选取一定数量典型的棘慢复合波作为棘慢复合波模板库；
11.令xy为正常脑电数据库和棘慢复合波数据库组成的总脑电波数据集，x为正常脑电波数据库，xi为其中一个样本，其中有n条正常脑电波样本；y为棘慢复合波数据库，yi为其中一个样本，其中有m条棘慢复合波数据；z为棘慢复合波典型模板库，zi为其中一个样本，其中有k个典型的棘慢复合波样本；
12.x＝{x1,x2…
xn}
13.y＝{y1,y2…
ym}
14.z＝{z1,z2…
zk}
15.针对正常脑电波数据库和棘慢复合波数据库的每个样本数据，做傅里叶变换和时域的数值统计，获取时频域特征方差和低频能量比，令x
fea1
，x
fea2
为正常脑电波数据提取的时频域特征，令y
fea1
，y
fea2
为棘慢复合波数据库提取的时频域特征；其次，将针对脑电波数据库和棘慢复合波数据库的每个样本数据与棘慢复合波典型模板库的数据做dtw计算，单个样本与棘慢复合波典型模板库的数据集做dtw计算，取最小的距离度，这样获取到距离度特征x
fea3
、y
fea3
；
[0016][0017][0018]
至此，得到由正常脑电波数据提取的特征x
fea1
、x
fea2
、x
fea3
，和棘慢复合波数据库提取的特征y
fea1
、y
fea2
、y
fea3
；在做特征融合时，为了将消除量纲影响，最大化的保留原有的特征分布，对三类特征做以下处理：
[0019][0020][0021]
为xy
fea1
的均值，为xy
fea1
的方差，同理可得到x'
fea2
、x'
fea3
、yf'
ea1
、yf'
ea2
、y
′
fea3
；
[0022][0023][0024][0025][0026]
为了使在线识别输入波形的特征分布与离线建模特征保持一致，记录好离线识别提取特征的均值和方差，分别记录为
[0027]
以上，得到正常脑电波数据库的特征x'
fea1
、x'
fea2
、x'
fea3
，将三类特征融合为特征向量矩阵fea
x
＝[x'
fea1
x'
fea2
x'
fea3
]，fea
x
为n行的二维数组，每一行的元素为融合后的向量；同理可得到棘慢复合波数据库的特征向量矩阵feay＝[y
′
fea1y′
fea2y′
fea3
]；
[0028]
由fea
x
和feay组成的正常脑电波特征库和棘慢复合波特征库，将两类特征库送入svm训练器，即可得到离线条件下训练的分类模型。
[0029]
进一步的，所述步骤2中归一化处理公式为
[0030][0031]
其中：max(x)为x序列的最大值，min(x)为x序列的最小值，x为n个点的脑电采集序列，xn代表第n个采样点的值。
[0032]
进一步的，所述步骤2中有效波形端点检测方法具体为：
[0033]
先利用ewed有效的解决脑电数据杂波带来的dtw算法影响，其能量的计算公式如下：
[0034][0035]
设定一个较高的能量阈值t，其中d1为x序列第一个大于能量阈值tw的点，然后寻找从d1开始第一个小于能量阈值tw的点，记为d2点，再从d2开始寻找第一个大于能量阈值tw的点，记为d3，以此类推，得到端点集合，
[0036]
d＝{d1,d2…dn
}。
[0037]
棘慢复合波是由棘波和慢波组成的复合波，且严格按照棘波在前面，慢波跟随在棘波后面，基于上述描述的规则，一个标准的棘慢复合波可以有以下几个准则：
[0038]
规则1：至少有4个端点，棘波的开始端点和结束端点，慢波的开始端点和结束端点，若低于4个端点，则归一化后的数据整体作为有效数据与棘慢复合波模板库的模板进行距离度估计；
[0039]
规则2：慢波的开始端点和结束端点的时间距离比棘波要长，慢波的时间长度理论上不低于100ms，若低于100ms，则归一化后的数据整体作为有效数据与棘慢复合波模板库的模板进行距离度估计；
[0040]
基于端点寻找方法和上述规则，在端点集合d中找出配对好的端点对集合d
set
和每个配对端点之间的长度集合l；
[0041]dset
＝{[d
1_start
,d
1_end
],[d
2_start
,d
2_end
]
…
[d
n_start
,d
n_end
]}
[0042]
l＝{l1,l2,
…
ln}
[0043]
假设li＝max(l)为最大长度，则认为第i个配对端点d＝[d
i_start
,d
i_end
]形成的波形为可能存在的慢波，根据[d
i_start
,d
i_end
]计算慢波时间，理论上认为慢波时间不低于100ms，结合能量阈值tw设定一个慢波时间阈值t
t
，由于能量阈值tw会带来一些慢波时间的误差，建议t
t
的阈值不低于100ms；当[d
i_start
,d
i_end
]的慢波时间满足阈值t
t
条件时，认定[d
i_start
,d
i_end
]配对端点之间的波形为慢波，由此慢波前面的配对端点[d
i-1_start
,d
i-1_end
]之间所形成的波形为棘波，进而找出输入波形的ewed处理后的有效波形，其有效波形端点为[d
i-1_start
,d
i_end
]；
[0044]
因为能量阈值tw会带来有效波形端点的误差，故需要对有效波形端点进行误差修正，对波形开始端点d
i-1_start
，向其左边数据进行移动，寻找到第一个极点或是波形开始点结束，则认为是修正后的棘慢复合波起始端点d
start
，对波形结束端点d
i_end
，向其右边数据进行移动，寻找到第一个极点或是波形结束点结束，则认为是修正后的棘慢复合波结束点d
end
，最后得到最终的有效波形数据x
ead
；
[0045][0046]
利用dtw算法估计x
ead
波形与棘慢复合波典型模板库中的典型棘慢复合波两者的距离度；至此，得到了由对输入波形进行时频域特征提取的方差、低频能量比以及输入波形与棘慢复合波典型模板库进dtw计算出的相似度；fea
1x
代表方差，fea
2x
代表低频能量比，fea
3x
代表距离度，为了将消除量纲影响，最大化的保留原有的特征分布以及和离线训练数据提取的特征保持一致，对三类特征做以下处理：
[0047][0048][0049][0050]
为离线训练数据中三特征的均值和方差，经过上述处理后，得到归一化后的三类特征，并融合为特征向量[fea
′1,fea
′2,fea
′3]；融合后的特征向量送入识别模型后，即可输出判决模型。
[0051]
与上述方法对应的，本发明还提供一种基于特征融合的棘慢复合波检测识别系统，包括：
[0052]
分类模型训练模块，用以通过人工标注的方法建立棘慢复合波数据库和正常脑电波形数据库，根据棘慢复合波数据库、正常脑电波数据库的样本数据提取波形的时频域特征，以及棘慢复合波数据库和正常脑电波数据库的样本与棘慢复合波典型模板库的样本进行dtw算法估计出的距离度特征，由此建立棘慢复合波特征库和正常波形特征库，利用棘慢复合波特征库和正常波特征库进行分类模型训练；
[0053]
距离度特征计算模块，提取基于dtw算法估计的距离度特征，输入脑电波首先做归一化和时频域特征提取；归一化后的脑电波数据进行有效波形端点检测，最后利用dtw算法
估计去杂波的有效脑电波形数据与棘慢复合波模板的距离度；
[0054]
分类模块，将提取的时频域特征和距离度特征融合成特征向量作为输入特征送入离线训练好的分类模型，输出分类结果。
[0055]
进一步的，所述分类模型训练模块中的标准特征库建立方法为：在棘慢复合波数据库中选取一定数量典型的棘慢复合波作为棘慢复合波模板库；
[0056]
令xy为正常脑电数据库和棘慢复合波数据库组成的总脑电波数据集，x为正常脑电波数据库，xi为其中一个样本，其中有n条正常脑电波样本；y为棘慢复合波数据库，yi为其中一个样本，其中有m条棘慢复合波数据；z为棘慢复合波典型模板库，zi为其中一个样本，其中有k个典型的棘慢复合波样本；
[0057]
x＝{x1,x2…
xn}
[0058]
y＝{y1,y2…
ym}
[0059]
z＝{z1,z2…
zk}
[0060]
针对正常脑电波数据库和棘慢复合波数据库的每个样本数据，做傅里叶变换和时域的数值统计，获取时频域特征方差和低频能量比，令x
fea1
，x
fea2
为正常脑电波数据提取的时频域特征，令y
fea1
，y
fea2
为棘慢复合波数据库提取的时频域特征；其次，将针对脑电波数据库和棘慢复合波数据库的每个样本数据与棘慢复合波典型模板库的数据做dtw计算，单个样本与棘慢复合波典型模板库的数据集做dtw计算，取最小的距离度，这样获取到距离度特征x
fea3
、y
fea3
；
[0061][0062][0063]
至此，得到由正常脑电波数据提取的特征x
fea1
、x
fea2
、x
fea3
，和棘慢复合波数据库提取的特征y
fea1
、y
fea2
、y
fea3
；在做特征融合时，为了将消除量纲影响，最大化的保留原有的特征分布，对三类特征做以下处理：
[0064][0065][0066]
为xy
fea1
的均值，为xy
fea1
的方差，同理可得到x
′
fea2
、x
′
fea3
、y
′
fea1
、y
′
fea2
、y
′
fea3
；
[0067][0068][0069][0070][0071]
为了使在线识别输入波形的特征分布与离线建模特征保持一致，记录好离线识别提取特征的均值和方差，分别记录为
[0072]
以上，得到正常脑电波数据库的特征x'
fea1
、x'
fea2
、x'
fea3
，将三类特征融合为特征向量矩阵fea
x
＝[x'
fea1
x'
fea2
x'
fea3
]，fea
x
为n行的二维数组，每一行的元素为融合后的向量；同理可得到棘慢复合波数据库的特征向量矩阵feay＝[y
′
fea1y′
fea2y′
fea3
]。
[0073]
由fea
x
和feay组成的正常脑电波特征库和棘慢复合波特征库，将两类特征库送入svm训练器，即可得到离线条件下训练的分类模型。
[0074]
进一步的，所述距离度特征计算模块中归一化处理公式为
[0075][0076]
其中：max(x)为x序列的最大值，min(x)为x序列的最小值，x为n个点的脑电采集序列，xn代表第n个采样点的值。
[0077]
进一步的，所述距离度特征计算模块中有效波形端点检测方法具体为：
[0078]
先利用ewed有效的解决脑电数据杂波带来的dtw算法影响，其能量的计算公式如下：
[0079][0080]
设定一个较高的能量阈值t，其中d1为x序列第一个大于能量阈值tw的点，然后寻找从d1开始第一个小于能量阈值tw的点，记为d2点，再从d2开始寻找第一个大于能量阈值tw的点，记为d3，以此类推，得到端点集合，
[0081]
d＝{d1,d2…dn
}。
[0082]
棘慢复合波是由棘波和慢波组成的复合波，且严格按照棘波在前面，慢波跟随在棘波后面，基于上述描述的规则，一个标准的棘慢复合波可以有以下几个准则：
[0083]
规则1：至少有4个端点，棘波的开始端点和结束端点，慢波的开始端点和结束端点，若低于4个端点，则归一化后的数据整体作为有效数据与棘慢复合波模板库的模板进行距离度估计；
[0084]
规则2：慢波的开始端点和结束端点的时间距离比棘波要长，慢波的时间长度理论上不低于100ms，若低于100ms，则归一化后的数据整体作为有效数据与棘慢复合波模板库的模板进行距离度估计；
[0085]
基于端点寻找方法和上述规则，在端点集合d中找出配对好的端点对集合d
set
和每个配对端点之间的长度集合l；
[0086]dset
＝{[d
1_start
,d
1_end
],[d
2_start
,d
2_end
]
…
[d
n_start
,d
n_end
]}
[0087]
l＝{l1,l2,
…
ln}
[0088]
假设li＝max(l)为最大长度，则认为第i个配对端点d＝[d
i_start
,d
i_end
]形成的波形为可能存在的慢波，根据[d
i_start
,d
i_end
]计算慢波时间，理论上认为慢波时间不低于100ms，结合能量阈值tw设定一个慢波时间阈值t
t
，由于能量阈值tw会带来一些慢波时间的误差，建议t
t
的阈值不低于100ms；当[d
i_start
,d
i_end
]的慢波时间满足阈值t
t
条件时，认定[d
i_start
,d
i_end
]配对端点之间的波形为慢波，由此慢波前面的配对端点[d
i-1_start
,d
i-1_end
]之间所形成的波形为棘波，进而找出输入波形的ewed处理后的有效波形，其有效波形端点为[d
i-1_start
,d
i_end
]；
[0089]
因为能量阈值tw会带来有效波形端点的误差，故需要对有效波形端点进行误差修正，对波形开始端点d
i-1_start
，向其左边数据进行移动，寻找到第一个极点或是波形开始点结束，则认为是修正后的棘慢复合波起始端点d
start
，对波形结束端点d
i_end
，向其右边数据进行移动，寻找到第一个极点或是波形结束点结束，则认为是修正后的棘慢复合波结束点d
end
，最后得到最终的有效波形数据x
ead
；
[0090][0091]
利用dtw算法估计x
ead
波形与棘慢复合波典型模板库中的典型棘慢复合波两者的距离度；至此，得到了由对输入波形进行时频域特征提取的方差、低频能量比以及输入波形与棘慢复合波典型模板库进dtw计算出的相似度；fea
1x
代表方差，fea
2x
代表低频能量比，fea
3x
代表距离度，为了将消除量纲影响，最大化的保留原有的特征分布以及和离线训练数据提取的特征保持一致，对三类特征做以下处理：
[0092][0093][0094][0095]
为离线训练数据中三特征的均值和方差，经过上述处理后，得到归一化后的三类特征，并融合为特征向量[fea
′1,fea
′2,fea
′3]；融合后的特征向量送入识别模型后，即可输出判决模型。
[0096]
本发明的优点在于：
[0097]
利用脑电波数据的时频域特征和基于dtw算法估计输入的脑电波形与棘慢复合波模板的距离度特征，作为典型特征进行特征融合，送入离线训练好的分离器，最终输出判决后的识别结果。此外，对输入的脑电波数据归一化处理和基于短时能量和棘慢复合波结构特征的有效波形端点检测，能提高识别算法的准确性和鲁棒性。本发明实现了棘慢复合波的自动化检测识别，提高医生工作效率。
附图说明
[0098]
图1为本发明实施例中融合的棘慢复合波检测识别方法流程图；
[0099]
图2为图1中离线建模流程图；
[0100]
图3为本发明实施例中融合的棘慢复合波检测识别方法中离线建模和在线识别流程图；
[0101]
图4为本发明实施例中融合的棘慢复合波检测识别方法在线识别流程图；
[0102]
图5为本发明实施例中实际采集患者的脑电数据；
[0103]
图6为对图5中脑电数据归一化后的脑电数据；
[0104]
图7为对图6中脑电数据能量图。
具体实施方式
[0105]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0106]
图1是本发明实施例的算法检测流程图，系统的处理流程主要有三步，
[0107]
第一步，离线建模模块的数据治理和特征提取，根据脑电波数据人工标注一定数量的棘慢复合波数据库和正常脑电波数据数据库。根据棘慢复合波数据库、正常脑电波数据库的样本数据提取波形的时频域特征，以及棘慢复合波数据库和正常脑电波数据库的样本与棘慢复合波典型模板库的样本进行dtw算法估计出的距离度特征，由此建立棘慢复合波特征库和正常波形特征库；
[0108]
第二步，提取基于dtw算法估计的距离度特征。输入脑电波首先做归一化，降低幅度对动态时间规整算法的影响，归一化后的脑电波数据进行有效波形端点检测，本实施例提出的基于短时能量和波形规则的有限波形端点检测能有效的去除输入脑电波形中的杂波，降低杂波对动态时间规整算法的影响，最后利用dtw算法估计去杂波的有效脑电波形数据与棘慢复合波模板的距离度；
[0109]
第三步，在线识别模块的识别流程，未知的波形作为输入并提取该波形的时频域特征，并利用dtw算法估计未知波形与棘慢复合波模板的距离度，将时频域特征与距离度特征形成特征向量送入离线训练的svm分类器，输出分类结果。
[0110]
在离线条件下，使用人工标注，形成棘慢复合波数据库和正常脑电波数据库，然后进行分类器训练，得到离线条件下的识别分类器。注意在选择棘慢复合波数据时，适当的选择带有噪声的棘慢复合波数据且噪声权重占比较小，这会在一定程度上提高检测识别方法的泛化性。
[0111]
脑电波数据的时频域特征，包含均值、方差、向量变异系数，交叉熵，中值，中心矩，峰度变异系数，低频能量比和平均中值比9个特征，这些特征可以从特征的维度上衡量脑电波数据。
[0112]
均值属于能量特征参数，描述了脑电波数据的平均能量信息：
[0113]
[0114]
方差反映了样本的取值与其数学期望的偏离程度：
[0115][0116]
向量变异系数定义标准差和均值之比：
[0117][0118]
中心距表征样本取值关于数学期望的分布特征
[0119][0120]
熵是脑电波信息量度量，属于变换特征参数，用来描述不确定性、无序性。熵的大小反映了脑电波数据傅里叶变换后得到的能量在频域上分布情况，如果能量谱在整个频域上均匀分布，则熵值较大，反之，较小。
[0121]
峰度变异系数描述了脑电波数据总体密度函数的特征，也属于分布特征参数。
[0122][0123]
低频能量比定义了脑电波能量谱在零频率附近的能量占总能量的比例，也是属于变换特征参数。低频能量比的大小反映了目标能量谱的分布情况，如何目标能量集中在零频附近，则低频能量比较大，反之较小。
[0124]
中值即样本降序排序后的中间取值，该特征可以从一定程度上表征脑电波时间序列中样本的取值。
[0125]
平均中值比定义平均值和中值之比：
[0126][0127]
通过大量的实测数据分析发现，棘慢复合波与正常波形的方差、低频能量比具有较强的可分性，可以作为典型特征进行特征融合。
[0128]
动态时间规整算法是基于动态规划的思想，能够解决不同长度时间序列之间的长度对齐以及对应点映射问题，以及解决序列长度长短不一的模板匹配问题，这一特性，能较好的应用在特定形状波形的识别中，例如棘慢复合波的识别。由此可知，当输入波形具备棘慢复合波结构特征时，那么输入波形与棘慢复合波模板的距离度在数值上较小，而当输入波形为正常波形时，意味着输入波形不具备棘慢复合波的结构特征，那么输入波形与棘慢复合波模板的距离度在数值上应该较大，理论上可知，基于动态时间规整的输入波形与棘慢复合波模板的距离度可作为典型特征进行特征融合。
[0129]
首先介绍离线建模模块，该模块主要设计出在线识别模块中用于分类的模型，图2是本发明实施例的离线建模流程图，从脑电波数据集中人工选取正常的脑电波形和棘慢复合波波形，建立正常脑电波数据库、棘慢复合波数据库，在棘慢复合波库中选取几个典型的棘慢复合波作为棘慢复合波模板库，棘慢复合波模板库主要作用是作为模板与输入波形进行dtw算法估计距离度。dtw算法复杂度较高，为了保证算法的实时性，棘慢复合波模板库中的模板不宜过多。
[0130]
令xy为正常脑电数据库和棘慢复合波数据库组成的总脑电波数据集，x为正常脑电波数据库，xi为其中一个样本，其中有n条正常脑电波样本。y为棘慢复合波数据库，yi为其中一个样本，其中有m条棘慢复合波数据。z为棘慢复合波模板库，zi为其中一个样本，其中有k个典型的棘慢复合波样本。
[0131]
x＝{x1,x2…
xn}
[0132]
y＝{y1,y2…
ym}
[0133]
z＝{z1,z2…
zk}
[0134]
针对正常脑电波数据库和棘慢复合波数据库的每个样本数据，做傅里叶变换和时域的数值统计，获取时频域特征方差和低频能量比，令x
fea1
，x
fea2
为正常脑电波数据提取的时频域特征，令y
fea1
，y
fea2
为棘慢复合波数据库提取的时频域特征。其次，将针对脑电波数据库和棘慢复合波数据库的每个样本数据与棘慢复合波典型模板库的数据做dtw计算，单个样本与棘慢复合波典型模板库的数据集做dtw计算，取最小的距离度，这样获取到距离度特征x
fea3
、y
fea3
。
[0135][0136][0137]
至此，我们得到由正常脑电波数据提取的特征x
fea1
、x
fea2
、x
fea3
，和棘慢复合波数据库提取的特征y
fea1
、y
fea2
、y
fea3
。在做特征融合时，为了将消除量纲影响，最大化的保留原有的特征分布，对三类特征做以下处理：
[0138][0139][0140]
为xy
fea1
的均值，为xy
fea1
的方差，同理可得到x'
fea2
、x'
fea3
、y
′
fea1
、y
′
fea2
、y
′
fea3
。
[0141][0142][0143]
[0144][0145]
为了使在线识别输入波形的特征分布与离线建模特征保持一致，记录好离线识别提取特征的均值和方差，分别记录为
[0146]
以上，我们得到正常脑电波数据库的特征x'
fea1
、x'
fea2
、x'
fea3
，将三类特征融合为特征向量矩阵fea
x
＝[x'
fea1
x'
fea2
x'
fea3
]，fea
x
为n行的二维数组，每一行的元素为融合后的向量。同理可得到棘慢复合波数据库的特征向量矩阵feay＝[y
′
fea1y′
fea2y′
fea3
]。
[0147]
由fea
x
和feay组成的正常脑电波特征库和棘慢复合波特征库，将两类特征库送入svm训练器，即可得到离线条件下训练的分类模型。
[0148]
图3、图4为在线识别处理流程，对未知波形提取距离度特征，将未知波形的数据归一化，消除幅度对dtw算法的影响，然后将归一化后的数据进行ewed算法处理，去除脑电波形数据中非有效的杂波。最后用dtw算法估计去杂波的波形数据与棘慢复合波典型模板库两者的距离度。
[0149]
同时，对未知波形的数据进行时频域的统计，得到方差和低频能量比两类特征。将方差、低频能量比和距离度三类特征融合成特征向量，送入离线训练的分类器，输出分类结果。
[0150]
由dtw算法原理可知，波形中含有杂波和波形幅度量级不统一对估计的距离度影响巨大，本发明提出了利用归一化和ewed的方法去除杂波和幅度量级不统一的影响。
[0151]
通常来说，棘慢复合波是一个20ms左右的棘波之后跟随一个200ms～500ms(多为300ms)的慢波，故而单个棘慢复合波一般不超过600ms，系统约定一次输入算法系统的脑电数据为600ms的脑电数据，记为：
[0152]
x＝{x1,x2…
xn}
[0153]
其中：x为n个点的脑电采集序列，xn代表第n个采样点的值，每秒的脑电数据点数取决于脑电采集硬件设备每秒的采样率，业内主流的脑电采集仪器品牌，如日本光电、美国尼高力等，其采样率通常为125hz、500hz等。图5为美国尼高力公司的脑电监测设备采集的典型脑电异常波形数据，其设置的采样率为125hz，时间长度为600ms。由于不同的设备参数和用户设置脑电放大增益不一样，导致数据的幅度有了较大的区别，为了消除幅度对动态时间规整算法的影响，系统检测识别算法能够兼容处理不同设备采集的数据，输入的脑电波形首先进行归一化处理，归一化处理的公式为：
[0154][0155]
其中：max(x)为x序列的最大值，min(x)为x序列的最小值，经过归一化后的脑电数据有效的降低了幅度给算法带来的负面影响。图5为经过归一化后的数据，可以看出其波形结构特征并没有受到损失。
[0156]
棘慢复合波通常发生的周期往往在200ms～500ms左右，系统规定输入的600ms的脑电数据往往有一定的杂波，由图6可知其有效数据在140ms～600ms之间。1ms～149ms的杂波会影响dtw算法的准确性。
[0157]
棘慢复合波的出现往往带来波形能量上的波动，基于短时能量和波形规则的棘慢复合波的ewed能有效的解决脑电数据杂波带来的dtw算法影响，其能量的计算公式如下：
[0158][0159]
设定一个较高的能量阈值t，其中d1为x序列第一个大于能量阈值tw的点，然后寻找从d1开始第一个小于能量阈值tw的点，记为d2点，再从d2开始寻找第一个大于能量阈值tw的点，记为d3，以此类推，得到端点集合，
[0160]
d＝{d1,d2…dn
}
[0161]
设定t＝0.5，基于图6的数据进行脑电波形能量计算，并按照上述能量计算和阈值规则，寻找端点集合，结果如图7所示。
[0162]
棘慢复合波是由棘波和慢波组成的复合波，且严格按照棘波在前面，慢波跟随在棘波后面，基于上述描述的规则，一个标准的棘慢复合波可以有以下几个准则：
[0163]
规则1：至少有4个端点，棘波的开始端点和结束端点，慢波的开始端点和结束端点，若低于4个端点，则归一化后的数据整体作为有效数据与棘慢复合波模板库的模板进行距离度估计；
[0164]
规则2：慢波的开始端点和结束端点的时间距离比棘波要长，慢波的时间长度理论上不低于100ms，若低于100ms，则归一化后的数据整体作为有效数据与棘慢复合波模板库的模板进行距离度估计；
[0165]
基于端点寻找方法和上述规则，我们在端点集合d中找出配对好的端点对集合d
set
和每个配对端点之间的长度集合l。
[0166]dset
＝{[d
1_start
,d
1_end
],[d
2_start
,d
2_end
]
…
[d
n_start
,d
n_end
]}
[0167]
l＝{l1,l2,
…
ln}
[0168]
假设li＝max(l)为最大长度，则认为第i个配对端点d＝[d
i_start
,d
i_end
]形成的波形为可能存在的慢波，根据[d
i_start
,d
i_end
]计算慢波时间，理论上认为慢波时间不低于100ms，结合能量阈值tw设定一个慢波时间阈值t
t
，由于能量阈值tw会带来一些慢波时间的误差，建议t
t
的阈值不低于100ms。当[d
i_start
,d
i_end
]的慢波时间满足阈值t
t
条件时，系统认定[d
i_start
,d
i_end
]配对端点之间的波形为慢波，由此慢波前面的配对端点[d
i-1_start
,d
i-1_end
]之间所形成的波形为棘波，进而找出输入波形的ewed处理后的有效波形，其有效波形端点为[d
i-1_start
,d
i_end
]。
[0169]
因为能量阈值tw会带来有效波形端点的误差，故需要对有效波形端点进行误差修正，对波形开始端点d
i-1_start
，向其左边数据进行移动，寻找到第一个极点或是波形开始点结束，则认为是修正后的棘慢复合波起始端点d
start
，对波形结束端点d
i_end
，向其右边数据进行移动，寻找到第一个极点或是波形结束点结束，则认为是修正后的棘慢复合波结束点d
end
，最后得到最终的有效波形数据x
ead
。
[0170][0171]
利用dtw算法估计x
ead
波形与棘慢复合波模板两者的距离度。若模板库中存在多个模板，取多个模板与x
ead
波形距离度估计的最小值。增加棘慢复合波模板库中的模板可增加算法的泛化行，但会带来计算复杂度的提高，影响实时性，由使用者自行决定。
[0172]
至此，我们得到了由对输入波形进行时频域特征提取的方差、低频能量比以及输入波形与模板库进dtw计算出的相似度。fea
1x
代表方差，fea
2x
代表低频能量比，fea
3x
代表距离度，为了将消除量纲影响，最大化的保留原有的特征分布以及和离线训练数据提取的特
征保持一致，对三类特征做以下处理：
[0173][0174][0175][0176]
为离线训练数据中三特征的均值和方差，经过上述处理后，得到归一化后的三类特征，并融合为特征向量[fea
′1,fea
′2,fea
′3]。融合后的特征向量送入识别模型后，即可输出判决模型。
[0177]
尽管为实例目的，已经公开了本发明的优选实施例，但本发明的范围不仅局限于上述实例，因为，凡是基于脑电波时频域特征和dtw算法估计距离度特征融合的棘慢复合波识别方法，以及利用归一化和ewed提高dtw距离度估计精度的方法均属于本发明的保护范围。
[0178]
与上述方法对应的，本实施例还提供一种基于特征融合的棘慢复合波检测识别系统，其特征在于，包括：
[0179]
分类模型训练模块，用以通过人工标注的方法建立棘慢复合波数据库和正常脑电波形数据库，根据棘慢复合波数据库、正常脑电波数据库的样本数据提取波形的时频域特征，以及棘慢复合波数据库和正常脑电波数据库的样本与棘慢复合波典型模板库的样本进行dtw算法估计出的距离度特征，由此建立棘慢复合波特征库和正常波形特征库，利用棘慢复合波特征库和正常波特征库进行分类模型训练；
[0180]
距离度特征计算模块，提取基于dtw算法估计的距离度特征，输入脑电波首先做归一化和时频域特征提取；归一化后的脑电波数据进行有效波形端点检测，最后利用dtw算法估计去杂波的有效脑电波形数据与棘慢复合波模板的距离度；
[0181]
分类模块，将提取的时频域特征和距离度特征融合成特征向量作为输入特征送入离线训练好的分类模型，输出分类结果。
[0182]
上述每个模块的执行过程均与上述方法一致。
[0183]
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。