CN102423259A - 一种癫痫灶定位装置及方法 - Google Patents
一种癫痫灶定位装置及方法 Download PDFInfo
- Publication number
- CN102423259A CN102423259A CN2011102845121A CN201110284512A CN102423259A CN 102423259 A CN102423259 A CN 102423259A CN 2011102845121 A CN2011102845121 A CN 2011102845121A CN 201110284512 A CN201110284512 A CN 201110284512A CN 102423259 A CN102423259 A CN 102423259A
- Authority
- CN
- China
- Prior art keywords
- main constituent
- lambda
- principal component
- eigenvalue
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种癫痫灶定位装置,包括多个电极,还包括主成分分析模块和因子分析模块,主成分分析模块对脑电信号进行主成分分析处理求解主成分,因子分析模块通过因子分析从得到的主成分中确定癫痫活动在电极上的定位。本发明的技术方案采用主成分分析(PCA)不仅可以降低维数,实现数据压缩,在不降低识别率的情况下,可以提高特征提取的速度,并且通过因子分析,可以快速确定癫痫活动的电极定位,从技术上为癫痫灶的准确定位提供了方法。
Description
技术领域
本发明属于医疗设备技术领域,特别涉及一种癫痫灶定位装置及方法。
背景技术
癫痫是以脑内神经元异常放电所导致的部分或整个脑功能障碍为特征的慢性疾患,在临床上常表现为突然、短暂的运动、感觉、意识、行为、自主神经或精神症状等异常。癫痫的危害性在于对患者带来的痛苦和身心伤害,严重时甚至危及生命,患者若为儿童还会影响到身体和智力发育。
诊断癫痫疑似患者最有效的方法是脑电图检查,脑电信号的主要分析是对大脑异常活动的检测,脑电活动通过在头皮上安装电极及其输出线,在脑电图仪上显示出来。通常电极放置法有10-20系统电极放置法,其他的电极放置法则大同小异。10-20系统电极放置法广泛应用于世界范围内,但在癫痫脑外科的治疗中,为了确定异常脑电活动的局限部位和诱发电位的局部定位等,将10-20系统修正为10%电极系统。电极数量的增加,意味着记录脑电数据的增加,这给通过对患者的脑电图进行视觉检测完成判断的医疗工作者增加了很多工作。
发明内容
本发明的目的是提供一种癫痫灶定位装置及方法,以解决现有技术中由于脑电信号数据量大,对检测系统存储空间的要求高,计算复杂度高,难以满足实时性要求的问题。
本发明的技术方案是,一种癫痫灶定位装置,包括多个电极,还包括主成分分析模块和因子分析模块,主成分分析模块对脑电信号进行主成分分析处理求解主成分,因子分析模块通过因子分析从得到的主成分中确定癫痫活动在电极上的定位。
主成分分析模块从协方差矩阵出发求解主成分,具体步骤有:
设矩阵A′=A,将A的特征值λ1,λ2,…,λn按大小顺序排列,设 λ1≥λ2≥…≥λn,γ1,γ2,…,γp为矩阵A各特征值对应的标准正交特征向量;
把X1,X2,…,Xp的协方差矩阵∑的非零特征值λ1≥λ2≥…≥λp>0对应的标准特征向量γ1,γ2,…,γp分别作为系数向量,Y1=γ′1X,Y2=γ′2X,…,Yp=γ′pX分别称为随机向量X的第一主成分、第二主成分、…、第p主成分;
定义 为第k个主成分Yk的方差贡献率, 是主成分Y1,Y2,…,Ym的累积贡献率;
取m<p,通常以所取m使得累计贡献率达到85%以上为宜,即
根据特征值的变化来确定主成分的数目,
因子分析模块计算因子负荷量的计算如下:
其中Yk和Xi分别为主成分与原始信号,Cki是相应的系数向量,λk是第k个主成分的特征值,σii是原始数据矩阵的协方差。
一种癫痫灶定位方法,安装多个电极,对脑电信号进行主成分分析处理求解主成分,通过因子分析从得到的主成分中确定癫痫活动在电极上的定位。
对脑电信号进行主成分分析处理求解主成分的步骤包括:
设矩阵A′=A,将A的特征值λ1,λ2,…,λn按大小顺序排列,设λ1≥λ2≥…≥λn,γ1,γ2,…,γp为矩阵A各特征值对应的标准正交特征向量;
把X1,X2,…,Xp的协方差矩阵∑的非零特征值λ1≥λ2≥…≥λp>0对应的 标准特征向量γ1,γ2,…,γp分别作为系数向量,Y1=γ′1X,Y2=γ′2X,…,Yp=γ′pX分别称为随机向量X的第一主成分、第二主成分、…、第p主成分;
取m<p,通常以所取m使得累计贡献率达到85%以上为宜,即
根据特征值的变化来确定主成分的数目,
通过因子分析从得到的主成分中确定癫痫活动在电极上的定位的步骤包括,
计算因子负荷量的计算如下:
其中Yk和Xi分别为主成分与原始信号,Cki是相应的系数向量,λk是第k个主成分的特征值,σii是原始数据矩阵的协方差。
本发明的技术方案采用主成分分析(PCA)不仅可以降低维数,实现数据压缩,在不降低识别率的情况下,可以提高特征提取的速度,并且通过因子分析,可以快速确定癫痫活动的电极定位,从技术上为癫痫灶的准确定位提供了方法。
附图说明
图1含有癫痫波的8导原始脑电(EEG)信号示例图
图28导原始EEG信号经PCA处理后的主成分示例图
具体实施方式
本发明采用PCA和因子分析进行癫痫脑电电极定位的方法包括2部分:
●对脑电信号进行PCA处理求解主成分
●通过因子分析从得到的主成分中确定癫痫活动在电极上的定位
PCA是统计分析中常用的多维数据分析方法,在信号处理和模式识别领域通常又称为KL变换。主成分分析利用降维的思想,在损失很少信息的前提下,把多个信号向量转化为一个或几个综合信号向量的多元统计方法。一般来说,利用主成分分析得到的主成分与原始变量之间有如下基本关系:
(1)每一个主成分都是各原始变量的线性组合。
(2)主成分的数量大大少于原始变量的数目。
(3)主成分保留了原始变量绝大多数信息。
(4)各主成分之间互不相关。
通过主成分分析,可以找出研究变量的一些主要成份,从而能有效地提高信号分析处理能力,把研究工作引向深入。
求解主成分时,是从原始变量的协方差矩阵或相关矩阵的结构入手。本发明从协方差矩阵出发求解主成分。
从协方差矩阵出发求解主成分
设矩阵A′=A,将A的特征值λ1,λ2,…,λn按大小顺序排列,设λ1≥λ2≥…≥λn,γ1,γ2,…,γp为矩阵A各特征值对应的标准正交特征向量。
把X1,X2,…,Xp的协方差矩阵∑的非零特征值λ1≥λ2≥…≥λp>0对应的标准特征向量γ1,γ2,…,γp分别作为系数向量,Y1=γ′1X,Y2=γ′2X,…,Yp=γ′pX分别称为随机向量X的第一主成分、第二主成分、…、第p主成分。
进行主成分分析的目的之一是减少变量的数量,所以一般不会取p个主成分,而是取m<p,通常以所取m使得累计贡献率达到85%以上为宜,即
从而既可以保证信息损失不太多,又达到减少变量、压缩数据的目的。另外,选取主成分还可根据特征值的变化来确定。本发明正是根据特征值的变化来确定主成分的个数。
第k个主成分Yk与原始变量Xi的相关系数ρ(Yk,Xi)称为因子负荷量。因子负荷量是主成分分析中非常重要的指标,因子负荷量的绝对值大小反映了该主成分的主要意义。因子负荷量的表达式为
其中
在分析第i个变量对第k个主成分的重要性时,应当根据因子负荷量而不能仅仅根据Yk与Xi的变换系数μki。
如图1结合图2的示例,
(1)数据包括两组:第一组数据是具有癫痫特征的脑电记录,第二组数据是正常脑电记录。每个脑电记录都是8导的。图1是在采样率为128Hz时,从8个电极(Fp1,Fp2,T3,T4,C3,C4,O1和O2)记录到的原始脑电信号,记录时间为4sec,数据长度为512个采样点。
(2)构造原始数据矩阵X。原始数据矩阵X的构成为:
X=[x0,x1,x2,x3,x4,x5,x6,x7]T,其中xi,i=1,…,7为图1中对应的8个电极采集到的脑电信号。
(3)计算原始数据矩阵X的协方差矩阵Xcov。
(4)从协方差矩阵出发进行主成分分析。
(5)计算主成分。根据如下表达式计算主成分Yi。
Yi=CT(X-μ),i=1,…,7
其中μ为原始数据矩阵中向量x的均值。图2显示了各个主成分分量。
从图1中可以看出有些通道明显含有癫痫活动,如T3和C3,在图2显示的各个主成分中,前面几个主成分提取出了癫痫活动。
这时,要解决的第一个问题是:如何选择主成分的数目。
正常脑电与癫痫脑电经过PCA后,它们的特征值比较如表1所示。癫痫脑电信号和正常脑电信号主成分的最大特征值分别是1212.4和690.4,癫痫脑电的最大特征值远远大于正常脑电的最大特征值,而且这两种信号的第一特征值也远远大于第二特征值,从PCA作为特征提取的方法来说,可以选择每个脑电记录的第一主成分作为特征信号,从而解决了主成分数目确定的问题。
表1癫痫脑电和正常脑电主成分的特征值比较
(6)因子分析
接着,要解决的第二个问题是:如何从得到的主成分中确定癫痫活动在电极上的定位,也就是说如何解释主成分与原始EEG脑电之间的关系。
主成分因子负荷量的分析可以解释主成分与原始EEG信号之间的关系。因子负荷量的计算如下:
其中Yk和Xi分别为主成分与原始信号,Cki是相应的系数向量,λk是第k个主成分的特征值,σii是原始数据矩阵的协方差。
表2给出了图2中第一主成分、第二主成分与图1中原始8导EEG信号的因子负荷量。
表2第一、第二主成分与原始8导EEG信号的因子负荷量
表中第一主成分和第二主成分的因子负荷量最大值分别是0.92419和0.98499,由表中的对应关系可知,第一主成分和第二主成分分别反映了T3和C3的信息。这个分析结果与直接观察图1得到的结论一致,在图1所示的8导脑电中,癫痫活动分散在各个电极,但在电极T3和C3上的癫痫特征最为明显。由此可见,PCA及因子分析对EEG信号进行分析不仅具有降维、特征提取的优点,可以快速进行癫痫活动的电极定位,这一特点为癫痫灶的电极定位提供了有效的帮助。
Claims (4)
1.一种癫痫灶定位装置,包括多个电极,其特征在于,还包括主成分分析模块和因子分析模块,主成分分析模块对脑电信号进行主成分分析处理求解主成分,因子分析模块通过因子分析从得到的主成分中确定癫痫活动在电极上的定位。
2.如权利要求1所述的癫痫灶定位装置,其特征在于,主成分分析模块从协方差矩阵出发求解主成分,具体步骤有:
设矩阵A′=A,将A的特征值λ1,λ2,…,λn按大小顺序排列,设λ1≥λ2≥…≥λn,γ1,γ2,…,γp为矩阵A各特征值对应的标准正交特征向量;
把X1,X2,…,Xp的协方差矩阵∑的非零特征值λ1≥λ2≥…≥λp>0对应的标准特征向量γ1,γ2,…,γp分别作为系数向量,Y1=γ′1X,Y2=γ′2X,…,Yp=γ′pX分别称为随机向量X的第一主成分、第二主成分、…、第p主成分;
取m<p,通常以所取m使得累计贡献率达到85%以上为宜,即
根据特征值的变化来确定主成分的数目,
因子分析模块计算因子负荷量的计算如下:
其中Yk和Xi分别为主成分与原始信号,Cki是相应的系数向量,λk是第k个主成分的特征值,σii是原始数据矩阵的协方差。
3.一种癫痫灶定位方法,安装多个电极,其特征在于,
对脑电信号进行主成分分析处理求解主成分,
通过因子分析从得到的主成分中确定癫痫活动在电极上的定位。
4.如权利要求3所述的癫痫灶定位方法,其特征在于,对脑电信号进行主成分分析处理求解主成分的步骤包括:
设矩阵A′=A,将A的特征值λ1,λ2,…,λn按大小顺序排列,设λ1≥λ2≥…≥λn,γ1,γ2,…,γp为矩阵A各特征值对应的标准正交特征向量;
把X1,X2,…,Xp的协方差矩阵∑的非零特征值λ1≥λ2≥…≥λp>0对应的标准特征向量γ1,γ2,…,γp分别作为系数向量,Y1=γ′1X,Y2=γ′2X,…,Yp=γ′pX分别称为随机向量X的第一主成分、第二主成分、…、第p主成分;
取m<p,通常以所取m使得累计贡献率达到85%以上为宜,即
根据特征值的变化来确定主成分的数目,
通过因子分析从得到的主成分中确定癫痫活动在电极上的定位的步骤包括,计算因子负荷量的计算如下:
其中Yk和Xi分别为主成分与原始信号,Cki是相应的系数向量,λk是第k个主成分的特征值,σii是原始数据矩阵的协方差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011102845121A CN102423259A (zh) | 2011-09-22 | 2011-09-22 | 一种癫痫灶定位装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011102845121A CN102423259A (zh) | 2011-09-22 | 2011-09-22 | 一种癫痫灶定位装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102423259A true CN102423259A (zh) | 2012-04-25 |
Family
ID=45957357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011102845121A Pending CN102423259A (zh) | 2011-09-22 | 2011-09-22 | 一种癫痫灶定位装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102423259A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104305993A (zh) * | 2014-11-12 | 2015-01-28 | 中国医学科学院生物医学工程研究所 | 一种基于格兰杰因果性的脑电源定位方法 |
CN104523269A (zh) * | 2015-01-15 | 2015-04-22 | 江南大学 | 一种面向癫痫脑电信号迁移环境的自适应识别方法 |
CN105615877A (zh) * | 2016-02-22 | 2016-06-01 | 广州视源电子科技股份有限公司 | 癫痫脑电信号特征的定位方法及其系统 |
CN105640549A (zh) * | 2016-03-18 | 2016-06-08 | 杭州妞诺科技有限公司 | 脑电癫痫信号记录分析仪及其检测方法 |
CN105769183A (zh) * | 2016-03-18 | 2016-07-20 | 杭州妞诺科技有限公司 | 脑电人体分析仪及脑电信号检测方法 |
CN105997093A (zh) * | 2016-04-24 | 2016-10-12 | 西安电子科技大学 | 基于雷达主成分分析的肢体运动分离方法 |
CN106618562A (zh) * | 2017-01-11 | 2017-05-10 | 南京航空航天大学 | 一种可穿戴的癫痫脑电发作脑区定位装置及定位方法 |
CN106901726A (zh) * | 2017-01-10 | 2017-06-30 | 广东工业大学 | 一种基于脑电高频脑电振荡节律信息熵的癫痫灶定位系统 |
CN110338786A (zh) * | 2019-06-28 | 2019-10-18 | 北京师范大学 | 一种癫痫样放电的识别与分类方法、系统、装置和介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1333003A (zh) * | 2001-07-13 | 2002-01-30 | 天津大学 | 大脑头皮电位信息图形的生成方法 |
CN101862193A (zh) * | 2010-05-27 | 2010-10-20 | 杭州尚想科技有限公司 | 一种基于加速度传感器的癫痫预警装置 |
-
2011
- 2011-09-22 CN CN2011102845121A patent/CN102423259A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1333003A (zh) * | 2001-07-13 | 2002-01-30 | 天津大学 | 大脑头皮电位信息图形的生成方法 |
CN101862193A (zh) * | 2010-05-27 | 2010-10-20 | 杭州尚想科技有限公司 | 一种基于加速度传感器的癫痫预警装置 |
Non-Patent Citations (1)
Title |
---|
汪春梅: "癫痫脑电信号特征提取与自动检测方法研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104305993A (zh) * | 2014-11-12 | 2015-01-28 | 中国医学科学院生物医学工程研究所 | 一种基于格兰杰因果性的脑电源定位方法 |
CN104523269A (zh) * | 2015-01-15 | 2015-04-22 | 江南大学 | 一种面向癫痫脑电信号迁移环境的自适应识别方法 |
CN105615877A (zh) * | 2016-02-22 | 2016-06-01 | 广州视源电子科技股份有限公司 | 癫痫脑电信号特征的定位方法及其系统 |
CN105615877B (zh) * | 2016-02-22 | 2018-11-27 | 广州视源电子科技股份有限公司 | 癫痫脑电信号特征的定位系统 |
CN105640549A (zh) * | 2016-03-18 | 2016-06-08 | 杭州妞诺科技有限公司 | 脑电癫痫信号记录分析仪及其检测方法 |
CN105769183A (zh) * | 2016-03-18 | 2016-07-20 | 杭州妞诺科技有限公司 | 脑电人体分析仪及脑电信号检测方法 |
CN105997093A (zh) * | 2016-04-24 | 2016-10-12 | 西安电子科技大学 | 基于雷达主成分分析的肢体运动分离方法 |
CN105997093B (zh) * | 2016-04-24 | 2019-05-21 | 西安电子科技大学 | 基于雷达主成分分析的肢体运动分离方法 |
CN106901726A (zh) * | 2017-01-10 | 2017-06-30 | 广东工业大学 | 一种基于脑电高频脑电振荡节律信息熵的癫痫灶定位系统 |
CN106618562A (zh) * | 2017-01-11 | 2017-05-10 | 南京航空航天大学 | 一种可穿戴的癫痫脑电发作脑区定位装置及定位方法 |
CN110338786A (zh) * | 2019-06-28 | 2019-10-18 | 北京师范大学 | 一种癫痫样放电的识别与分类方法、系统、装置和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102423259A (zh) | 一种癫痫灶定位装置及方法 | |
Thomas et al. | EEG classification via convolutional neural network-based interictal epileptiform event detection | |
Ebied et al. | Evaluation of matrix factorisation approaches for muscle synergy extraction | |
Graimann et al. | Toward a direct brain interface based on human subdural recordings and wavelet-packet analysis | |
Shao et al. | Automatic EEG artifact removal: a weighted support vector machine approach with error correction | |
EP1789907B1 (en) | Biopotential waveform data fusion analysis and classification method | |
Lu et al. | Regularized common spatial patterns with generic learning for EEG signal classification | |
Khanmohammadi et al. | Adaptive seizure onset detection framework using a hybrid PCA–CSP approach | |
US11221672B2 (en) | Asymmetric EEG-based coding and decoding method for brain-computer interfaces | |
US9687163B2 (en) | Seizure detection and epileptogenic lesion localization | |
CN102499676A (zh) | 基于有效时间序列和电极重组的脑电信号分类系统和方法 | |
EP2892417A1 (en) | Detection of epileptogenic brains with non-linear analysis of electromagnetic signals | |
Abibullaev et al. | Learning discriminative spatiospectral features of ERPs for accurate brain–computer interfaces | |
Shen et al. | Epileptic seizure detection for multichannel EEG signals with support vector machines | |
Karlsson et al. | Signal processing of the surface electromyogram to gain insight into neuromuscular physiology | |
CN102708288A (zh) | 一种基于脑-机接口的医患交互方法 | |
Rahman et al. | A comprehensive survey of the feature extraction methods in the EEG research | |
CN102778949A (zh) | 基于ssvep阻断和p300双特征的脑-机接口方法 | |
Zhao et al. | Identification of epileptic seizures by characterizing instantaneous energy behavior of EEG | |
Christoforou et al. | Second-order bilinear discriminant analysis | |
CN113974653B (zh) | 基于约登指数优化棘波检测方法和装置、存储介质和终端 | |
Farooq et al. | High accuracy wearable SSVEP detection using feature profiling and dimensionality reduction | |
Samek et al. | Group-wise stationary subspace analysis–A novel method for studying non-stationarities | |
Abdi-Sargezeh et al. | Incorporating uncertainty in data labeling into detection of brain interictal epileptiform discharges from EEG using weighted optimization | |
Deshmukh et al. | Identification of real-time driver distraction using optimal subband detection powered by Wavelet Packet Transform |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20120425 |