CN104887224A - 面向癫痫脑电信号的特征提取与自动识别方法 - Google Patents

Abstract

本发明提出了一种面向癫痫脑电(Electroencephalogram，EEG)信号的特征提取与自动识别方法。该方法首先由脑电信号通过小波变换得到时频图像，并按频率由低到高，将时频图分割成δ、Θ、α、β、γ五个频率的时频子图；接着，应用高斯混合模型(Gaussian mixture model，GMM)对时频图能量密度的概率分布进行估计，将高斯混合模型对应的参数(均值、方差、权值)作为脑电信号的特征；然后，应用特征加权算法(ReliefF)和支持向量机递归特征消除法(Support Vector Machine-Recursive Feature Elimination，SVM-RFE)对上述特征进行选择，得到最大程度表征正常脑电信号与癫痫脑电信号差异的特征；最后，通过模式分类和机器学习验证本发明方法所提特征在自动识别癫痫上的有效性，具体表现为识别的正确率与模型的泛化性能。与现有相关技术相比较，本发明方法提取识别的特征对癫痫脑电识别正确率高，模型泛化性能好，在辅助癫痫脑疾病的临床诊断和自动识别方面具有重要意义。

Description

面向癫痫脑电信号的特征提取与自动识别方法

技术领域

本发明涉及非平稳信号的时频分析、模式分类及机器学习，属于信号处理和模式识别技术领域。

背景技术

癫痫是一种常见多发病症，它极大地危害着人们的健康，严重时可导致人死亡。脑电(Electroencephalogram，EEG)信号是诊断癫痫的必要依据，目前，癫痫诊断主要是通过医生对脑电图的视觉检查来完成。视觉检查存在较大的主观因素问题，不同医生或者同一医生在不同时刻对同一波形的判断可能不一致。因此，脑电信号的癫痫特征提取与自动识别技术，将能在很大程度上减轻医生的负担和提高脑电图诊断效率。

脑电信号的分析和处理一直是个世界难题，不但在于其信号的非平稳性，还在于其信号波形的多样性。如果单纯地从时域或者频域考虑，效果并不是很理想。主要原因在于这些方法都是试图用单纯时域或者频域的特征来表征信号，忽略了脑电信号的非平稳性，因而不能充分明显的区分癫痫信号的特征。

时频分析能保留信号的时间和频率信息，是EEG研究及临床应用的重要分析方法。时频分析在EEG分析与研究方面，主要有短时傅里叶变换、小波变换、希尔伯特黄变换等。短时傅里叶变换使用一个固定的窗函数，因此分辨率是确定的，不能根据信号的变化而变化。希尔伯特黄变换对于多频率成分信号，往往会出现高频区频率分辨率不够，低频区出现不合理的频率成分和容易掩盖低能量频率成分问题。小波变换继承和发展了短时傅里叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的“时间-频率”窗口，在低频处有较高的频率分辨率，在高频处有较高的时间分辨率，能自动适应时频信号分析的要求，聚焦到信号的任意细节。

基于癫痫脑电的时频分析，可以提取出与癫痫脑电相关的众多特征。但往往提取的初始特征在表征癫痫脑电与正常脑电差异方面存在冗余或者不相关。因此，为了自动识别最能表征癫痫脑电特征的最优特征子集，提出了各种不同的特征选择方法。其中，典型的方法有t检验、皮尔逊相关法、方差分析法、特征加权算 法(ReliefF)、支持向量机递归特征消除法(Support Vector Machine-Recursive Feature Elimination，SVM-RFE)等。t检验和方差分析法基于的统计思想为检验特征统计量在两类样本上的差异。其中，t检验还需满足样本近似正态分布及方差齐性两个先验条件。皮尔逊相关系数法可以检验样本特征与对应类别的相关程度，但这种相关性只是线性相关性。ReliefF可以检验出与类别相关性较大的特征，且这种相关性并不局限于线性相关。上述t检验法、方差分析法、皮尔逊相关法、ReliefF方法都是一种过滤式的特征选择算法，特征选择与具体的分类算法无关，具有计算简单，速度快等特点，但缺乏考虑特征间的相关性及冗余性。SVM-RFE作为典型的封装式特征选择方法，考虑到多个特征间对表征样本差异和模式分类的影响，引用模式分类的指标如准确率来反映特征的重要性，选择的特征能取得较好的模式分类效果。基于过滤式和封装式的组合特征选择方法，能有效结合两类特征选择方法的优势，首先能基于过滤式特征选择方法选取一定程度上表征样本差异的特征，再基于封装式特征选择方法选取使得模式分类效果最优的特征子集。

本发明将时频分析信号处理方法中连续小波变换应用于癫痫脑电信号中，并基于一个组合式的特征选择方法，实现癫痫脑电特征的提取与自动识别，对辅助临床癫痫识别诊断，减轻医生的负担和提高脑电图诊断效率具有重要实际意义。

发明内容

根据本发明的一个方面，本发明将时频分析信号处理方法应用于癫痫脑电信号中，提供了一种提取识别癫痫脑电特征的方法。所提特征在癫痫模式分类识别上取得了优良的分类效果并且分类模型具有良好的泛化性能。

为实现上述目的，本发明提供了面向癫痫脑电信号的特征提取与自动识别方法，包括如下步骤：

(1)对脑电信号进行连续小波变换(Continuous wavelet transform，CWT)，获得同时反映时间和频域信息的时频图；

(2)将时频图按照具有临床意义的脑电信号δ、Θ、α、β、γ波段分割成A、B、C、D、E五个时频子图；

(3)应用混合高斯模型分别对时频子图A、B、C、D、E能量密度的概率分布进行估计，提取表征脑电信号的备选特征集S₀；

(4)从备选特征集S₀中选择表征脑电信号的最优特征子集S₁；

(5)基于最优特征子集S₁训练支持向量机；

(6)获得该特征集对癫痫脑电的分类结果，验证S₁的有效性。

其中，所述步骤(3)中，对时频子图A、B、C、D、E进行混合高斯模型建立前，应用期望最大化(Expectation Maximization，EM)算法进行模型阶次判定。

所述步骤(4)中，选择一种过滤式和封装式组合的特征选择方法从特征集S₀中选择最优特征子集S₁。

所述步骤(5)中，选用基于径向基函数(Radial Basis Function，RBF)核函数的非线性支持向量机(Support Vector Machine，SVM)作为分类器，并应用一种兼顾全局和局部的网格搜索方法确定分类器的最优参数。

本发明所提供的面向癫痫脑电信号特征提取与识别方法的优点包括：

1、脑电信号的时频分析，同时提取了信号的时间和频率信息，信息全面；

2、本发明的组合式特征选择方法，简单有效，能快速选择最优特征子集；

3、方法简单有效，基于时频图提取的特征能准确表征癫痫脑电与非癫痫脑电的差异；

4、基于本发明提取识别的癫痫脑电特征，癫痫脑电信号分类模型易取得良好的分类效果和泛化性能。

附图说明

图1为根据本发明的一个实施例的特征提取识别并验证有效性的流程示意图。

图2为本发明中所提出的组合式特征选择流程示意图。

图3(a)和3(b)分别为非癫痫脑电时频图和癫痫发作脑电时频图。

图4(a)-4(e)为非癫痫脑电时频图在五个波段的分割结果，其中，图4(a)为γ波段时频子图，图4(b)为β波段时频子图，图4(c)为α波段时频子图，图4(d)为Θ波段时频子图，图4(e)为δ波段时频子图。

图5(a)-5(e)为癫痫发作脑电时频图在五个波段的分割结果，其中，图5(a)为γ波段时频子图，图5(b)为β波段时频子图，图5(c)为α波段时频子图，图5(d)为Θ波段时频子图，图5(e)为δ波段时频子图。

图6为本发明所提特征针对非癫痫脑电与癫痫发作脑电的箱型图。其中，NSi为非癫痫脑电信号的第i个特征，Si为癫痫脑电信号的第i个特征。

图7为本发明所提特征在癫痫脑电模式分类中各波段特征所得分类模型受试者工作特性(Receiver Operating Characteristic，ROC)曲线比较结果。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步的详细说明。

根据本发明的一个实施例，将脑电信号应用时频分析方法得到时频图。时频图同时包含信号的时间信息和频率瞬时分布信息。对于非平稳信号，时频分析比单纯时域分析或者频域分析更能表征信号特征。基于脑电时频图，提取和识别表征癫痫脑电的特征。图1展示了根据本发明的一个实施例的方法流程图，包括：

首先，应用时频分析方法对脑电信号进行时频分析得到信号时频图(步骤(1))；然后，将时频图进行δ、Θ、α、β、γ五个波段的分割(步骤(2))；接着，分别对五个波段的时频子图应用高斯混合模型估计其能量密度的概率分布，并将相应的模型参数作为表征脑电信号的备选特征(步骤(3))；然后，用模式分类特征选择方法选择能最大程度表征癫痫脑电与非癫痫脑电的特征(步骤(4))；最后，采用模式分类器(如非线性支持向量机)验证所选最优特征的有效性和模型的泛化性能(步骤(5)-(6))。

进一步，将脑电数据按十折交叉验证分为训练样本和测试样本后，下面具体介绍根据本发明所提供的基于时频分析的脑电特征提取与自动识别分析方法的具体步骤：

(1)应用时频分析中连续小波变换分析处理脑电信号，构建脑电信号的时频图；

选取莫莱(Morlet)小波基对脑电信号进行连续小波变换，Morlet小波函数不但具有非正交性，而且还是有高斯调节的指数复值小波，可以对相位进行很好的表达。Morlet小波函数Ψ_cmor(t)的表达式如下式：

${\mathrm{\Ψ}}_{\mathrm{cmor}}\left(t\right)=\frac{1}{\sqrt{\mathrm{\π}{f}_b}}{e}^{2\mathrm{\π}{\mathrm{jf}}_{c}t-t^2/f_b}---\left(1\right)$

其中，f_b表示小波基带宽，f_c为小波基的中心频率。本发明中，f_b为25Hz，f_c为1Hz。

(2)将时频图分割成δ、Θ、α、β、γ五个波段时频子图A、B、C、D、E；

根据脑电信号活动相关的脑电波频率范围，将视频图划分为具有临床辅助诊断意义的五种时频子图，频率由低到高依次为δ波(0.5-4Hz)、Θ波(4-8Hz)、α波(8-12Hz)、β波(12-30Hz)、γ波(30-40Hz)；

(3)应用高斯混合模型估计时频子图A、B、C、D、E能量密度概率分布，选择高斯混合模型参数作为表征脑电信号的备选特征S₀；

高斯混合模型的阶次判定，判断依据是EM算法。在本发明的一个实施例 中，依EM算法选定各波段高斯混合模型的阶次为3阶。备选特征集S₀由模型的均值U₁,U₂,U₃，对应方差σ₁，σ₂，σ₃及权重系数π₁，π₂，π₃组成。

(4)选择能最大程度表征癫痫与非癫痫脑电信号差异的最优特征子集S₁；

在选择最优子集S₁时，首先用过滤式特征选择方法—ReliefF算法，选出与脑电信号相关程度最大化的特征子集；然后，基于选取的特征子集，再应用封装式特征选择方法—SVM-RFE算法，选择在模式分类中最能表征癫痫脑电信号与非癫痫脑电信号差异的特征，至此，最优特征子集S₁提取完成。本发明一个实施例选择的最优特征子集为高斯混合模型的均值成分。图2显示了ReliefF和SVM-RFE组合式的特征选择方法流程。

对ReliefF特征选择，其流程包含：

a)初始化特征权重向量为0，并设置一个较大的特征选择迭代次数；

b)如果达到迭代次数，则转至end)；

c1)随机选择一个样本x_rd；

c2)选择k个与x_rd同类的最近样本；

c3)选择k个与x_rd相异类别的最近样本；

d)更新特征权重向量并返回至步骤b)；

end)选择相应的阈值上权重对应特征组成输出特征子集，输出子集并结束；

对组合的SVM-RFE特征选择算法，包含如下步骤：

e)初始化特征排序向量R为空；

f)如果特征子集S为空，转至j)；

g)否则，用特征子集S的样本信号训练得到SVM分类模型； 

h)计算每个特征的得分；

i)将得分最低的特征从S移入到排序向量R的首部,返回至步骤f)；

j)输出向量R中前k个向量作为最优特征子集S₁,结束。

(5)应用模式分类器对所选最优特征子集S₁进行机器学习，构建癫痫脑电分类器

在该步骤中，选用的分类器为基于RBF核函数的支持向量机，其参数中惩罚因子c及RBF核函数宽度g的最优组合，由一种先整体后局部的网格搜索方法确定。具体来说，先在一个较大的范围(log(c):-12～12,log(g):-12～12)内以较大步长(log(step)＝0.5)搜索一个粗略的最优组合(c₀,g₀)，然后在(c₀,g₀)的领域范围内(log(c₀)-3～log(c₀)+3,log(g₀)-3～log(g₀)+3)，以小步长(log(step)＝0.1)搜索精细的最优组合(c₁,g₁)。

(6)分析基于所选择的最优特征构建分类器的分类结果及模型的泛化性能

获得十折交叉验证下分类的正确率(Accuracy)、敏感度(Sensitivity)、特异度 (Specificity)、平衡正确率(Balanced Accuracy)和表征模型泛化性能的ROC线下面积(Area Under Curve，AUC)指标。

所提特征在表征癫痫脑电差异方面的效果，一方面体现在提取的特征在正常脑电与癫痫脑电下差异是否显著，另一方面间接体现在基于该特征模式分类效果是否最优。以下基于本发明一实施例，将从上述两个方面评价所提最优特征的效果。本发明使用的实验数据来自德国波恩癫痫研究室临床采集的脑电数据库，采样频率为173.6Hz，为临床颅内脑电。其中非癫痫脑电(A组)和癫痫患者发作时的癫痫脑电(E组)各100段，每段4096点。

1.特征在非癫痫脑电与癫痫脑电下的差异化比较：

(a)t检验(t-test)

t检验是用t分布理论来推断差异发生的概率，从而比较两个平均数的差异是否显著。表1列出了本发明方法提取的特征在表征癫痫脑电和非癫痫脑电差异显著的t检验结果。观察表1的检验结果可知，所提特征在癫痫脑电和非癫痫脑电上存在显著的差异。

表1最优特征子集t检验p值结果表

(b)箱形图(box-plot)

箱形图又称盒式图或箱线图，是一种用于显示一组信号分散情况资料的统计图。同一数轴上，信号的箱形图并行排列，信号的中位数、尾长、异常值、分布区间等形状信息便一目了然。图3是γ频段9个特征在癫痫脑电和非癫痫脑电信号上的箱形图。从图3观察可知，前3个均值特征(U₁，U₂，U₃)在两类脑电信号上存在显著的分布差异，进一步体现了所提的特征在表征不同类脑电信号特征的效果。

2.特征在模式分类中效果比较：

体现所提特征在表征癫痫脑电与非癫痫脑电差异效果的另一客观评价方法是通过所提特征，构建癫痫与非癫痫脑电的分类模型，一定程度上，通过分类结 果的准确率来间接说明特征表达差异的大小。分类效果可以通过正确率、敏感度、特异度、平衡正确率、ROC线下面积等指标体现，以上各指标值越大，表明分类效果越好，间接表明所提特征在表征两类样本差异比较效果越好。

(a)正确率

正确率是反映一个分类器分类效果的最基本量，一个分类器分类效果好，必须满足较高的正确率。在分类问题中，正确率的计算公式如下：

$\mathrm{ACC}=\frac{\mathrm{TP}+\mathrm{TN}}{\mathrm{TP}+\mathrm{FP}+\mathrm{TN}+\mathrm{FN}}\×100\%,---\left(2\right)$

其中，ACC表示正确率，TP表示被正确分类的正样本数，TN表示被正确分类的负样本数，FP表示被错误分类的负样本数，FN表示被错误分类的正样本数。

(b)敏感度

敏感度又称为真阳性率，在医学上通常表示的是实际病患(阳性)被诊断出来的百分比。其计算式如下：

$\mathrm{SEN}=\frac{\mathrm{TP}}{\mathrm{TP}+\mathrm{FN}}\×100\%,---\left(3\right)$

其中，SEN表示敏感度。 

(c)特异度

特异度，又称真阴性率，即实际无病按诊断标准被正确判为无病的百分比，反映了筛检实验确定非病人的能力。其计算公式如下：

$\mathrm{SPE}=\frac{\mathrm{TN}}{\mathrm{TN}+\mathrm{FP}}\×100\%---\left(4\right)$

其中，SPE表示敏感度。 

(d)平衡正确率 

平衡正确率，考虑了信号集中正负样本数存在偏态情况对正确率的影响，其计算公式如下：

$\mathrm{BAC}=\frac{1}{2}(\mathrm{SEN}+\mathrm{SPE})\×100\%---\left(5\right)$

其中，BAC表示平衡正确率。

(e)ROC线下面积

ROC曲线是根据一系列不同的二分类方式(分界值或决定阈)，以真阳性率为纵坐标，假阳性率为横坐标绘制的曲线。可以通过ROC曲线，比较不同诊断试验对疾病的自动识别能力。越靠近左上角的ROC曲线所代表的受试者工作越准确，也可以通过计算AUC值进行比较，AUC越大，试验的诊断价值越高。图4 展示了各个波段对癫痫脑电的诊断ROC曲线，从图中观察可知，各波段表现出对癫痫脑电具有很好的诊断能力。

表2列出了五个波段的分类结果。观察表2结果可知，所提特征在癫痫和非癫痫脑电上的分类效果好，最高分类准确率可达99.9％，并同时具有良好的BAC、SEN、SPE，AUC指标，体现出自动识别模型具有良好的泛化性能。

表2五个波段分类结果表

针对来自德国波恩癫痫研究室临床采集的脑电数据库中同一实验数据集，表3列出了本发明提出的癫痫脑电特征提取方法与最新方法在癫痫脑电模式分类效果的对比结果。这些最新方法包括基于频域分析的快速傅里叶变换(Fast Fourier Transformation，FFT)的特征提取(K.Polat and S.Classification of epileptiform EEG using a hybrid system based on decision tree classifier and fast Fourier transform.Applied Mathematics and Computation,187:1017-1026,2007)，基于相空间排列熵(Permutation entropy)的特征提取(N.Nicolaou,J.Georgiou.Detection of epileptic electroencephalogram based on permutation entropy and support vector machines.Expert Systems with Applications,39(1):202-209,2012)，基于时频分析的希尔伯特黄的特征提取(K.Fu,J.Qu,Y.Chai,and Y.Dong.Classification of seizure based on the time-frequency image of EEG signals using HHT and SVM.Biomedical Signal Processing and Control,13:15-22,2014)。从表中所列对比结果可知，与最新脑电信号特征提取与自动识别技术相比，本发明提出的基于时频分析的癫痫脑电特征提取与识别方法在提取表征癫痫脑电特征及自动识别准确率方面，具有明显的提高，证实了本发明方法的有效性。

表3不同癫痫脑电特征提取方法对应模式分类结果比较

以上对本发明所提供基于时频分析的癫痫脑电信号的癫痫特征分析方法进行了详细的说明，但显然本发明的范围并不局限于此。在不脱离所附权利要求书所限定的保护范围的情况下，对上述实施例的各种改变都在本发明的范围之内。

Claims (7)

1.一种基于时频分析的癫痫脑电信号的癫痫特征提取与自动识别方法，其特征在于包括：

(1)对脑电信号进行小波变换，获得同时反映时间和频域信息的时频图；

(2)将时频图按照δ、Θ、α、β、γ波段分割成A、B、C、D、E五个时频子图；

(3)应用混合高斯模型分别对时频子图A、B、C、D、E能量密度的概率分布进行估计，并提取表征脑电信号的备选特征集S₀；

(4)应用模式分类中特征选择方法从备选特征集S₀中选择表征脑电信号的最优特征子集S₁；

(5)将最优特征子集S₁输入到支持向量机分类器中；

(6)获得该特征集对癫痫脑电的分类结果，验证S₁的有效性。

2.如权利要求1所述的基于时频分析的癫痫脑电信号的癫痫特征提取识别方法，其特征在于：

在所述步骤(3)中，对时频子图A、B、C、D、E进行混合高斯模型建立前，用期望最大化算法进行模型阶次判定。

3.如权利要求2所述的基于时频分析的癫痫脑电信号的癫痫特征提取识别方法，其特征在于：

时频子图A、B、C、D、E的高斯混合模型由期望最大化(ExpectationMaximization，EM)算法判定阶次为3阶。

4.如权利要求1所述的基于时频分析的癫痫脑电信号的癫痫特征提取识别方法，其特征在于：

所述步骤(4)中，选择一种过滤式和封装式的混合特征选择方法从特征集S₀中选择最优特征子集S₁。

5.如权利要求4所述的基于时频分析的癫痫脑电信号的癫痫特征提取识别方法，其特征在于：

所述过滤式特征选择方法为特征加权算法(ReliefF)，封装式特征选择方法为支持向量机递归特征消除法(Support Vector Machine-RecursiveFeature Elimination，SVM-RFE)。

6.如权利要求1所述的基于时频分析的癫痫脑电信号的癫痫特征提取识别方法，其特征在于：

所述步骤(5)中，选用基于径向基函数(Radial Basis Function，RBF)为核函数的非线性支持向量机作为分类器。

7.如权利要求6所述的基于时频分析的癫痫脑电信号的癫痫特征提取识别方法，其特征在于：

非线性支持向量机最优参数组合(c,g)由改进的网格搜索方法确定,初始搜索范围为(log(c):-12～12,log(g):-12～12)，步长为(log(step)＝0.5)，得到粗最优组合(c₀,g₀)后，局部搜索范围为(log(c₀)-3～log(c₀)+3,log(g₀)-3～log(g₀)+3)，搜索步长为(log(step)＝0.1)。