本发明涉及医疗设备，尤其是涉及一种癫痫病发作检测和发作前预测的脑电数据分析系统。
背景技术：
现有的癫痫病检测技术使用的都是病人的颅内EEG(脑电图的英文缩写)信号，需要对病人进行开颅并植入颅内电极，对病人造成了很大的生理和心理负担，增加其痛苦，且其检测的准确率也不高。
现有技术仅仅注重于癫痫病的检测而非预测，且预测技术使用的也是病人的颅内脑电，预测率低，实际应用价值不高。
技术实现要素：
本发明的目的在于：针对现有技术存在的问题，提供一种癫痫病发作检测和发作前预测的脑电数据分析系统，解决现有癫痫病检测会对病人造成很大的生理和心理负担，且检测准确率不高的问题。
本发明的发明目的通过以下技术方案来实现：
一种癫痫病发作检测和发作前预测的脑电数据分析系统，其特征在于，该系统包括：
头皮EEG信号采集设备，用于采集头皮EEG信号；
时频域特征提取模块，用于通过对头皮EEG信号进行小波分解与重构，得到相应的四级小波系数，分别在四段小波系数上提取统计学特征、分形维数特征与熵类特征作为时频域特征；
时域特征提取模块，用于从头皮EEG信号中提取统计学特征、分形维数特征与熵类特征作为时域特征；
频域特征提取模块，用于对头皮EEG信号进行傅立叶变换得到EEG的频谱图，在频谱图中提取频域特征；
最优特征子集获取模块，用于使用特征选择算法对时频域特征提取模块、时域特征提取模块和频域特征提取模块得到的特征集合进行筛选，得到最优特征子集；
癫痫预测检测模块，用于使用最优特征子集对SVM进行训练，得到分类器，通过分类器得到癫痫预测数据和癫痫检测数据。
进一步的，所述统计学特征包括平均值、极大值、极小值、方差、偏度、斜度、峰值、均方根、峰值因子、尺寸因子、总变分、Hurst指数、去趋势波动分析、Hjorth参数：机动性、Hjorth参数：复杂性、Fisher信息；所述分形维数特征包括：Mandelbrot分形维数、Petrosian分形维数、Higuchi分形维数；所述熵类特征包括：样本熵、排列熵、奇异值熵、频谱熵。
进一步的，从四段小波系数上提取统计学特征、分形维数特征与熵类特征的步骤为：分别把各段小波系数输入到每个特征的提取算法上，算法得到相应的特征值。
进一步的，头皮EEG信号中提取统计学特征、分形维数特征与熵类特征的步骤为：把头皮EEG信号进行小波分解与重构得到小波系数，把小波系数输入到每个特征的提取算法上，算法得到相应的特征值。
进一步的，头皮EEG信号进行傅立叶变换得到EEG的频谱图，在频谱图中提取频域特征的步骤包括：对频谱图特征提取时，其特征是按照脑电波的波段对频谱进行划分，具体划分为δ：0.5-4Hz，θ：4-8Hz，α：8-13Hz，β2：13-20Hz，β1：20-30Hz，γ：30-60Hz，随后在每个波段上运行特征提取算法。
进一步的，所述特征选择算法包括方差分析法，递归特征消除法与BackFS算法。
与现有技术相比，本发明具有以下优点：
1.通过对病人EEG信号的分析，就可以对病人的癫痫发作进行检测与预测，且性能极佳。
2.仅使用病人的头皮EEG，而非颅内EEG，为病人减去痛苦与负担。
3.癫痫的预测可以为患者生活质量带来极大的提高，让患者在癫痫发作前做出反应，防止危险发生。
4.不止在可以用于临床，还可以具体在生活中应用，应用范围广。
附图说明
图1为本系统的工作流程图；
图2为美国临床神经生理学会提供的数据片段的头皮电极位点分布图；
图3为本系统的分类器对癫痫的检测准确率；
图4为本系统的分类器对癫痫的提前5秒预测的准确率。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
本发明提供一种癫痫病发作检测和发作前预测的脑电数据分析系统，该系统包括：头皮EEG信号采集设备，用于采集头皮EEG信号；时频域特征提取模块，用于通过对头皮EEG信号进行小波分解与重构，得到相应的四级小波系数，分别在四段小波系数上提取统计学特征、分形维数特征与熵类特征作为时频域特征；时域特征提取模块，用于从头皮EEG信号中提取统计学特征、分形维数特征与熵类特征作为时域特征；频域特征提取模块，用于对头皮EEG信号进行傅立叶变换得到EEG的频谱图，在频谱图中提取频域特征；最优特征子集获取模块，用于使用特征选择算法对时频域特征提取模块、时域特征提取模块和频域特征提取模块得到的特征集合进行筛选，得到最优特征子集；癫痫预测检测模块，用于使用最优特征子集对SVM进行训练，得到分类器，通过分类器得到癫痫预测数据和癫痫检测数据。
本发明系统的工作流程如图1所示，
1)通过特征工程的方式建立特征，特征分为四类：统计学特征、分形维数特征、熵类特征与频域特征，具体如下表：
2)通过对本系统采集的原始EEG信号进行小波分解与重构，得到相应的四级小波系数，分别在四段小波系数上提取统计学特征，分形维数特征与熵类特征作为时频域特征。其中，对原始EEG信号进行小波分解与重构，得到相应的四级小波系数是现有方法。从四段小波系数上提取统计学特征、分形维数特征与熵类特征的步骤为：分别把各段小波系数输入到每个特征的提取算法上，算法得到相应的特征值，如：平均值Mean即为该小波系数的平均值。每种特征均有相关文献公开具体过程。
3)在原始EEG信号中提取统计学特征，分形维数特征与熵类特征作为时域特征。从原始头皮EEG信号中提取统计学特征、分形维数特征与熵类特征的步骤为：把头皮EEG信号进行小波分解与重构得到小波系数，把小波系数输入到每个特征的提取算法上，算法得到相应的特征值，如：平均值Mean即为该小波系数的平均值。每种特征均有相关文献公开具体过程。
4)通过对原始EEG信号进行傅立叶变换得到EEG的频谱图，在频谱图中提取频域特征。头皮EEG信号进行傅立叶变换得到EEG的频谱图，在频谱图中提取频域特征的步骤包括：对频谱图特征提取时，其特征是按照脑电波的波段对频谱进行划分，具体划分为δ：0.5-4Hz，θ：4-8Hz，α：8-13Hz，β2：13-20Hz，β1：20-30Hz，γ：30-60Hz，随后在每个波段上运行特征提取算法。
5)使用特征选择算法对上述过程得到的特征集合进行筛选，得到最优特征子集，本技术中使用的算法为方差分析法，递归特征消除法与BackFS算法。首先把所有特征合并在一起，即脑电的每个信道的每个频段的全部特征。随后在特征集合上运行特征选择算法，该系统当前采取的是方差分析法，递归特征消除法与BackFS算法。随后得到最优特征子集。
6)使用最优特征子集对SVM(支撑向量机)进行训练，得到分类器，通过分类器得到癫痫预测数据和癫痫检测数据。SVM以及训练过程都为公知常识。
本系统使用了由美国临床神经生理学会提供的数据库TUH EEG Seizure Corpus进行测试，该数据库包含了1242个头皮脑电数据片段，553个片段处于发病期，689个片段处于发病间期，每个EEG片段包含21个头皮电极位点，其位点如图2所示，可从中得到22个不同的信道信号，每个信道的取样频率为250Hz。
使用该数据和十折交叉验证的方法，得到了如下的检测率与预测率。如图3，本系统的分类器对癫痫的检测准确率达到97.11％，并且对发病样本的检测准确率达到了97.75％。如图4，本系统的分类器对癫痫的提前5秒预测的准确率高达96.52％，对发病样本的预测准确率达到95.99％。由此可见本技术在癫痫检测与预测方面具有极好的性能。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，应当指出的是，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。