CN104757968A - 儿童失神性癫痫发作情况的中间数据统计评价方法 - Google Patents

Abstract

本发明提供一种儿童失神性癫痫发作情况的中间数据统计评价方法，本发明采用易佩戴式的脑电电极和腕带，方便儿童佩戴，且具有隐蔽性，儿童易于接受。本发明不仅通过脑电分析癫痫发作，而且结合儿童特点，引入无线运动节点，来检测发作过程和次数，更为准确。本系统适合于家庭佩戴，不影响儿童的日常活动，不会对患儿带来损伤，适合于长期性的测量。其时程越长，客观性越好。通过本方法，可以积累患儿日常的发作信息，并进行统计，为家人了解病情，以及医生的进一步了解病情提供辅助依据，因为发作次数的统计准确与否在患儿的治疗过程中也是起到很大的参考作用的。

Description

儿童失神性癫痫发作情况的中间数据统计评价方法

技术领域

本发明属于生物医学工程领域，是医学与工程学的交叉领域，具体的说是生物医学工程中的数据评价领域，涉及利用信息处理手段来监测失神癫痫患儿发作情况，辅助临床或医学研究来准确监测分析病情。在系统中采集患儿的脑电信号(EEG)和肢体加速度运动信息，分别利用非线性熵和阈值方法，得到患儿活动状态，结合分类手段，统计发作情况，继而形成对发作情况的客观评价。

背景技术

据2009年中国癫痫预防与控制绿皮书显示，我国患者约有900多万，癫痫患病率约为7‰，每年新发病40万例，且多为儿童和青少年。而根据世界卫生组织报道，目前全世界癫痫患者约为5000多万，加上与患者一起生活的家人和朋友，约有2亿人口受此影响。根据国际抗癫痫联盟(ILAE)的划分，癫痫发作分为部分发作和全身发作(全身强直-阵挛性发作、强直性发作、阵挛性发作、失神发作、肌阵挛发作等)，病灶部位主要集中在颞叶和额叶。失神癫痫是儿童常见典型发作类型。

清华大学等申请有《基于脑电的癫痫检测与干预装置》，该专利提供了一种基于脑电的癫痫检测与干预装置，具有记录脑电、分析和预报功能。李小俚等申请了《实时自动检测癫痫特征波的方法》，该专利公开了一种利用经验模态分解、希尔伯特变换和平滑的非线性能量算子方法来实时自动检测癫痫特征波的方法。通过对脑电数据分段、计算、获取特征，最后通过对暂态总能量S应用 平滑的非线性能量算子来检测棘波。

而儿童癫痫有多种类型，其中失神发作较为典型，是一种神经系统放电与行为静止同步发生的过程，突发突止，发作时患儿出现意识障碍，发作后意识不到发作，无法自我报告，所以也就无法系统的统计发作的次数，而缺少发作次数这个中间数据对于医生来说，则缺少了一部分参考的依据，也就无法适时的对治疗方案进行分析和调整，对于医学研究的人来讲，缺少这个中间的统计数据参考，对于研究的结果也有一定的影响。传统方法通过视频脑电图等手段，限制了患儿的活动范围，改变了正常生活流程，且结论只能反映一小段时间内情况，往往缺乏长期性和客观性，而目前还没有一种准确客观的发作次数统计评价方法。

发明内容：

发明目的：本发明提供一种儿童失神性癫痫发作情况的中间数据统计评价方法，其目的是解决以往无法系统客观的统计和评价癫痫发作次数的问题。

技术方案:

一种儿童失神性癫痫发作情况的中间数据统计评价方法，其特征在于：该方法的步骤如下：

利用信号采集设备，采集信号，将采集的运动信息通过蓝牙通路发送到DSP系统，DSP系统装有蓝牙接收通道，负责实时的接收运动信息，DSP系统对运动信息加速度信号积分，得到速度信号，速度信号反映了受试者的运动状态，将这些状态分类为静止、运动、学习和使能4个状态，静止对应于速度小于给定阈值，使能对应静止时间达到给定参数时长后对脑电测量系统的使能，脑电测量系统通常处于休眠状态，只有当静止使能后，才开始工作，运动状态表示受试者处于行走、跑步位移信息改变较大的状态，由于儿童患者处于学龄期，有 些时候处于学习，看书状态，在这种情形下，其肢体位移量较小，是重点区分的类别，本方法将其独立为一种状态，以提高分类的准确性，本方法中，通过加速度得到受试者状态，进一步用于激活和关断脑电信号熵分析和分类流程；脑电信号的分解、熵计算和分类信息作为失神发作起止时间的统计依据；

系统根据每60小时检测到发作次数与发作时长，根据以下计算公式：

$\mathrm{Pseizure}\left(n\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(1+\log \left({\mathrm{prd}}_i\right))$

其中n是在60小时时间段内的发作次数，prd_i是检测到的持续时间，大于1秒，Pseizure是这一阶段的发作指数，随着时间推移，60小时时间窗口向后推移，并根据其Pseizure大小给出最后三个评级。

测量运动信息是测量头部和肢体的加速度信号；脑电信号是测量痫兆区的头皮脑电信号；通过前端电路采集模块获取EEG信号和加速度信号：

Ieeg＝E(m,n)

Iacc＝A(u,v)

其中Ieeg表示脑电信号，m为电极通道数,n为数据长度；Iacc表示加速度信号，u为加速度传感器节点数，v为数据长度； 

对数据Ieeg和Iacc的分析采用优化排列熵方法、小波变换、阈值判断方法，以及向量机分类方法，Ieeg数据首先经过小波变换，将信号分解到δ，θ，α，β节律上，然后利用优化排列熵方法，提取信号特征，在特征提取基础上利用向量机分类方法，判别发作情况，最后给出统计评价；阈值判断方法用于运动状态的分析，通过定时中断方式工作获取Iacc信息，只有当运动状态转换到静止使能后，才会激活上述Ieeg的分析过程，使能包括两个部分，首先是信号采集电路的使能1，其次是软件分析流程中对分类结果的使能2，基于中断方式工作 的运动状态检测与使能模块是系统节能与提高分析效率的关键点。

对数据Ieeg和Iacc的分析方法如下：

小波变换方法：

小波方法是符合能量守恒的时空方法，将时间信号分解为时间和频段独立的信号，而且不失原有信息，由于其在不同尺度的选择性，被誉为信号放大镜，用于研究信号的动态特性，小波分析的两尺度方程如下：

式中是尺度函数，ψ是小波函数，h_k是一组低通滤波系数，与其相乘得低频信号，而g_k是高通滤波系数；

二尺度方程的h_k和g_k把信号分解成低频和高频两个部分，这一性质对于脑电信号分析非常重要；脑电信号属于非稳态的时变信号，其信息以不同节律表征；比如δ，θ，α，β节律，通常这些节律在皮层脑电跨越颅骨传导过程中，由于颅骨的滤波效应而混合在一起，其特征也相互交叠，通过小波的分解特性，正好将其分离开；

在采样频率120Hz情况下，通过4层分解，得到0-3.75，3.75-7.5，7.5-15，15-30四个频段，而这与临床上脑电节律划分中的0.5-3.5，4-7，8-13，14-30恰好对应，进而对各个节律信号求取优化排列熵；

优化排列熵方法：

排列熵方法是通过计算时间序列邻近值的排列关系，来测量时间序列的复杂程度的方法，由于在计算排列熵过程中有数值符号化过程，会导致其结果在尺度上信息的损失，优化排列熵方法在其基础上，引入相空间分量尺度量，通过标准差反映时间尺度变化，其计算过程如下：

设时间序列x(t),t＝1,2,…，其在m维空间重构向量：

X(t)＝[x(t),x(t+τ),…，x(t+(m-1)τ)]

其中m称为嵌入维数，τ称为时间延迟，根据Taken理论，当嵌入维数m≥2d+1时，d是动力系统的维数，则这个嵌入空间把原系统的轨迹表达出来，

对于给定的嵌入维数m，向量X(t)中数值按大小进行符号化，其排列有m！种组合，对于X(t)的某一个排列j，其分布概率为p_j，那么基于Shannon熵的定义，优化排列熵permEn2定义为：

$\mathrm{permEn}2(m,t)=(\frac{1}{\ln (m!)}\underset{j=1}{\overset{J}{\mathrm{\Σ}}}{p}_j\ln \left(p_j\right),\mathrm{std}\left(X\left(t\right)\right)$

其中J表示符号排列的种类，J≤m！；std是对X(t)的标准差，permEn2第一项包含有被检测样本的熵，其值越小，说明时间序列越规则，permEn2第二项为对应于信号空间的变化尺度，其值越大，说明尺度越大，变化越剧烈，对于信号的相空间重构，m和τ对结果有较大影响，如时间窗口跨度太小，信号的空间特性则不能完全展开；如果太大，又破坏了信号中的关联信息，本方法在对现有数据分析基础上，对该参数作了优化处理；处理之后进入向量机分类方法；

向量机分类方法：

支持向量机(SVM)是一种基于统计学习理论的机器学习方法，通过非线性映射将向量映射到高维的特征空间，通过最优分类面的选择，得到一个超平面分割，在保证其间隔最大化条件下对两类模式区分；

设分类面方程为x·ω+b＝0，则在k维空间中，使得样本(x_i,y_i),i＝1,…,n，x∈R^d，y∈{+1,-1}，满足取最小值，即：

y_i(ω·x_i+b)-1≥0(i＝1,…,n)

利用拉格朗日乘子方法得到最优解，最优决策函数为：

$f\left(x\right)=\mathrm{sgn}(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_i(x_i\·x)+b);$

sgn函数表示取参数的符号，作为对输入的分类；

利用阈值判断方法对上述数据进行处理；

阈值判断方法：

运动加速度用于判断被试处于的运动状态，包括静止、坐立、站立、学习四种状态；

速度Ivel(t)由加速度Iacc(t)累加得到，其计算过程涉及零位补偿算法；阈值判断由如下函数完成：

State0＝Ton(Heviside(Ivel(t)/Tmove),t0)

State0为运动状态判断结果，Ton(x，t)函数表示参数x取真值，并持续t时间后，返回结果为真值，否则判为假值；Heviside(y)函数表示在参数y取(-1，1)之间时，其返回结果为真值；Tmove是速度阈值参数，当速度Ivel(t)小于阈值Tmove时，且持续时间大于t0时，判断进入State0静止状态。

信号采集设备是一个两通道独立的脑电采集设备，为实现信号采集，该系统实现了信号前置放大、滤波电路、次级放大和隔离电路，脑电电极采用AgCl电极，置于头皮测量，通过屏蔽线连接到系统的放大滤波电路，再通过DSP系统的模数转换电路，转换为数字信号，最后结合运动信号在DSP系统中完成信号分析与评价。

本方法的信号采集方法如下：

首先将脑电电极E1置于头皮，其位置对应于初诊的痫兆区，将电极E2置于对侧区，参考电极A1置于一侧耳后，运动传感器节点佩戴在痫兆区对侧的手腕， 以及头部参考电极附近，DSP处理模块置于患儿上衣口袋中，与脑电极连线通过导线连接，与运动传感器通过蓝牙信息传输，分析方法利用优化排列熵、小波变换、阈值，以及向量机分类方法，将脑电活动和肢体活动融合到特征向量中，检测失神癫痫发作频次。

优点及积极效果:

本发明提供一种儿童失神性癫痫发作情况的中间数据统计评价方法，本发明采用易佩戴式的脑电电极和腕带，方便儿童佩戴，且具有隐蔽性，儿童易于接受。本发明不仅通过脑电分析癫痫发作，而且结合儿童特点，引入无线运动节点，来检测发作过程和次数，更为准确。本系统适合于家庭佩戴，不影响儿童的日常活动，不会对患儿带来损伤，适合于长期性的测量。其时程越长，客观性越好。通过本方法，可以积累患儿日常的发作信息，并进行统计，为家人了解病情，以及医生的进一步了解病情提供辅助依据，因为发作次数的统计准确与否在患儿的治疗过程中也是起到很大的参考作用的。例如，连续测几个月的发作次数，那么医生就可以将这几个月的次数之间的关系进行分析，虽然这个数据统计对于治疗方案没有决定性意义，但是这个数据对于医生及时的调整治疗方案也是一个有力的参考。

本发明利用脑电电极和运动加速度传感器，获取使用者脑电和行为数据，进一步分析脑电的优化排列熵信息，结合加速度的判决作用，统计发作的频次。本发明可以在脑电与运动信息联合的情况下，通过非线性特征提取和识别方法，长时间客观的检测儿童失神性癫痫发作次数情况，本方法虽然不是用于诊断病情更无法治疗患者，但对于医生对病情进行分析，具有很强的辅助性。

附图说明

图1系统结构图

图2系统分析流程图

图3单通道分类图

图4运动状态转换图

图5运动状态判别流程图

图6(a)脑电信号前置测量电路

图6(b)脑电信号后级电路

图7双通道脑电信号分析流程

图8信息采集节点分布图。

具体实施方式：

本发明提供一种儿童失神性癫痫发作情况的中间数据统计评价方法，基于现有的脑电信号和运动加速度测量技术，提供一种适合于失神癫痫患儿的日常病情评价系统。本系统由信息采集设备，数字信号(DSP)处理系统，蓝牙传输和分析软件组成，其中分析软件运行于DSP处理系统中，见附图1。

本发明采用的技术方案是：包括信息采集设备，无线模块，将脑电信号和加速度信号导入DSP环境，对信号进行分析判断。通过前段电路采集模块获取EEG信号和加速度信号：

Ieeg＝E(m,n)

Iacc＝A(u,v)

其中Ieeg表示脑电信号，m为电极通道数,n为数据长度；Iacc表示加速度信号，u为加速度传感器节点数，v为数据长度。 

对数据Ieeg和Iacc的分析采用了优化排列熵方法、小波变换、阈值判断方法，以及向量机分类方法，相互关系如图2所示。Ieeg数据首先经过小波变换，将信号分解到δ，θ，α，β等节律上，然后利用优化排列熵方法，提取信号特征， 在特征提取基础上利用向量机分类方法，判别发作情况，最后给出统计评价。阈值判断方法用于运动状态的分析，通过定时中断方式工作获取Iacc信息，只有当运动状态转换到静止使能后，才会激活上述Ieeg的分析过程。使能包括两个部分，首先是信号采集电路的使能1，其次是软件分析流程中对分类结果的使能2。基于中断方式工作的运动状态检测与使能模块是系统节能与提高分析效率的关键点。具体分析方法如下：

小波变换方法：

小波方法是符合能量守恒的时空方法，可将时间信号分解为时间和频段独立的信号，而且不失原有信息。由于其在不同尺度的选择性，被誉为信号放大镜，可用于研究信号的动态特性，小波分析的两尺度方程如下：

式中是尺度函数，ψ是小波函数。h_k是一组低通滤波系数，与其相乘可得低频信号，而g_k是高通滤波系数。

二尺度方程的h_k和g_k把信号分解成低频和高频两个部分，这一性质对于脑电信号分析非常重要。脑电信号属于非稳态的时变信号，其信息以不同节律表征。比如δ，θ，α，β等节律，通常这些节律在皮层脑电跨越颅骨传导过程中，由于颅骨的滤波效应而混合在一起，其特征也相互交叠。通过小波的分解特性，正好可以将其分离开。

在采样频率120Hz情况下，通过4层分解，得到0-3.75，3.75-7.5，7.5-15，15-30四个频段，而这与临床上脑电节律划分中的0.5-3.5，4-7，8-13，14-30恰好对应，进而可以对各个节律信号求取优化排列熵。

优化排列熵方法：

排列熵方法是通过计算时间序列邻近值的排列关系，来测量时间序列的复杂程度的方法。由于在计算排列熵过程中有数值符号化过程，会导致其结果在尺度上信息的损失。优化排列熵方法在其基础上，引入相空间分量尺度量，通过标准差反映时间尺度变化，其计算过程如下：

设时间序列x(t),t＝1,2,…，其在m维空间重构向量：

X(t)＝[x(t),x(t+τ),…，x(t+(m-1)τ)]

其中m称为嵌入维数，τ称为时间延迟。根据Taken理论，当嵌入维数m≥2d+1时，d是动力系统的维数，则这个嵌入空间可以把原系统的轨迹表达出来。

对于给定的嵌入维数m，向量X(t)中数值按大小进行符号化，其排列有m！种组合。对于X(t)的某一个排列j，其分布概率为p_j。那么基于Shannon熵的定义，优化排列熵permEn2可定义为： 

$\mathrm{permEn}2(m,t)=(\frac{1}{\ln (m!)}\underset{j=1}{\overset{J}{\mathrm{\Σ}}}{p}_j\ln \left(p_j\right),\mathrm{std}\left(X\left(t\right)\right)$

其中J表示符号排列的种类，J≤m！；std是对X(t)的标准差。permEn2第一项包含有被检测样本的熵，其值越小，说明时间序列越规则。permEn2第二项为对应于信号空间的变化尺度，其值越大，说明尺度越大，变化越剧烈。对于信号的相空间重构，m和τ对结果有较大影响。如时间窗口跨度太小，信号的空间特性则不能完全展开；如果太大，又破坏了信号中的关联信息。本发明在对现有数据分析基础上，对该参数作了优化处理。

向量机分类方法：

支持向量机(SVM)是一种基于统计学习理论的机器学习方法，可通过非线性映射将向量映射到高维的特征空间，通过最优分类面的选择，得到一个超平面分割，可在保证其间隔最大化条件下对两类模式区分。

设分类面方程为x·ω+b＝0，则在k维空间中，使得样本(x_i,y_i),i＝1,…,n，x∈R^d，y∈{+1,-1}，满足:取最小值。即：

y_i(ω·x_i+b)-1≥0(i＝1,…,n)

利用拉格朗日乘子方法得到最优解，最优决策函数为：

$f\left(x\right)=\mathrm{sgn}(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_i(x_i\·x)+b)$

该方法对于多通道、多节律的脑电优化排列熵分类，有很高的分类正确率。单道信号分类情况见图3。

阈值判断方法：

运动加速度用于判断被试处于的运动状态，包括静止、坐立、站立、学习等四种状态。各状态之间切换由状态机图4所示。

速度Ivel(t)由加速度Iacc(t)累加得到，其计算过程涉及零位补偿算法。阈值判断由如下函数完成：

State0＝Ton(Heviside(Ivel(t)/Tmove),t0)

State0位运动状态判断结果，Ton(x，t)函数表示参数x取真值，并持续t时间后，返回结果为真值，否则判为假值。Heviside(y)函数表示在参数y取(-1，1)之间时，其返回结果为真值。Tmove是速度阈值参数。当速度Ivel(t)小于阈值Tmove时，且持续时间大于t0时，判断进入State0静止状态。其他状态判断见流程图5。

本发明的信号采集设备是一个两通道独立的脑电采集设备，采用的电路见附图6(a)和图6(b)。脑电信号是非常微弱的生理电信号，其幅度在几个微伏到几十个微伏，测量需要分多个步骤进行。为实现信号采集，本系统实现了信号前置放大、滤波电路、次级放大和隔离电路。脑电电极采用AgCl电极，置于头皮 测量。通过屏蔽线连接到系统的放大滤波电路，再通过DSP系统的模数转换电路，转换为数字信号，最后结合运动信号在DSP系统中完成信号分析与评价，双通道脑电信号分析流程见图7。

运动信息是测量头部和肢体的加速度信号，通过蓝牙通路发送到DSP系统。DSP系统装有蓝牙接收通道，负责实时的接收运动信息。DSP系统对加速度信号积分，得到速度信号。速度信号反映了受试者的运动状态，根据图4，本系统将其分类为静止、运动、学习和使能等4个状态。静止对应于速度小于给定阈值，使能对应静止时间达到给定参数时长后对脑电测量系统的使能。为了提高系统效率，以及节约系统功耗，脑电测量系统通常处于休眠状态，只有当静止使能后，才开始工作。这对于系统的功耗和性能尤为重要。运动状态表示受试者处于行走、跑步等位移信息改变较大的状态。由于儿童患者处于学龄期，有些时候处于学习，看书状态。在这种情形下，其肢体位移量较小，是重点区分的类别。本系统将其独立为一种状态，以提高分类的准确性。本发明中，加速度是作为受试者运动状态分类目的，用于激活和关断脑电信号熵分析和分类流程。传感节点如图8。

系统根据每60小时检测到发作次数与发作时长，根据以下计算公式：

$\mathrm{Pseizure}\left(n\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(1+\log \left({\mathrm{prd}}_i\right))$

其中n是在60小时时间段内的发作次数，prd_i是检测到的持续时间，大于1秒，Pseizure是这一阶段的发作指数。随着时间推移，60小时时间窗口向后推移，并根据其Pseizure大小和表1给出最后A、B、C三个评级。或多个评级，将这个评级数据分析作为参考数据之一，以便及时的了解病情，并对治疗方案进行调整。

表1发作指数与评级的对应关系

儿童失神性癫痫突发突止，发作时患儿出现意识障碍，发作后意识不到发作，无法自我报告，给医生在治疗过程的分析带来一定困难。传统方法通过视频脑电图等手段，限制了患儿的活动范围，改变了正常生活流程，且结论只能反映一小段时间内情况，往往缺乏长期性和客观性。针对这一问题，本发明实现了一种日常佩戴式的信息测量分析系统，利用脑电测量电极和运动加速度传感器，获取使用者脑电和行为数据，进一步分析脑电的非线性熵特征，结合行为状态的判决作用，统计发作的频次等信息，并给出评价。本发明可以在脑电与运动信息联合的情况下，通过非线性特征提取和识别方法，长期客观的检测儿童失神性癫痫发作的频次，辅助家人和医生对病情进行统计分析，具有较强的可应用性。

实施例：

首先将脑电电极E1置于头皮，其位置对应于初诊的痫兆区。将电极E2置于对侧区，参考电极A1置于一侧耳后。运动传感器节点佩戴在痫兆区对侧的手腕，以及头部参考电极附近。DSP处理模块置于患儿上衣口袋中，与脑电极连线通过导线连接，与运动传感器通过蓝牙信息传输。实例中，患儿佩戴本设备5天，睡眠时间除外，电池每日更换。分析软件利用优化排列熵、小波变换、阈值，以及向量机分类方法，将脑电活动和肢体活动融合到特征向量中，检测失神癫痫发作频次。本实施例中，患儿家人和参与者共同记录发作次数和时长， 直接观察到12次发作，本系统检测出21次发作。通过对脑电数据和运动数据的人工分析，确认其中2次为误判，19次为正确识别，其中观察到的12次均在系统记录中，本评价系统最终给出C级即多发的统计学评价，这个评价就可以成为医生分析病情并调整治疗方案的参考数据之一。结果表明，本发明可用在家庭环境中长时间使用，不会对使用者造成损伤，其结果可以作为家人和医生判断病情的参考。

Claims (5)

1.一种儿童失神性癫痫发作情况的中间数据统计评价方法，其特征在于：该方法的步骤如下：

利用信号采集设备，采集信号，将采集的运动信息通过蓝牙通路发送到DSP系统，DSP系统装有蓝牙接收通道，负责实时的接收运动信息，DSP系统对运动信息加速度信号积分，得到速度信号，速度信号反映了受试者的运动状态，将这些状态分类为静止、运动、学习和使能4个状态，静止对应于速度小于给定阈值，使能对应静止时间达到给定参数时长后对脑电测量系统的使能，脑电测量系统通常处于休眠状态，只有当静止使能后，才开始工作，运动状态表示受试者处于行走、跑步位移信息改变较大的状态，由于儿童患者处于学龄期，有些时候处于学习，看书状态，在这种情形下，其肢体位移量较小，是重点区分的类别，本方法将其独立为一种状态，以提高分类的准确性，本方法中，通过加速度得到受试者状态，进一步用于激活和关断脑电信号熵分析和分类流程；脑电信号的分解、熵计算和分类信息作为失神发作起止时间的统计依据；

系统根据每60小时检测到发作次数与发作时长，根据以下计算公式：

其中n是在60小时时间段内的发作次数，prd_i是检测到的持续时间，大于1秒，Pseizure是这一阶段的发作指数，随着时间推移，60小时时间窗口向后推移，并根据其Pseizure大小给出最后三个评级。

2.根据权利要求1所述的儿童失神性癫痫发作情况的中间数据统计评价方法，其特征在于：测量运动信息是测量头部和肢体的加速度信号；脑电信号是测量痫兆区的头皮脑电信号；通过前端电路采集模块获取EEG信号和加速度信号：

Ieeg＝E(m,n)

Iacc＝A(u,v)

其中Ieeg表示脑电信号，m为电极通道数,n为数据长度；Iacc表示加速度信号，u为加速度传感器节点数，v为数据长度；

对数据Ieeg和Iacc的分析采用优化排列熵方法、小波变换、阈值判断方法，以及向量机分类方法，Ieeg数据首先经过小波变换，将信号分解到δ，θ，α，β节律上，然后利用优化排列熵方法，提取信号特征，在特征提取基础上利用向量机分类方法，判别发作情况，最后给出统计评价；阈值判断方法用于运动状态的分析，通过定时中断方式工作获取Iacc信息，只有当运动状态转换到静止使能后，才会激活上述Ieeg的分析过程，使能包括两个部分，首先是信号采集电路的使能1，其次是软件分析流程中对分类结果的使能2，基于中断方式工作的运动状态检测与使能模块是系统节能与提高分析效率的关键点。

3.根据权利要求2所述的儿童失神性癫痫发作情况的中间数据统计评价方法，其特征在于：

对数据Ieeg和Iacc的分析方法如下：

小波变换方法：

小波方法是符合能量守恒的时空方法，将时间信号分解为时间和频段独立的信号，而且不失原有信息，由于其在不同尺度的选择性，被誉为信号放大镜，用于研究信号的动态特性，小波分析的两尺度方程如下：

式中是尺度函数，ψ是小波函数，h_k是一组低通滤波系数，与其相乘得低频信号，而g_k是高通滤波系数；

二尺度方程的h_k和g_k把信号分解成低频和高频两个部分，这一性质对于脑电 信号分析非常重要；脑电信号属于非稳态的时变信号，其信息以不同节律表征；比如δ，θ，α，β节律，通常这些节律在皮层脑电跨越颅骨传导过程中，由于颅骨的滤波效应而混合在一起，其特征也相互交叠，通过小波的分解特性，正好将其分离开；

在采样频率120Hz情况下，通过4层分解，得到0-3.75，3.75-7.5，7.5-15，15-30四个频段，而这与临床上脑电节律划分中的0.5-3.5，4-7，8-13，14-30恰好对应，进而对各个节律信号求取优化排列熵；

优化排列熵方法：

排列熵方法是通过计算时间序列邻近值的排列关系，来测量时间序列的复杂程度的方法，由于在计算排列熵过程中有数值符号化过程，会导致其结果在尺度上信息的损失，优化排列熵方法在其基础上，引入相空间分量尺度量，通过标准差反映时间尺度变化，其计算过程如下：

设时间序列x(t),t＝1,2,…，其在m维空间重构向量：

X(t)＝[x(t),x(t+τ),…，x(t+(m-1)τ)]

其中m称为嵌入维数，τ称为时间延迟，根据Taken理论，当嵌入维数m≥2d+1时，d是动力系统的维数，则这个嵌入空间把原系统的轨迹表达出来，

对于给定的嵌入维数m，向量X(t)中数值按大小进行符号化，其排列有m！种组合，对于X(t)的某一个排列j，其分布概率为p_j，那么基于Shannon熵的定义，优化排列熵permEn2定义为：

其中J表示符号排列的种类，J≤m！；std是对X(t)的标准差，permEn2第一项包含有被检测样本的熵，其值越小，说明时间序列越规则，permEn2第二项为对 应于信号空间的变化尺度，其值越大，说明尺度越大，变化越剧烈，对于信号的相空间重构，m和τ对结果有较大影响，如时间窗口跨度太小，信号的空间特性则不能完全展开；如果太大，又破坏了信号中的关联信息，本方法在对现有数据分析基础上，对该参数作了优化处理；处理之后进入向量机分类方法；

向量机分类方法：

支持向量机(SVM)是一种基于统计学习理论的机器学习方法，通过非线性映射将向量映射到高维的特征空间，通过最优分类面的选择，得到一个超平面分割，在保证其间隔最大化条件下对两类模式区分；

设分类面方程为x·ω+b＝0，则在k维空间中，使得样本(x_i,y_i),i＝1,…,n，x∈R^d，y∈{+1,-1}，满足:取最小值，即：

y_i(ω·x_i+b)-1≥0(i＝1,…,n)

利用拉格朗日乘子方法得到最优解，最优决策函数为：

sgn函数表示取参数的符号，作为对输入的分类；

利用阈值判断方法对上述数据进行处理；

阈值判断方法：

运动加速度用于判断被试处于的运动状态，包括静止、坐立、站立、学习四种状态；

速度Ivel(t)由加速度Iacc(t)累加得到，其计算过程涉及零位补偿算法；阈值判断由如下函数完成：

State0＝Ton(Heviside(Ivel(t)/Tmove),t0)

State0为运动状态判断结果，Ton(x，t)函数表示参数x取真值，并持续t 时间后，返回结果为真值，否则判为假值；Heviside(y)函数表示在参数y取(-1，1)之间时，其返回结果为真值；Tmove是速度阈值参数，当速度Ivel(t)小于阈值Tmove时，且持续时间大于t0时，判断进入State0静止状态。

4.根据权利要求1所述的儿童失神性癫痫发作情况的中间数据统计评价方法，其特征在于：信号采集设备是一个两通道独立的脑电采集设备，为实现信号采集，该系统实现了信号前置放大、滤波电路、次级放大和隔离电路，脑电电极采用AgCl电极，置于头皮测量，通过屏蔽线连接到系统的放大滤波电路，再通过DSP系统的模数转换电路，转换为数字信号，最后结合运动信号在DSP系统中完成信号分析与评价。

5.根据权利要求4所述的儿童失神性癫痫发作情况的中间数据统计评价方法，其特征在于：本方法的信号采集方法如下：

首先将脑电电极E1置于头皮，其位置对应于初诊的痫兆区，将电极E2置于对侧区，参考电极A1置于一侧耳后，运动传感器节点佩戴在痫兆区对侧的手腕，以及头部参考电极附近，DSP处理模块置于患儿上衣口袋中，与脑电极连线通过导线连接，与运动传感器通过蓝牙信息传输，分析方法利用优化排列熵、小波变换、阈值，以及向量机分类方法，将脑电活动和肢体活动融合到特征向量中，检测失神癫痫发作频次。