CN102715903A - 基于定量脑电图的脑电特征提取方法 - Google Patents

Abstract

本发明公开了一种基于定量脑电图的脑电特征提取方法，包括：运用PC机与脑电图仪可视化接口程序，实现16导联脑电信号电位数据的同步采集，并显示实时采集的脑电图波形；对采集到的脑电信号进行预处理，以去除工频干扰及噪声信号和眼电、肌电干扰；分别提取16导联EEG信号5个频段的基于绝对功率和相对功率的功率耦合系数以及基于高低频段功率谱密度的不对称性系数；最后利用双层结构的支持向量机SVM融合网络对静息状态下的脑电信号进行分类。本发明可以对PSD患者和正常人间的脑电信号做出很好的区分，并取得较高的分类正确率，实现对PSD患者抑郁程度的有效识别，为研究PSD的客观诊断标准提供依据，具有重大的社会意义。

Description

基于定量脑电图的脑电特征提取方法

技术领域

本发明涉及一种脑电特征提取方法，尤其涉及一种基于定量脑电图（QEEG）的脑电特征提取方法。

背景技术

脑卒中又称脑中风，是全球范围内仅次于冠心病和癌症的第三位死亡原因，占所有死亡的12%。在我国，中风是目前致残率第一、致死率第二的疾病。随着脑卒中发病率的明显上升，由此产生的精神问题也日益增多。PSD作为脑卒中的并发症之一,严重威胁着人们的身心健康，给社会和家庭带来极大的经济负担和精神负担，也因此受到了越来越多研究学者的关注。对PSD的诊断目前尚无统一标准，国内外学者基本采用了功能性抑郁症的各种诊断标准、量表。诊断标准有国外的DSM(Diagnositic and Statistical Manual of MentalDisorders)III-R、DSM IV及国内普遍采用的CCMD-3(中国精神疾病诊断标准)。应用比较普遍的诊断量表有Hamilton抑郁症量表、老年抑郁症量表等。但由于脑卒中后患者存在认知障碍，意识障碍，语言障碍及其他方面的原因，一些患者无法准确描述自己各种情绪的改变，甚至需要陪侍代诉，从而影响了医生对病情的全面、准确掌握和治疗，使得PSD存在较高的误诊漏诊率。因此找到一种客观的评价PSD的方法是非常必要的。

脑电信号（EEG信号）是通过头皮电极记录下来的脑细胞群自发性、节律性电活动。大脑功能状态的脑电图学具有安全、方便、廉价、无创的特点，有良好的时间分辨率，可实时地、动态地观察脑功能变化情况，目前很多EEG的特点已经得到临床诊断医生的认可。研究表明，PSD患者EEG信号在节律、波形幅度和功率谱等参数中存在着不同于健康人的特征，因此我们有必要对其进行分析与处理，以利于我们对PSD的研究和临床诊断。

发明内容

针对上述现有技术，本发明提供一种基于定量脑电图的脑电特征提取方法，可以得到EEG信号五个频段的功率耦合系数以及高低频段频谱不对称性系数，并以此为特征对脑卒中后患者脑电信号进行分析和分类。

支持向量机SVM（Support Vector Machine）是在统计学习理论基础上发展起来并借助最优化方法来解决机器学习问题的新工具。其基本思想是把输入空间的样本通过非线性变换映射到高维特征空间，然后在特征空间中求取把样本线性分开的最优分类面。PSD患者和非PSD患者在功率耦合系数特征和高低频段不对称性特征上表现出较高的模式可分性，本发明将EEG信号的功率耦合系数和高低频段不对称性系数作为分类器的输入向量实现对静息EEG信号的分类可以取得较好的分类效果。

根据脑电图各频段的功率耦合系数及高低频段频谱不对称性系数两个定量脑电图（QEEG）参数对脑卒中后抑郁(PSD)患者的脑电信号进行特征提取的新方法，为PSD的临床诊断提供客观依据。其技术流程是：通过受试者脑电信号（EEG）各频段（δ、θ、α、β1、β2）的绝对功率值和相对功率值得到各频段的功率耦合系数，通过受试者EEG高低频段功率谱密度的不对称性得到高低频段频谱不对称性系数，以上述两个参数为特征判断脑卒中后患者是否抑郁并对抑郁的严重程度进行分级。

为了解决上述技术问题，本发明基于定量脑电图的脑电特征提取方法予以实现的技术方案是：采用多导联脑电图仪进行脑电信号实时采集，导联个数为16个，并按照国际标准导联10-20电极系统布置电极，其中，将电极Cz作为参考电极，前额作为参考地，连接电极进行静息状态下的脑电信号实时采集，然后按照下述步骤：

步骤一、运用PC机与脑电图仪可视化接口程序，实现16导联脑电信号电位数据的同步采集，并显示实时采集的脑电图波形；

步骤二、对采集到的脑电信号进行预处理；

首先对信号进行0.5Hz~48Hz带通滤波，以去除工频干扰及噪声信号；其次用主成分分析PCA方法做进一步的降噪处理，以去除眼电和肌电干扰；

步骤三、提取脑电信号的功率耦合系数：

将脑电信号划分为5个频带：δ波频带为0.5Hz~4Hz，θ波频带为4Hz~8Hz，α波频带为8Hz～13Hz，β1波频带为13Hz~20Hz，β2波频带为20Hz~30Hz；结合各频带绝对功率信息和相对功率信息提取功率耦合系数；具体包括如下步骤：

步骤3-1、将脑电信号采集过程中的Cz参考电极变为双极导联形式，以消除因为距离所带来的各导联之间的电压差异，双极导联采用纵连形式；

步骤3-2、计算各频带绝对功率值和相对功率值：

绝对功率值利用快速傅里叶变换FFT求得，各导联某一频带的绝对功率值为其所有相邻导联功率值的平均值；各导联某一频带的相对功率值为此频带功率值相对于总频带功率的百分比，计算公式如下：

总频带功率：T_m＝∑_fa_m,f                                                （1）

相对功率值： $r_{m,f}=\frac{a_{m,f}}{T_m}---\left(2\right)$

公式（1）和公式（2）中：

a_m,f——m导联在f频带的绝对功率值；

T_m——m导联所有频带的功率值；

r_m，f——m导联在f频带的相对功率值；

步骤3-3、将各导联某一频带的绝对功率值和各导联某一频带的相对功率值归一化：

利用16导联中f频带绝对功率最大值和相对功率的最大值分别对各导联某一频带的绝对功率值和各导联某一频带的相对功率值进行归一化处理，归一化公式如下：

绝对功率归一化值 $a_{\mathrm{NORM}(m,f)}=\frac{a_{m,f}}{{\mathrm{AMAX}}_f}---\left(3\right)$

相对功率归一化值 $r_{\mathrm{NORN}(m,f)}=\frac{r_{m,f}}{{\mathrm{RMAX}}_f}---\left(4\right)$

公式（3）和公式（4）中：

AMAX_f——各导联f频带绝对功率的最大值；

RMAX_f——各导联f频带相对功率的最大值；

步骤3-4、功率耦合系数计算：

m导联f频带的功率耦合系数值CORD的计算公式如下：

CORD_(m,f)＝±(|a_NORM(m,f)-0.5|+|r_NORM(m,f)-0.2|)    （5）

当r_NORM(m,f)-0.2＞0，a_NORM(m,f)-0.5＜0时，CORD_(m,f)取负值；

当r_NORM(m,f)-0.2＞0，α_NORM(m,f)-0.5＞0时，CORD_(m,f)取正值；

当r_NORM(m,f)-0 2＜＝0时，CORD_(m,f)值为0；

公式（5）中：

α_NORM(m,f)——m导联f频带归一化之后的绝对功率值；

r_NORM(m，f)——m导联f频带归一化之后的相对功率值；

CORD_(m,f)——m导联f频带的功率耦合系数值；

步骤四、提取脑电信号的高低频带频谱不对称性系数：

高低频带频谱不对称性系数计算时，忽略α频带的功率谱特性；

低频带选取4Hz的频带范围，高频带选取24Hz的频带范围，高低频带频谱不对称性系数计算具体包括如下步骤：

4-1步骤、用平均周期图法计算预处理后脑电信号每一导联的功率谱密度s_m，即m导联的功率谱密度；

4-2步骤、计算高低频带的边缘频率：

首先，找出α频带功率谱密度最大的频率值f_max，对f_max±BHz频带的功率谱密度曲线作抛物线拟合，其中，B=2；将拟合后抛物线顶点处的频率作为α频带的中心频率f_c；

低频带的边缘频率分别为F1和F2，其中，F1＝f_c-B-4，其单位为Hz，F2＝f_c-B，其单位为Hz；

高频带的边缘频率分别为F3和F4，其中，F3＝f_c+B，其单位为Hz，F4＝f_c+B+24，其单位为Hz；

4-3步骤、计算高低频带的功率值：

低频带功率值

高频带功率值

4-4步骤、计算高低频带频谱不对称性系数值：

即m导联高低频带的频谱不对称系数；

步骤五、利用双层结构的支持向量机SVM融合网络对静息状态下的脑电信号进行分类：

采用支持向量机SVM融合网络对相应的信号进行分类识别，将上述得到的受试者的16导联δ波、θ波、α波、β1波和β2波5个频带的功率耦合系数CORD_(m,f)以及高低频带不对称性系数SASI_m作为支持向量机SVM融合网络的输入向量，通过事先采集好的标签数据集对支持向量机SVM融合网络进行训练，网络自动修正各权值，阈值，直到训练完毕；以训练所得模型对受试者的静息状态下的脑电信号进行分类识别，以取得较好的分类效果。

与现有技术相比，本发明的有益效果是：

定量脑电图（QEEG）结合了现代科学技术特别是计算机技术、信号处理技术，将EEG信号定量化。传统的QEEG分析方法对PSD患者和正常人间的脑电信号区分不明显，本发明提出了对PSD患者EEG信号的特征提取方法，对采集到的EEG信号进行预处理，得到相对高信噪比的EEG信号后，利用本发明所述方法进行特征参数计算，分别得出16导联EEG信号5个频段的基于绝对功率和相对功率的功率耦合系数以及基于高低频段功率谱密度的不对称性系数，利用此参数作为特征进行SVM模式识别，可以对PSD患者和正常人间的脑电信号做出很好的区分，并取得较高的分类正确率，实现对PSD患者抑郁程度的有效识别，为PSD的客观诊断提供依据，具有重大的社会意义。基于此参数研究PSD的客观诊断标准具有重要意义。

附图说明

图1是本发明脑电特征提取方法的过程框图；

图2-1是脑电采集所用的16导联分布侧面示意图；

图2-2是脑电采集所用的16导联分布俯视示意图；

图3是本发明中所采用纵连形式的双极导联分布图；

图4-1为脑电图仪实时采集到的静息状态下一名PSD患者Fp1导联的脑电图；

图4-2为脑电图仪实时采集到的一名非PSD患者Fp1导联的脑电图；

图5-1为图4-1所示PSD患者基于功率耦合系数的脑地形图；

图5-2为图4-2所示非PSD患者基于功率耦合系数的脑地形图；

图6-1为图4-1所示PSD患者功率谱密度曲线图；

图6-2为图4-2所示非PSD患者功率谱密度曲线图。

具体实施方式

下面结合具体实施方式对本发明作进一步详细地描述。

本发明基于定量脑电图的脑电特征提取方法，采用多导联脑电图仪进行脑电信号实时采集，所述脑电图仪为NicoletOne32通道数字视频脑电图仪，脑电信号实时采集的采样率为250Hz，滤波通带为0.5Hz~70Hz，电极阻抗小于10KΩ；导联个数为16个，并按照国际标准导联10-20电极系统布置电极，如图2-1和图2-1所示，其中，将电极Cz作为参考电极，前额作为参考地，连接电极进行静息状态下的脑电信号实时采集。

按照下述步骤操作，如图1所示：

步骤一、运用PC机与脑电图仪可视化接口程序，实现16导联脑电信号电位数据的同步采集，并显示实时采集的脑电图波形；

步骤二、对采集到的脑电信号进行预处理；

首先对信号进行0.5Hz~48Hz带通滤波，以去除工频干扰及噪声信号；其次用主成分分析PCA方法做进一步的降噪处理，以去除眼电和肌电干扰；

步骤三、提取脑电信号的功率耦合系数：

将脑电信号划分为5个频带：δ波频带为0.5Hz~4Hz，θ波频带为4Hz~8Hz，α波频带为8Hz~13Hz，β1波频带为13Hz~20Hz，β2波频带为20Hz~30Hz；结合各频带绝对功率信息和相对功率信息提取功率耦合系数；具体包括如下步骤：

步骤3-1、将脑电信号采集过程中的Cz参考电极变为双极导联形式，以消除因为距离所带来的各导联之间的电压差异，双极导联采用纵连形式，如图3所示；

步骤3-2、计算各频带绝对功率值和相对功率值：

绝对功率值利用快速傅里叶变换FFT求得，各导联某一频带的绝对功率值为其所有相邻导联功率值的平均值；各导联某一频带的相对功率值为此频带功率值相对于总频带功率的百分比，计算公式如下：

总频带功率：T_m＝∑_fa_m,f                                    （1）

相对功率值： $r_{m,f}=\frac{a_{m,f}}{T_m}---\left(2\right)$

公式（1）和公式（2）中：

a_m,f——m导联在f频带的绝对功率值；

T_m——m导联所有频带的功率值；

r_m，f——m导联在f频带的相对功率值；

步骤3-3、将各导联某一频带的绝对功率值和各导联某一频带的相对功率值归一化：

利用16导联中f频带绝对功率最大值和相对功率的最大值分别对各导联某一频带的绝对功率值和各导联某一频带的相对功率值进行归一化处理，归一化公式如下：

绝对功率归一化值 $a_{\mathrm{NORM}(m,f)}=\frac{a_{m,f}}{{\mathrm{AMAX}}_f}---\left(3\right)$

相对功率归一化值 $r_{\mathrm{NORN}(m,f)}=\frac{r_{m,f}}{{\mathrm{RMAX}}_f}---\left(4\right)$

公式（3）和公式（4）中：

AMAX_f——f频带绝对功率的最大值；

RMAX_f——各导联f频带相对功率的最大值；

步骤3-4、功率耦合系数计算：

m导联f频带的功率耦合系数值CORD的计算公式如下：

CORD_(m,f)＝±(|a_NORM(m，f)-0.5|+|r_NORM(m,f)-0.2|)    （5）

当r_NORM(m,f)-0.2＞0，a_NORM(m,f)-0.5＜0时，CORD_(m,f)取负值；

当r_NORM(m,f)-0.2＞0，α_NORM(m,f)-0.5＞0时，CORD_(m,f)取正值；

当r_NORM(m,f)-0 2＜＝0时，CORD_(m,f)值为0；

公式（5）中：

α_NORM(m,f)——m导联f频带归一化之后的绝对功率值；

r_NORM(m,f)——m导联f频带归一化之后的相对功率值；

CORD_(m,f)——m导联f频带的功率耦合系数值；

步骤四、提取脑电信号的高低频带频谱不对称性系数：

高低频带频谱不对称性系数计算时，忽略α频带的功率谱特性；

低频带选取4Hz的频带范围，高频带选取24Hz的频带范围，高低频带频谱不对称性系数计算具体包括如下步骤：

4-1步骤、用平均周期图法计算预处理后脑电信号每一导联的功率谱密度s_m，即m导联的功率谱密度；

4-2步骤、计算高低频带的边缘频率：

首先，找出α频带功率谱密度最大的频率值f_max，对f_max±BHz频带的功率谱密度曲线作抛物线拟合，其中，B=2；将拟合后抛物线顶点处的频率作为α频带的中心频率f_c；

低频带的边缘频率分别为F1和F2，其中，F1＝f_c-B-4，其单位为Hz，F2＝f_c-B，其单位为Hz；

高频带的边缘频率分别为F3和F4，其中，为：F3＝f_c+B，其单位为Hz，F4＝f_c+B+24，其单位为Hz；

4-3步骤、计算高低频带的功率值：

低频带功率值高频带功率值

4-4步骤、计算高低频带频谱不对称性系数值：

即m导联高低频带的频谱不对称系数；

步骤五、利用双层结构的支持向量机SVM融合网络对静息状态下的脑电信号进行分类：

采用支持向量机SVM融合网络对相应的信号进行分类识别，将上述得到的受试者的16导联δ波、θ波、α波、β1波和β2波5个频带的功率耦合系数值CORD_(m,f)以及高低频带不对称性系数SASI_m作为支持向量机SVM融合网络的输入特征向量，通过事先采集好的标签数据集对支持向量机SVM融合网络进行训练，网络自动修正各权值，阈值，直到训练完毕；以训练所得模型对受试者的静息状态下的脑电信号进行分类识别。

经过第一层SVM网络，对PSD患者和非PSD患者进行分类识别；经过第二层SVM网络对PSD患者抑郁程度进行分类，识别出轻度、中度、重度患者。

为了印证本发明的效果，利用18名非PSD个体和6名PSD个体EEG信号提取的特征参数进行模式识别，经过6折交叉验证，最高分类正确率可以达到95.86%，平均分类正确率可以达到82.76%，由此可见，用功率耦合系数和高低频段不对称性系数作为特征实现对PSD患者的模式识别是可行的。

图4-1和图4-2分别为脑电图仪实时采集的一名PSD患者和非PSD患者的脑电信号波形图；图5-1和图5-2分别为根据功率耦合系数所做的同一名PSD患者和非PSD患者的脑地形图，从脑地形图可以看出，PSD患者相对于非PSD患者来说，功率耦合系数要低，这在前额脑区体现的尤为明显；图6-1和图6-2分别为为同一名PSD患者和非PSD患者经过曲线拟合后的功率谱密度图，可以看出PSD患者相对于非PSD患者来说，高低频段的频谱不对称性要高。由此可见，用功率耦合系数和高低频段不对称性系数作为特征实现对PSD患者的模式识别是可行的。

尽管上面结合图对本发明进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨的情况下，还可以作出很多变形，这些均属于本发明的保护之内。

Claims (3)

1.一种基于定量脑电图的脑电特征提取方法，采用多导联脑电图仪进行脑电信号实时采集，导联个数为16个，并按照国际标准导联10-20电极系统布置电极，其中，将电极Cz作为参考电极，前额作为参考地，连接电极进行静息状态下的脑电信号实时采集，其特征在于，包括以下步骤：

步骤一、运用PC机与脑电图仪可视化接口程序，实现16导联脑电信号电位数据的同步采集，并显示实时采集的脑电图波形；

步骤二、对采集到的脑电信号进行预处理；

首先对信号进行0.5Hz~48Hz带通滤波，以去除工频干扰及噪声信号；其次用主成分分析PCA方法做进一步的降噪处理，以去除眼电和肌电干扰；

步骤三、提取脑电信号的功率耦合系数：

将脑电信号划分为5个频带：δ波频带为0.5Hz~4Hz，θ波频带为4Hz~8Hz，α波频带为8Hz～13Hz，β1波频带为13Hz~20Hz，β2波频带为20Hz~30Hz；结合各频带绝对功率信息和相对功率信息提取功率耦合系数；具体包括如下步骤：

步骤3-1、将脑电信号采集过程中的Cz参考电极变为双极导联形式，以消除因为距离所带来的各导联之间的电压差异，双极导联采用纵连形式；

步骤3-2、计算各频带绝对功率值和相对功率值：

绝对功率值利用快速傅里叶变换FFT求得，各导联某一频带的绝对功率值为其所有相邻导联功率值的平均值；各导联某一频带的相对功率值为此频带功率值相对于总频带功率的百分比，计算公式如下：

总频带功率：T_m＝∑_fa_m,f                                    （1）

相对功率值： $r_{m,f}=\frac{a_{m,f}}{T_m}---\left(2\right)$

公式（1）和公式（2）中：

a_m,f——m导联在f频带的绝对功率值；

T_m——m导联所有频带的功率值；

r_m，f——m导联在f频带的相对功率值；

步骤3-3、将各导联某一频带的绝对功率值和各导联某一频带的相对功率值归一化：利用16导联中f频带绝对功率最大值和相对功率的最大值分别对各导联某一频带的绝对功率值和各导联某一频带的相对功率值进行归一化处理，归一化公式如下：

绝对功率归一化值 $a_{\mathrm{NORM}(m,f)}=\frac{a_{m,f}}{{\mathrm{AMAX}}_f}---\left(3\right)$

相对功率归一化值 $r_{\mathrm{NORN}(m,f)}=\frac{r_{m,f}}{{\mathrm{RMAX}}_f}---\left(4\right)$

公式（3）和公式（4）中：

AMAX_f——各导联f频带绝对功率的最大值；

RMAX_f——各导联f频带相对功率的最大值；

步骤3-4、功率耦合系数计算：

m导联f频带的功率耦合系数值CORD的计算公式如下：

CORD_(m,f)＝±(|a_NORM(m,f)-0.5|+|r_NORM(m,f)-0.2|)    （5）

当r_NORM(m,f)-0.2＞0，a_NORM(m,f)-0.5＜0时，CORD_(m,f)取负值；

当r_NORM(m,f)-0.2＞0，α_NORM(m,f)-0.5＞0时，CORD_(m,f)取正值；

当r_NORM(m,f)-0 2＜＝0时，CORD_(m,f)值为0；

公式（5）中：

α_NORM(m,f)——m导联f频带归一化之后的绝对功率值；

r_NORM(m,f)——m导联f频带归一化之后的相对功率值；

CORD_(m,f)——m导联f频带的功率耦合系数值；

步骤四、提取脑电信号的高低频带频谱不对称性系数：

高低频带频谱不对称性系数计算时，忽略α频带的功率谱特性；

低频带选取4Hz的频带范围，高频带选取24Hz的频带范围，高低频带频谱不对称性系数计算具体包括如下步骤：

4-1步骤、用平均周期图法计算预处理后脑电信号每一导联的功率谱密度s_m，即m导联的功率谱密度；

4-2步骤、计算高低频带的边缘频率：

首先，找出α频带功率谱密度最大的频率值f_max，对f_max±BHz频带的功率谱密度曲线作抛物线拟合，其中，B=2；将拟合后抛物线顶点处的频率作为α频带的中心频率f_c；

低频带的边缘频率分别为F1和F2，其中，F1＝f_c-B-4，其单位为Hz，F2＝f_c-B，其单位为Hz；

高频带的边缘频率分别为F3和F4，其中，为：F3＝f_c+B，其单位为Hz，F4＝f_c+B+24，其单位为Hz；

4-3步骤、计算高低频带的功率值：

低频带功率值

高频带功率值

4-4步骤、计算高低频带频谱不对称性系数值：

即m导联高低频带的频谱不对称系数；

步骤五、利用双层结构的支持向量机SVM融合网络对静息状态下的脑电信号进行分类：

采用支持向量机SVM融合网络对相应的信号进行分类识别，将上述得到的受试者的16导联δ波、θ波、α波、β1波和β2波5个频带的功率耦合系数CORD_(m,f)以及高低频带不对称性系数SASI_m作为支持向量机SVM融合网络的输入向量，通过事先采集好的数据标签集对支持向量机SVM融合网络进行训练，网络自动修正各权值，阈值，直到训练完毕；以训练所得模型对受试者的静息状态下的脑电信号进行分类识别，以取得较好的分类效果。

2.根据权利要求1所述基于定量脑电图的脑电特征提取方法，其特征在于，所述脑电图仪为NicoletOne32通道数字视频脑电图仪。

3.根据权利要求1所述基于定量脑电图的脑电特征提取方法，其特征在于，脑电信号实时采集的采样率为250Hz，滤波通带为0.5Hz~70Hz，电极阻抗小于10KΩ。

Images