面向癲癇腦電信號(hào)的特征提取與自動(dòng)識(shí)別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及非平穩(wěn)信號(hào)的時(shí)頻分析、模式分類及機(jī)器學(xué)習(xí)，屬于信號(hào)處理和模式 識(shí)別技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 癲癇是一種常見(jiàn)多發(fā)病癥，它極大地危害著人們的健康，嚴(yán)重時(shí)可導(dǎo)致人死亡。腦 電（Electroencephalogram，EEG)信號(hào)是診斷癲癇的必要依據(jù)，目前，癲癇診斷主要是通過(guò) 醫(yī)生對(duì)腦電圖的視覺(jué)檢查來(lái)完成。視覺(jué)檢查存在較大的主觀因素問(wèn)題，不同醫(yī)生或者同一 醫(yī)生在不同時(shí)刻對(duì)同一波形的判斷可能不一致。因此，腦電信號(hào)的癲癇特征提取與自動(dòng)識(shí) 別技術(shù)，將能在很大程度上減輕醫(yī)生的負(fù)擔(dān)和提高腦電圖診斷效率。
[0003] 腦電信號(hào)的分析和處理一直是個(gè)世界難題，不但在于其信號(hào)的非平穩(wěn)性，還在于 其信號(hào)波形的多樣性。如果單純地從時(shí)域或者頻域考慮，效果并不是很理想。主要原因在于 這些方法都是試圖用單純時(shí)域或者頻域的特征來(lái)表征信號(hào)，忽略了腦電信號(hào)的非平穩(wěn)性， 因而不能充分明顯的區(qū)分癲癇信號(hào)的特征。
[0004] 時(shí)頻分析能保留信號(hào)的時(shí)間和頻率信息，是EEG研宄及臨床應(yīng)用的重要分析方 法。時(shí)頻分析在EEG分析與研宄方面，主要有短時(shí)傅里葉變換、小波變換、希爾伯特黃變換 等。短時(shí)傅里葉變換使用一個(gè)固定的窗函數(shù)，因此分辨率是確定的，不能根據(jù)信號(hào)的變化而 變化。希爾伯特黃變換對(duì)于多頻率成分信號(hào)，往往會(huì)出現(xiàn)高頻區(qū)頻率分辨率不夠，低頻區(qū)出 現(xiàn)不合理的頻率成分和容易掩蓋低能量頻率成分問(wèn)題。小波變換繼承和發(fā)展了短時(shí)傅里葉 變換局部化的思想，同時(shí)又克服了窗口大小不隨頻率變化等缺點(diǎn)，能夠提供一個(gè)隨頻率改 變的"時(shí)間-頻率"窗口，在低頻處有較高的頻率分辨率，在高頻處有較高的時(shí)間分辨率，能 自動(dòng)適應(yīng)時(shí)頻信號(hào)分析的要求，聚焦到信號(hào)的任意細(xì)節(jié)。
[0005] 基于癲癇腦電的時(shí)頻分析，可以提取出與癲癇腦電相關(guān)的眾多特征。但往往提取 的初始特征在表征癲癇腦電與正常腦電差異方面存在冗余或者不相關(guān)。因此，為了自動(dòng)識(shí) 別最能表征癲癇腦電特征的最優(yōu)特征子集，提出了各種不同的特征選擇方法。其中，典型的 方法有t檢驗(yàn)、皮爾遜相關(guān)法、方差分析法、特征加權(quán)算法（ReliefF)、支持向量機(jī)遞歸特 征消除法（Support Vector Machine-Recursive Feature Elimination，SVM_RFE)等。t 檢 驗(yàn)和方差分析法基于的統(tǒng)計(jì)思想為檢驗(yàn)特征統(tǒng)計(jì)量在兩類樣本上的差異。其中，t檢驗(yàn)還 需滿足樣本近似正態(tài)分布及方差齊性兩個(gè)先驗(yàn)條件。皮爾遜相關(guān)系數(shù)法可以檢驗(yàn)樣本特征 與對(duì)應(yīng)類別的相關(guān)程度，但這種相關(guān)性只是線性相關(guān)性。Re I i ef F可以檢驗(yàn)出與類別相關(guān)性 較大的特征，且這種相關(guān)性并不局限于線性相關(guān)。上述t檢驗(yàn)法、方差分析法、皮爾遜相關(guān) 法、ReliefF方法都是一種過(guò)濾式的特征選擇算法，特征選擇與具體的分類算法無(wú)關(guān)，具有 計(jì)算簡(jiǎn)單，速度快等特點(diǎn)，但缺乏考慮特征間的相關(guān)性及冗余性。SVM-RFE作為典型的封裝 式特征選擇方法，考慮到多個(gè)特征間對(duì)表征樣本差異和模式分類的影響，引用模式分類的 指標(biāo)如準(zhǔn)確率來(lái)反映特征的重要性，選擇的特征能取得較好的模式分類效果?；谶^(guò)濾式 和封裝式的組合特征選擇方法，能有效結(jié)合兩類特征選擇方法的優(yōu)勢(shì)，首先能基于過(guò)濾式 特征選擇方法選取一定程度上表征樣本差異的特征，再基于封裝式特征選擇方法選取使得 模式分類效果最優(yōu)的特征子集。
[0006] 本發(fā)明將時(shí)頻分析信號(hào)處理方法中連續(xù)小波變換應(yīng)用于癲癇腦電信號(hào)中，并基于 一個(gè)組合式的特征選擇方法，實(shí)現(xiàn)癲癇腦電特征的提取與自動(dòng)識(shí)別，對(duì)輔助臨床癲癇識(shí)別 診斷，減輕醫(yī)生的負(fù)擔(dān)和提高腦電圖診斷效率具有重要實(shí)際意義。

【發(fā)明內(nèi)容】

[0007] 根據(jù)本發(fā)明的一個(gè)方面，本發(fā)明將時(shí)頻分析信號(hào)處理方法應(yīng)用于癲癇腦電信號(hào) 中，提供了一種提取識(shí)別癲癇腦電特征的方法。所提特征在癲癇模式分類識(shí)別上取得了優(yōu) 良的分類效果并且分類模型具有良好的泛化性能。
[0008] 為實(shí)現(xiàn)上述目的，本發(fā)明提供了面向癲癇腦電信號(hào)的特征提取與自動(dòng)識(shí)別方法， 包括如下步驟：
[0009] (1)對(duì)腦電信號(hào)進(jìn)行連續(xù)小波變換（Continuous wavelet transform，CWT)，獲得 同時(shí)反映時(shí)間和頻域信息的時(shí)頻圖；
[0010] (2)將時(shí)頻圖按照具有臨床意義的腦電信號(hào)S、0、a、0、y波段分割成A、B、C、 D、E五個(gè)時(shí)頻子圖；
[0011] (3)應(yīng)用混合高斯模型分別對(duì)時(shí)頻子圖A、B、C、D、E能量密度的概率分布進(jìn)行估 計(jì)，提取表征腦電信號(hào)的備選特征集S tl;
[0012] (4)從備選特征集Stl中選擇表征腦電信號(hào)的最優(yōu)特征子集S 1;
[0013] (5)基于最優(yōu)特征子集SJII練支持向量機(jī)；
[0014] (6)獲得該特征集對(duì)癲癇腦電的分類結(jié)果，驗(yàn)證S1的有效性。
[0015] 其中，所述步驟（3)中，對(duì)時(shí)頻子圖A、B、C、D、E進(jìn)行混合高斯模型建立前，應(yīng)用期 望最大化（Expectation Maximization，EM)算法進(jìn)行模型階次判定。
[0016] 所述步驟（4)中，選擇一種過(guò)濾式和封裝式組合的特征選擇方法從特征集Stl中選 擇最優(yōu)特征子集Sp
[0017] 所述步驟（5)中，選用基于徑向基函數(shù)（Radial Basis Function，RBF)核函數(shù)的 非線性支持向量機(jī)（Support Vector Machine，SVM)作為分類器，并應(yīng)用一種兼顧全局和局 部的網(wǎng)格搜索方法確定分類器的最優(yōu)參數(shù)。
[0018] 本發(fā)明所提供的面向癲癇腦電信號(hào)特征提取與識(shí)別方法的優(yōu)點(diǎn)包括：
[0019] 1、腦電信號(hào)的時(shí)頻分析，同時(shí)提取了信號(hào)的時(shí)間和頻率信息，信息全面；
[0020] 2、本發(fā)明的組合式特征選擇方法，簡(jiǎn)單有效，能快速選擇最優(yōu)特征子集；
[0021] 3、方法簡(jiǎn)單有效，基于時(shí)頻圖提取的特征能準(zhǔn)確表征癲癇腦電與非癲癇腦電的差 異；
[0022] 4、基于本發(fā)明提取識(shí)別的癲癇腦電特征，癲癇腦電信號(hào)分類模型易取得良好的分 類效果和泛化性能。
【附圖說(shuō)明】
[0023] 圖1為根據(jù)本發(fā)明的一個(gè)實(shí)施例的特征提取識(shí)別并驗(yàn)證有效性的流程示意圖。
[0024] 圖2為本發(fā)明中所提出的組合式特征選擇流程示意圖。
[0025] 圖3 (a)和3 (b)分別為非癲癇腦電時(shí)頻圖和癲癇發(fā)作腦電時(shí)頻圖。
[0026] 圖4(a)_4(e)為非癲癇腦電時(shí)頻圖在五個(gè)波段的分割結(jié)果，其中，圖4(a)為Y波 段時(shí)頻子圖，圖4(b)為0波段時(shí)頻子圖，圖4(c)為a波段時(shí)頻子圖，圖4(d)為0波段 時(shí)頻子圖，圖4(e)為S波段時(shí)頻子圖。
[0027] 圖5(a)_5(e)為癲癇發(fā)作腦電時(shí)頻圖在五個(gè)波段的分割結(jié)果，其中，圖5(a)為Y 波段時(shí)頻子圖，圖5(b)為0波段時(shí)頻子圖，圖5(c)為a波段時(shí)頻子圖，圖5(d)為0波 段時(shí)頻子圖，圖5(e)為S波段時(shí)頻子圖。
[0028] 圖6為本發(fā)明所提特征針對(duì)非癲癇腦電與癲癇發(fā)作腦電的箱型圖。其中，NSi為 非癲癇腦電信號(hào)的第i個(gè)特征，Si為癲癇腦電信號(hào)的第i個(gè)特征。
[0029]圖7為本發(fā)明所提特征在癲癇腦電模式分類中各波段特征所得分類模型受試者 工作特性（ReceiverOperatingCharacteristic，R0C)曲線比較結(jié)果。
【具體實(shí)施方式】
[0030] 下面結(jié)合附圖和【具體實(shí)施方式】對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說(shuō)明。
[0031] 根據(jù)本發(fā)明的一個(gè)實(shí)施例，將腦電信號(hào)應(yīng)用時(shí)頻分析方法得到時(shí)頻圖。時(shí)頻圖同 時(shí)包含信號(hào)的時(shí)間信息和頻率瞬時(shí)分布信息。對(duì)于非平穩(wěn)信號(hào)，時(shí)頻分析比單純時(shí)域分析 或者頻域分析更能表征信號(hào)特征?；谀X電時(shí)頻圖，提取和識(shí)別表征癲癇腦電的特征。圖 1展示了根據(jù)本發(fā)明的一