CN105046273A - 基于多尺度样本熵的癫痫脑皮层电图信号分类方法 - Google Patents

Abstract

本发明公开了基于多尺度样本熵的癫痫脑皮层电图信号的分类方法，属于非线性信号处理技术领域。本发明包括信号获取与预处理模块、特征计算与提取模块、分类模块。信号获取与预处理模块主要对信号进行滤波与伪迹去除；特征计算与提取模块采用多尺度样本熵对正常脑皮层电图信号和癫痫脑皮层电图信号进行分析，并选取适当的信道与尺度因子作为特征输入；分类模块利用支持向量机对癫痫脑皮层电图信号进行分类检测，支持向量机算法将发作状态转换为二分类问题，降低了计算复杂度，同时具有良好的实时性。本发明可以用于癫痫的检测与预警，有很高的敏感度、特异性和准确率。

Description

基于多尺度样本熵的癫痫脑皮层电图信号分类方法

技术领域

本发明涉及基于多尺度样本熵的癫痫脑皮层电图信号分类方法，属于非线性信号处理技术领域。

背景技术

癫痫疾病是一种脑部疾病并影响神经系统，根据世界卫生组织2009年的报告，全世界约有5千万的人患有癫痫。其中90％的癫痫病人生活在发展中国家，约四分之三的病人没有接受过有效治疗。癫痫病人同时受到社会与技术公众的歧视，癫痫病人通常是被禁止结婚的。因此，一种而有效地癫痫检测技术，能有效帮助病人应对疾病和减少社会歧视。另一方面由于癫痫发作具有不确定性，需要对病人的脑电波进行长时间的检测，医生根据临床经验的判断容易出现不一致的判断情况，这是一个耗时耗力的过程，而癫痫的自动检测技术能够减轻医生的工作量，并且减少人为的误差。因此，癫痫脑电的自动化检测在临床中具有重要意义。

脑信号由上亿的神经元相互作用形成，因而具有非线性、非稳定和随机的特性。非线性信号处理的方法被越来越多的应用于脑电信号的处理中。非线性动力学的理论被应用于多种信号处理场景包括生物学信号的处理。其中用于区分癫痫信号的应用较为常见。

发明内容

本发明解决的技术问题是：为了实现癫痫ECoG信号的自动检测，本发明提供了基于多尺度样本熵和支持向量机(supportvectormachine,SVM)的癫痫脑皮层电图信号分类方法。

为了解决上述技术问题，本发明提出的技术方案是：一种基于多尺度样本熵的癫痫脑皮层电图信号分类方法，包括以下步骤：

步骤一：对癫痫脑皮层电图信号预处理，利用CCA对信号进行去伪迹。

步骤二：对正常脑皮层电图信号和癫痫脑皮层电图信号进行多尺度样本熵分析，提取出反应信号的特性的对应信道下的合适尺度因子下的样本熵作为输入特征。

步骤三：利用选定的信道下的适当的尺度因子下的样本熵作为特征输入对癫痫脑皮层电图信号进行分类检测。

优选的，所述的癫痫脑皮层电图信号预处理的模块，采集频率为400Hz，每段的长度为1000点。

优选的，所述的癫痫脑皮层电图信号进行多尺度样本熵分析的步骤，选取的尺度因子为4，同时选取r＝0.15*std，m＝2。

优选的，所述的利用选定的信道下的适当的尺度因子下的样本熵作为样本输入对癫痫脑皮层电图信号进行分类检测的步骤，使用10，25和74信道的多尺度样本熵作为特征输入。

优选的，所述的利用选定的信道下的适当的尺度因子下的样本熵作为样本输入对癫痫脑皮层电图信号进行分类检测的步骤，选用支持向量机算法将发作状态转换为二分类问题。

优选的，所述的利用选定的信道下的适当的尺度因子下的样本熵作为样本输入对癫痫脑皮层电图信号进行分类检测的步骤，支持向量机所选用的核函数为线性函数、三次多项式或高斯函数。

有益效果：

本发明的一种基于多尺度样本熵的癫痫脑皮层电图信号的分类方法，包括信号获取与预处理模块、特征计算与提取模块、分类模块。信号获取与预处理模块主要对信号进行滤波与伪迹去除；特征计算与提取模块采用多尺度样本熵对正常脑皮层电图信号和癫痫脑皮层电图信号进行分析，并选取适当的信道与尺度因子作为特征输入；分类模块利用支持向量机对癫痫脑皮层电图信号进行分类检测，支持向量机算法将发作状态转换为二分类问题，降低了计算复杂度，同时具有良好的实时性。本发明可以用于癫痫的检测与预警，有很高的敏感度、特异性和准确率。

附图说明

下面结合附图对本发明的作进一步说明。

图1为癫痫发作期与发作间期的ECoG信号时域图

图2为尺度因子分别为2,3,4的样本熵作为特征输入SVM的区分率

图3为第25信道多尺度样本熵(左侧盒须表示癫痫发作间期，右侧盒须表示癫痫发作期)

图4为第25信道尺度因子位4样本熵分布图

图5为本发明方法的流程图

具体实施方式

实施例1

一种基于多尺度样本熵的癫痫脑皮层电图信号分类方法，包括以下步骤：

步骤一：对癫痫脑皮层电图信号预处理，利用CCA对信号进行去伪迹。

步骤二：对正常脑皮层电图信号和癫痫脑皮层电图信号进行多尺度样本熵分析，提取出反应信号的特性的对应信道下的合适尺度因子下的样本熵作为输入特征。

步骤三：利用选定的信道下的适当的尺度因子下的样本熵作为特征输入对癫痫脑皮层电图信号进行分类检测。

所述的癫痫脑皮层电图信号预处理的模块，采集频率为400Hz，每段的长度为1000点。

所述的癫痫脑皮层电图信号进行多尺度样本熵分析的步骤，选取的尺度因子为4，同时选取r＝0.15*std，m＝2。

所述的利用选定的信道下的适当的尺度因子下的样本熵作为样本输入对癫痫脑皮层电图信号进行分类检测的步骤，使用10，25和74信道的多尺度样本熵作为特征输入。

所述的利用选定的信道下的适当的尺度因子下的样本熵作为样本输入对癫痫脑皮层电图信号进行分类检测的步骤，选用支持向量机算法将发作状态转换为二分类问题。

所述的利用选定的信道下的适当的尺度因子下的样本熵作为样本输入对癫痫脑皮层电图信号进行分类检测的步骤，支持向量机所选用的核函数为线性函数、三次多项式或高斯函数。

在特征提取部分，计算出脑电的多尺度熵作为特征。

选取一定尺度因子下的多尺度熵组成特征向量作为SVM输入，从而实现了癫痫发作期ECoG与癫痫发作间期的分类，取得了理想的分类准确率。

所述多尺度样本熵，具体算法如下：

样本熵(SampEn)用来衡量一个系统的复杂度，对于给定的嵌入维m,阈值r,长度为N的数据，样本熵是非负的。因为当嵌入维为m时，两组同步数据的距离d小于r，那么嵌入维为m+1时两组同步数据的距离一定小于r。我们可以用SampEn(m,r,N)来表示。

现在假设我们有一组时域连续的长度为N的数据,N＝{x₁,x₂,x₃,…,x_N},当嵌入维数为m时，按顺序组成一组m维矢量x_m(i)＝{x_i,x_i+1,x_i+2,…,x_i+m-1}，定义矢量x_m(i)与x_m(j)之间的距离d[x_m(i),x_m(j)]为两者对应元素中差值最大的一个，即

d[x_m(i),x_m(j)]＝max[|x(i+k)-x(j+k)|],0≤k≤m-1,i≠j,1≤i,j≤N-m(1)

对于给定的阈值r，统计当嵌入维数为m和m+1时d[x_m(i),x_m(j)]＜r的个数并分别记为B和A，我们定义样本熵为

$SampEn=-log\frac{A}{B}---\left(2\right)$

从样本熵的定义可以看到，A总是比B小，所以SampEn(m,r,N)只能为正值。一个较小的样本熵说明数据有较大的自相似性或者有较小的噪声。通常我们取m的值为2，r的值为0.15*std，这里std代表标准偏差，

上述的样本熵其实是多尺度样本熵尺度因子δ＝1时的特殊情况，对于上述的时间序列N＝{x₁,x₂,x₃,…,x_N}，根据尺度因子δ对其进行粗粒化处理，其中1≤j≤N/δ构成粗粒化时间序列{y^(δ)}然后按照上述求样本熵的方法可以求得尺度因子为δ时的多尺度样本熵记为

$SampEn(m,r,\mathrm{\δ})=-log\frac{A_{\mathrm{\δ}}}{B_{\mathrm{\δ}}}---\left(3\right)$

其中求取A_δ与B_δ的方法与求样本熵中的A与B的方法相同，通常取m＝2,r＝0.15*std。

所述支持向量机，具体计算步骤如下：

支持向量机是一种线性分类器，是一个基于统计学理论提出的机器学习的方法。支持向量机构造一个或者多个超平面，这些超平面可能是高维的，甚至可能是无限维的。在进行分类时，将超平面放置在距离不同分类最远的位置。

假设特征空间被一个最优超平面分为两个区域，训练样本(x₁,y₁),...(x_i,y_l),x_i∈Rⁿ，y_i∈{-1,+1}表示类别号。如果y_i＝+1表示超平面正侧，则y_i＝-1表示超平面负侧。如果超平面：wgx+b＝0满足(1)y_i[(wgx_i)+b]-1≥0，i＝1,2,L,n；(2)||w||最小，即分类间隔最大，利用Lagrange优化方法可以把上述问题转化为在约束条件和α_i∈[0,C]；i＝1,L,l下，对α_i求解下列函数的最大值：

$Q\left(\mathrm{\α}\right)=\frac{1}{2}\underset{i=1}{\overset{l}{\Σ}}\underset{j=1}{\overset{l}{\Σ}}{\mathrm{\α}}_i{\mathrm{\α}}_j{y}_i{y}_{j}K(x_i,x_j)-\underset{i=1}{\overset{l}{\Σ}}{\mathrm{\α}}_i---\left(4\right)$

式中C为惩罚因子，即综合考虑最少错分样本和最大分类间隔，K(x_i,x_j)表示核函数，以高斯函数作为核函数为例，即利用上述约束条件求得的最优判别函数为

$f\left(x\right)=\mathrm{sgn}\left(\underset{i=1}{\overset{m}{\Σ}}{\mathrm{\α}}_i^{*}{y}_{i}K\right(x,x_i)+b^{*})---\left(5\right)$

其中m为支持向量的个数，α^*为支持向量系数，b^*为分类阈值。

样本熵能够从较短的时间序列中揭示ECoG信号的复杂性，抗干扰能力强，算法简单，计算速度较快。而加入尺度因子后，能更明显的反映出不同信号的复杂度差异。SVM对于二类问题有良好的分类效果，因此非常适合用于这一场合。

ECoG信号是采集自76个信道的时域信号，其中64个来自8×8的方形格子形状的采集器，该采集器放置在人脑的皮质层，另外12个分成两列放置在大脑的更深处。数据的采集频率是400Hz，并在0.5-50Hz之间滤波.图1给出了一段癫痫发作期与发作间期的ECoG信号的时域图。本次试验中将癫痫发作间歇期ECoG作为负类，癫痫发作期ECoG作为正类，分别用三个指标评价分类性能，特异性(specificity)、敏感度(sensitivity)和准确率(accuracy)。分别用Spec表示特异性，用Sen表示敏感度，Acc表示准确率，其中以准确率作为主要指标，三个指标的计算公式如下

$Sen=\frac{TP}{TP+FN}---\left(6\right)$

$Spec=\frac{TN}{TN+FP}---\left(7\right)$

$Acc=\frac{TP+TN}{TP+FP+TN+FN}---\left(8\right)$

其中TP(truepostive)真阳个数，表示正样本预测正确的个数，FN(falsenegative)表示被错分为负样本的正样本个数；FP(falsepostive)表示被错分为正样本的负样本个数；TN(truenegative)为被正确预测的负样本的个数。敏感性也被称为真正率，代表的是被模型正确分类的正样本比例，特异性也叫真负率，代表被模型正确分类的负样本比例。

取癫痫发作期ECoG与癫痫发作间期ECoG各8段作为训练样本，剩余的48段作为测试样本，分别取尺度因子为2,3,4的样本熵作为特征输入，在t检测为1的信道，输出的区分癫痫发作期ECoG与癫痫发作间期ECoG的正确率如图2所示，可见第4尺度样本熵作为输入特征的SVM有最好的SVM区分率，在10，25，74信道的分类准确率达到98％，说明在这些信道位置的癫痫发作期与癫痫发作间期ECoG的多尺度样本熵存在明显区别，下面对25信道做进一步的分析。

第25信道的ECoG信号多尺度样本熵的盒须图如图3所示，第4尺度因子的样本熵分布图如图4。从图中可以看出，当尺度因子大于2时，癫痫发作期ECoG与癫痫发作间期ECoG样本熵存在明显的区别，与当用尺度因大于2(3，4)的样本熵作为SVM特征输入时，SVM区分正确率达到98％的结论一致。SVM通过引入核函数，巧妙地解决了在高维空间中的内积运算，从而很好地解决了非线性分类问题。选择适当的核函数能提高SVM的区分效果，当选取把不同的核函数时，SVM对第25信道的癫痫发作期与发作间期ECoG信号的区分效果见表1，从表1可以看出，使用线性函数与高斯函数的效果最好，使用Sigmoid核函数的效果最差。

表1第25信道用尺度因子为4的样本熵作为SVM的特征输入使用不同核函数的区分情况

癫痫ECoG信号对癫痫研究具有重要价值，本发明使用多尺度熵对癫痫ECoG信号做出了详细的分析得出如下结论，癫痫发作期与发作间期ECoG在10,25和74信道的区别很大，说明这些信道的脑皮层附近可能是癫痫的病灶；在第10，25和74信道当使用尺度因子为4的样本熵作为SVM样本输入时，癫痫发作期与发作间期ECoG的区分率达到98％。

本发明的不局限于上述实施例所述的具体技术方案，凡采用等同替换形成的技术方案均为本发明要求的保护。

Claims (6)

1.一种基于多尺度样本熵的癫痫脑皮层电图信号分类方法，其特征在于：

步骤一：对癫痫脑皮层电图信号预处理，利用CCA对信号进行去伪迹，

步骤二：对正常脑皮层电图信号和癫痫脑皮层电图信号进行多尺度样本熵分析，提取出反应信号的特性的对应信道下的合适尺度因子下的样本熵作为输入特征，

步骤三：利用选定的信道下的适当的尺度因子下的样本熵作为特征输入对癫痫脑皮层电图信号进行分类检测。

2.根据权利要求1所述基于多尺度样本熵的癫痫脑皮层电图信号分类方法，其特征在于：所述的癫痫脑皮层电图信号预处理的模块，采集频率为400Hz，每段的长度为1000点。

3.根据权利要求1所述基于多尺度样本熵的癫痫脑皮层电图信号分类方法，其特征在于：所述的癫痫脑皮层电图信号进行多尺度样本熵分析的步骤，选取的尺度因子为4，同时选取r＝0.15*std，m＝2。

4.根据权利要求1所述基于多尺度样本熵的癫痫脑皮层电图信号分类方法，其特征在于：所述的利用选定的信道下的适当的尺度因子下的样本熵作为样本输入对癫痫脑皮层电图信号进行分类检测的步骤，使用10，25和74信道的多尺度样本熵作为特征输入。

5.根据权利要求1所述基于多尺度样本熵的癫痫脑皮层电图信号分类方法，其特征在于：所述的利用选定的信道下的适当的尺度因子下的样本熵作为样本输入对癫痫脑皮层电图信号进行分类检测的步骤，选用支持向量机算法将发作状态转换为二分类问题。

6.根据权利要求1所述基于多尺度样本熵的癫痫脑皮层电图信号分类方法，其特征在于：所述的利用选定的信道下的适当的尺度因子下的样本熵作为样本输入对癫痫脑皮层电图信号进行分类检测的步骤，支持向量机所选用的核函数为线性函数、三次多项式或高斯函数。