CN104173045A - 一种癫痫发作预警系统 - Google Patents

Abstract

本发明公开了一种癫痫发作预警系统，包括预处理模块、特征提取模块、分类模块和后期处理模块；四个模块依次相连；特征提取模块采用经验模态分解算法提取每个数据段的时频特征，并取该数据段时频特征的方差，作为相应数据段的时频特征值；分类模块采用支持向量机算法将发作状态的判断转化为二分类问题，计算复杂度低，实时性好，可以用于快速识别脑电数据信号的特征变化并识别癫痫发作与否，实现癫痫发作预警。本发明应用于癫痫患者ECoG信号，可获得较高的敏感度、较低的错误率及较短的时间延迟。

Description

一种癫痫发作预警系统

技术领域

本发明属于神经系统技术领域，尤其涉及一种癫痫发作预警系统。

背景技术

癫痫是一种常见的、多发的慢性神经系统疾病，可引起运动、感觉、意识和行为等功能障碍，严重影响患者的工作和生活，对家庭和社会带来了极大的精神和经济负担。我国有近1000万癫痫患者，其中20％为难治性癫痫。在难治性癫痫中有一半可进行外科治疗，而对于不适合手术或者不能接受手术治疗的药物难治性癫痫患者，通过电刺激治疗可能得到控制和减轻发作的效果。在众多的电刺激方法中，一种闭环的反应性电刺激技术正在成为国内外癫痫诊疗研究的热点，该方法提供实时的脑电检测癫痫预测，对可能的癫痫发作脑区进行电刺激实现癫痫抑制，而准确、实时的癫痫预警是反应性电刺激技术的重点和难点。

人体脑电信号是时变的、非线性的，同时脑电数据信号在测量后会产生随机误差，并且脑电信号还会受到个体差异的硬性，因此，对于脑电数据信号的分析成为难题。现存有多种癫痫信号预警的方法，但由于癫痫脑电信号本身的复杂性，导致各种算法的敏感性和特异性方面都存在各种各样的缺点，如敏感性高了，特异性就降低等问题，而且以往算法一般都忽视了癫痫信号发作的时序问题。

发明内容

本发明的目的在于针对现有技术的不足，提供一种癫痫发作预警系统。

本发明的目的是通过以下技术方案实现的，一种癫痫发作预警系统，包括预处理模块、特征提取模块、分类模块和后期处理模块；四个模块依次相连；所述预处理模块去除脑电数据中的伪迹和电噪声，获得脑电数据的有效频段，并将脑电数据的有效频段分为若干数据段；所述特征提取模块采用经验模态分解算法提取每个数据段的时频特征，并取该数据段时频特征的方差，作为相应数据段的时频特征值；所述分类模块采用支持向量机算法将发作状态的判断转化为二分类问题，支持向量机的训练模型取自患者第一次癫痫发作的脑电数据，通过重复检测获得最优化的训练模型；所述后期处理模块用于确定发作起始的时刻。

进一步地，所述预处理模块中去除脑电数据中的伪迹采用2阶巴特沃兹带通滤波器，滤波后获得的有效频率为1.6～70Hz。

进一步地，所述预处理模块中去除脑电数据中的伪迹采用时域差分法。

进一步地，所述预处理模块中将脑电数据的有效频段分为若干数据段具体为：采用滑动时间窗的方法将有效频段分为若干数据段，滑动时间窗长度为1s，滑动步长为1s。

进一步地，所述特征提取模块中采用经验模态分解算法，具体为：对每个数据段采用经验模态分解法提取时频特征，取前三个固有模态函数，利用下式计算得到每个数据段的时频特征值VoIMF：

${\mathrm{VoIMF}}_N\left(t\right)=\frac{1}{n-1}{\mathrm{\Σ}}_{i=1}^n{(x_i-\stackrel{\‾}{x})}^2,N=\mathrm{1,2,3}$

其中，xi为每个数据段中每个数据点的固有模态函数值；为每个数据段中所有数据点的固有模态函数平均值；i为每个数据段的数据点的序数；n为每个数据段的数据点的个数；N为固有模态函数x的序数；t为数据段的序数。

进一步地，所述特征提取模块中取该数据段时频特征的方差，具体为：采用方差计算的方法，取每个数据段的固有模态函数值的标准差，作为该数据段的特征值，使发作期数据突出于背景。

进一步地，所述分类模块首先构建最优训练模型，所述最优训练模型构建方法如下：在训练数据中随机抽取40段时长为1s的癫痫发作期脑电数据，在训练数据中随机抽取40段时长为1s的癫痫发作间期脑电数据，使用1:1的对称样本进行训练，用剩余训练数据进行分类检测，分类实验重复进行20次，选取检测准确率最高的一组，提取其中的训练模型作为最优训练模型。

进一步地，所述后期处理模块确定癫痫发作时刻需满足两个条件：一是存在连续8个数据段均被判断为发作，则将第8个数据段视为发作起始的时刻；二是存在至少两个通道在同一时刻出现发作，才能最终确定为一次发作，否则将视为伪迹。

本发明的有益效果是，本发明特征提取模块采用经验模态分解算法提取每个数据段的时频特征，并取该数据段时频特征的方差，作为相应数据段的时频特征值；分类模块采用支持向量机算法将发作状态的判断转化为二分类问题，计算复杂度低，实时性好，可以用于快速识别脑电数据信号的特征变化并识别癫痫发作与否，实现癫痫发作预警。本发明应用于癫痫患者ECoG信号，可获得较高的敏感度、较低的错误率及较短的时间延迟。

附图说明

图1为本发明癫痫发作预警系统结构框图；

图2为脑电信号特征提取及癫痫发作前后脑电图的特点。

具体实施方式

下面结合附图对本发明作进一步详细说明。

如图1所示，本发明一种癫痫发作预警系统，包括预处理模块、特征提取模块、分类模块和后期处理模块：

(1)预处理模块

对脑电数据进行预处理，将原始的脑电数据通过带通滤波去除部分伪迹，选取有效频段进行分析和处理；

优选地，带通滤波后获得的有效频段频率为1.6～70Hz。带通滤波可以采用2阶巴特沃兹滤波器(Butterworth)，有效频段的频率可以根据需要通过滤波参数进行选择。

作为优先，采用时域差分法(time-differential preprocessing)进一步去除伪迹，利用下式进行时域差分：

x[n]＝X[n]-X[n-1]

其中，X[n]为原始脑电数据经带通滤波后的脑电数据；n为数据的序数；x[n]为经时域差分后的脑电数据。

优选地，采用滑动时间窗的方法将有效频段分为若干数据段，滑动时间窗的长度为1s，滑动步长为1s。数据分段的目的在于，确定数据处理的最小单元。滑动时间窗的长度以及滑动步长可以根据需要选取，时间窗的长度越短，滑动步长越短，划分的数据段越多，则提取得到的时频特征值越精确，但是，相应的计算量也大。

(2)特征提取模块

脑电数据经过经验模态分解(Empirical Mode Decomposition，简称EMD)，被转化为包含了原脑电数据信号的不同时频尺度特征的固有模态函数(IntrinsicMode Function，简称IMF)，能够反映脑电数据在不同时频尺度上的特征。

EMD算法是基于数据本身，具有能自适应分解非线性、非平稳信号的优点。EMD分解的目的是把数据分解成若干个IMF。IMF必须满足2个条件：在整个数据序列中，极值点的数目与过零点的数目相等或至多相差1；在任意一点，由局部极大值和局部极小值点分别构成的包络线的均值为0。对于给定的信号，首先找出信号的极大值和极小值，通过3次样条拟合，得到信号的上下包络曲线，计算上下包络曲线的平均值m₁(t)，设原序列为x(t)，则：

h₁(t)＝x(t)-m₁(t)

h₁(t)为经上述处理的脑电信号，如果h₁(t)不满足IMF的2个条件，则把h₁(t)当作原序列，重复以上步骤，直至满足IMF的定义，求出第一个IMF值为c₁(t)。然后，把c₁(t)从原始序列中分离出来，余项r₁(t)为：

r₁(t)＝x(t)-c₁(t)

把r₁(t)看成一个新的原序列，继续做上述筛选过程。这个过程对所有的r_i(t)有：

r_i(t)＝r_i-1(t)-c_i(t),i＝1,2,...,n

直到余项r_i(t)变成一个单调函数，整个滤波过程结束，于是原信号被分解成若干个由高频到低频的IMF。则原信号可被表示为：

$x\left(t\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{c}_i\left(t\right)+r_i\left(t\right)$

其中：c_i(t)表示第i个IMF，n为IMF的总数，每一个IMF分量都代表信号的非线性、非平稳的内在模态特征，表现了信号内含有的真实物理信息。

作为优选，所述特征提取模块中对每个数据段采用经验模态分解法提取时频特征，取前三个固有模态函数，利用下式计算得到每个数据段的时频特征值VoIMF：

${\mathrm{VoIMF}}_N\left(t\right)=\frac{1}{n-1}{\mathrm{\Σ}}_{i=1}^n{(x_i-\stackrel{\‾}{x})}^2,N=\mathrm{1,2,3};$

其中，xi为每个数据段中每个数据点的固有模态函数值；为每个数据段中所有数据点的固有模态函数平均值；i为每个数据段的数据点的序数；n为每个数据段的数据点的个数；N为固有模态函数x的序数；t为数据段的序数。

一般来说，序数较小的固有模态函数代表频率较高的信号分量，N可以根据需要选择所需的固有模态函数的数目。当N为3时，即选取前三个固有模态函数，分别得到VoIMF1、VoIMF2和VoIMF3。

对于每一个数据段分别计算VoIMF1、VoIMF2和VoIMF3。例如计算VoIMF1时，选取第一个固有模态函数，计算该数据段中每个数据点的第一个固有模态函数值xi，计算该数据段中所有数据点的第一个固有模态函数值xi的平均值得到利用式 ${\mathrm{VoIMF}}_1\left(t\right)=\frac{1}{n-1}{\mathrm{\Σ}}_{i=1}^n{(x_i-\stackrel{\‾}{x})}^2$ 计算得到VoIMF1。

(3)分类模块

本发明采用支持向量机判断脑电的发作状态。支持向量机(support vectormachine，SVM)是一种基于结构风险最小化原则的机器学习方法，是一种二元分类器。构造支持向量机的过程是通过解一个二次规划问题，找到分开两类训练数据的最优超平面过程。所谓最优超平面，是指分类面不仅能正确地分开两类数据，且能使两类间的间隔最大。当引入新的样本a时，通过下面的决策函数f(a)来对其类别进行判别：

$f\left(a\right)=\mathrm{sgn}[\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i{\∂}_{i}K(a,a_i)+e]$

其中，y_i是a_i对应的类别标注，y_i∈{0,1}，为训练的得到的拉格朗日因子，ai为支持向量，e为分类阈值，K(,.,)为核函数。核函数是支持向量机的核心，通过它，支持向量机将线性不可分的样本映射到高维空间，从而使这些样本在高维空间线性可分。比较常见的核函数有线性核函数、sigmoid函数、径向基函数和多项式核函数等，本发明采用线性核函数。

支持向量机分类的准确性取决于训练模型的质量，本发明选取初次发作的脑电数据建立最优训练模型。首先，依照前述预处理和特征提取的流程处理脑电数据。训练样本的抽取方法是：取患者第一次癫痫发作数据作为训练数据，该数据需包含发作期脑电数据及发作间期脑电数据，在训练数据中随机抽取40段时长为1s的癫痫发作期脑电数据，在训练数据中随机抽取40段时长为1s的癫痫发作间期脑电数据，使用1:1的对称样本进行训练，用剩余训练数据进行分类检测，分类实验重复进行20次，选取检测准确率最高的一组，提取其中的训练模型作为最优训练模型。

其他待检测的脑电数据经预处理、特征提取后，结合前面获得的最优训练模型，输入支持向量机进行二分类。

(4)后期处理模块

后期处理模块用于判断发作起始时间。经过前面的处理，已经获得了每个数据段的发作状态，如果存在连续8个数据段均被判断为发作，则将第8个数据段视为发作起始的时刻。另外，需要存在至少两个通道在同一时刻出现发作，才能最终确定为一次发作，否则将视为伪迹。

实验结果

采用本系统，利用德国弗莱堡大学公共脑电数据库中ECoG数据进行测试，含17位患者500小时(平均每位患者约4次发作)脑电数据，达到了检测率92％，误检率0.17次/小时，平均时间延迟12s。具体结果见表1。

表1 17位患者500小时(平均每位患者约4次发作)的ECoG数据分析总结表

Claims (8)

1.一种癫痫发作预警系统，其特征在于，包括预处理模块、特征提取模块、分类模块和后期处理模块；四个模块依次相连；所述预处理模块去除脑电数据中的伪迹和电噪声，获得脑电数据的有效频段，并将脑电数据的有效频段分为若干数据段；所述特征提取模块采用经验模态分解算法提取每个数据段的时频特征，并取该数据段时频特征的方差，作为相应数据段的时频特征值；所述分类模块采用支持向量机算法将发作状态的判断转化为二分类问题，支持向量机的训练模型取自患者第一次癫痫发作的脑电数据，通过重复检测获得最优化的训练模型；所述后期处理模块用于确定发作起始的时刻。

2.根据权利要求1所述的癫痫发作预警系统，其特征在于，所述预处理模块中去除脑电数据中的伪迹采用2阶巴特沃兹带通滤波器，滤波后获得的有效频率为1.6～70Hz。

3.根据权利要求1所述的癫痫发作预警系统，其特征在于，所述预处理模块中去除脑电数据中的伪迹采用时域差分法。

4.根据权利要求1所述的癫痫发作预警系统，其特征在于，所述预处理模块中将脑电数据的有效频段分为若干数据段具体为：采用滑动时间窗的方法将有效频段分为若干数据段，滑动时间窗长度为1s，滑动步长为1s。

5.根据权利要求1所述的癫痫发作预警系统，其特征在于，所述特征提取模块中采用经验模态分解算法，具体为：对每个数据段采用经验模态分解法提取时频特征，取前三个固有模态函数，利用下式计算得到每个数据段的时频特征值VoIMF：

${\mathrm{VoIMF}}_N\left(t\right)=\frac{1}{n-1}{\mathrm{\Σ}}_{i=1}^n{(x_i-\stackrel{\‾}{x})}^2,N=\mathrm{1,2,3}$

其中，xi为每个数据段中每个数据点的固有模态函数值；为每个数据段中所有数据点的固有模态函数平均值；i为每个数据段的数据点的序数；n为每个数据段的数据点的个数；N为固有模态函数x的序数；t为数据段的序数。

6.根据权利要求1所述的癫痫发作预警系统，其特征在于，所述特征提取模块中取该数据段时频特征的方差，具体为：采用方差计算的方法，取每个数据段的固有模态函数值的标准差，作为该数据段的特征值，使发作期数据突出于背景。

7.根据权利要求1所述的癫痫发作预警系统，其特征在于，所述分类模块首先构建最优训练模型，所述最优训练模型构建方法如下：在训练数据中随机抽取40段时长为1s的癫痫发作期脑电数据，在训练数据中随机抽取40段时长为1s的癫痫发作间期脑电数据，使用1:1的对称样本进行训练，用剩余训练数据进行分类检测，分类实验重复进行20次，选取检测准确率最高的一组，提取其中的训练模型作为最优训练模型。

8.根据权利要求1所述的癫痫发作预警系统，其特征在于，所述后期处理模块确定癫痫发作时刻需满足两个条件：一是存在连续8个数据段均被判断为发作，则将第8个数据段视为发作起始的时刻；二是存在至少两个通道在同一时刻出现发作，才能最终确定为一次发作，否则将视为伪迹。