CN106137185A - 一种基于模板构造小波的癫痫特征波检测方法 - Google Patents
一种基于模板构造小波的癫痫特征波检测方法 Download PDFInfo
- Publication number
- CN106137185A CN106137185A CN201610465123.1A CN201610465123A CN106137185A CN 106137185 A CN106137185 A CN 106137185A CN 201610465123 A CN201610465123 A CN 201610465123A CN 106137185 A CN106137185 A CN 106137185A
- Authority
- CN
- China
- Prior art keywords
- wavelet
- epileptic
- wave
- mother function
- function
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7221—Determining signal validity, reliability or quality
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Psychology (AREA)
- Power Engineering (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种自动检测癫痫特征波的方法,包括如下步骤:1、从病人已有的癫痫发作脑电信号中提取一定数量的癫痫特征波;2、对于提取的每一个癫痫特征波,构造与该特征波相似的小波母函数,所有小波母函数构成小波母函数集合;3、从小波母函数集合中选取有代表性几个小波母函数用于自动检测阶段特征波的检测;4、针对小波母函数集合中的每一个小波母函数,对被检测信号进行连续小波变换,每个小波母函数对应一组变换系数;5、确定癫痫特征波出现的区域;6、确定每一个特征波的中心位置和该段信号中检测出的癫痫特征波数量。具有可以用于癫痫病人脑电信号中癫痫特征波的自动检测和实时监测以及减轻了医生繁重劳动等优点。
Description
技术领域
本发明涉及一种自动检测癫痫发作的方法,特别涉及一种基于模板构造小波的癫痫特征波检测方法,该检测方法是一种大脑癫痫棘波的检测方法。
背景技术
脑电图使用现代电子放大技术,从放置在头皮上的电极描记出脑神经细胞的自发生物电活动,通过脑电图仪加以放大后记录脑电波形。脑电图检查除能发现脑器质性病变外,更主要能反映神经细胞的电生理功能。临床上有典型癫痫发作的患者,大部分可以在脑电检查中发现癫痫样特征波。癫痫样特征波主要有以下几种:棘波(或尖波)、棘(或尖)慢复合波、以及多棘波群等。因此,癫痫脑电的检测,主要是脑电信号中棘波的检测。传统的棘波检测方法主要分为五种:第一种是利用经典的信号处理技术、假设正常脑电是平稳信号,可以看作是一个具有特定参数的滤波器的输出(输入为白噪声),而把癫痫脑电信号看作是非平稳信号。脑电信号通过非线性滤波器,将结果与输入信号作比较,如果二者之差小于所设定的阈值,则输入是正常的EEG,否则,输入是癫痫特征信号。非线性滤波技术的优点是对噪声有较好的抑制,缺点是当EEG信号特性随时间改变而滤波器参数保持不变,则滤波器性能会受到影响。第二种是模板匹配法,其基本思想是在癫痫特征波构成的一个模板集中,当一段EEG信号与其中的某一个的模板的互相关系数超过一个阈值,则标记此段EEG信号的为癫痫活动。由于癫痫波形的复杂性,定义一个适合普通病例的模板集合是十分困难的。第三种方法是拟态法,将EEG信号分解为“半波”,提取相对于背景活动的特征参数,通过这些参数来识别棘波和非棘波。拟态法通过提取特征来分析波形,大大减少了数据量,但是棘波定义的模糊性以及伪差波形的不规则性,给棘波的特征提取和判别带来了较大的困难。目前较多应用小波变换方法,直接计算脑电信号的时频特征获得脑电图中的锐变点,即棘波。应用小波变换进行棘波检测的主要问题是母小波的选择,一般选取形状近似于棘波的母小波较好(如Dabechies小波)。
脑电图中的癫痫波形的自动检测在临床上有十分重要的意义。然而,自动检测这种癫痫瞬态特征十分困难,自动检测的困难在于:第一,所谓的癫痫特征波并没有一个明确的标准,癫痫特征波形与正常脑电之间的差别基本上是相对的、模糊的;第二,脑电信号是一个非线性时变信号。事实上,无论是从时域还是从频域上都很难严格定义一个棘波。因此不论是基于脑电波形分析的时域自动检测方法还是利用参数模型的频域检测方法,实际应用都存在不可避免的困难。
发明内容
本发明目的在于针对现有技术的不足,提供一种基于模板构造小波的癫痫特征波检测方法,该检测方法是一种利用病人癫痫发作时的特征波模板构造小波母函数来自动检测癫痫发作的方法,该检测方法提供了基于病人癫痫发作时的脑电特征波模板实现对病人长期脑电信号的监测,确定癫痫发作的时间,并可以对日常临床数据进行检测,减少了视觉检查过程。
本发明的目的通过以下技术方案实现:一种基于模板构造小波的癫痫特征波检测方法,包括如下步骤:
(1)在样本处理阶段,从病人已有的癫痫发作脑电信号中提取一定数量的癫痫特征波;
(2)在样本处理阶段,对于提取的每一个癫痫特征波,构造与该特征波相似的小波母函数,所有小波母函数构成小波母函数集合;
(3)在样本处理阶段,从小波母函数集合中选取有代表性几个小波母函数用于自动检测阶段特征波的检测;
(4)在自动检测阶段,针对小波母函数集合中的每一个小波母函数,对被检测信号进行连续小波变换,每个小波母函数对应一组变换系数;
(5)在自动检测阶段,对多组变换系数进行数据融合,对融合后的结果设置合适的阈值进行分类,确定癫痫特征波出现的区域;
(6)在自动检测阶段,根据检测出的癫痫特征波的区域,确定每一个特征波的中心位置和该段信号中检测出的癫痫特征波数量。
从已有的癫痫发作信号中提取所述的癫痫特征波模板。
根据所述的癫痫特征波模板构造相应的小波母函数,并构成小波母函数集合。
采用向量夹角的余弦值作为从所述的小波母函数集合中选取有代表性的小波母函数的标准,所述选取用于自动检测阶段的小波母函数的选取标准为计算每一小波母函数与所有集合中小波母函数的向量夹角的余弦值的平均值:
其中,coef<waveletFuni,waveletFunj>为所述构造的小波母函数waveletFuni与waveletFunj的向量夹角的余弦值,N为根据病人原始脑电信号中的癫痫特征波构造的小波母函数的个数。
采用所述的连续小波变换作为检测工具,并且所述的连续小波变换采用的小波基函数是由所述的癫痫特征波构造的。
采用多个小波对被检测信号进行小波变换,并采用所述的数据融合方法对多组变换系数进行处理;所述的数据融合方法为:
WT=max(WT1,WT2…,WTL),
其中,WT1,WT2…,WTL为L个小波变换系数矩阵,对应于L个小波母函数的小波变换系数。
所述的检测出的癫痫特征波的区域是指经所述的数据融合后的变换矩阵中的元素,大于所述的合理的阈值的位置,该系数矩阵位置的对应的列代表该癫痫特征波出现的时域坐标,该系数矩阵位置的对应的行代表对应的小波变换的尺度;将所述的经数据融合后系数矩阵显示在一张图上,能清晰显示检测出的每个癫痫特征波的位置。
本发明方法根据癫痫病人已有的脑电信号,从中提取癫痫发作的有用信息,实现病人脑电信号中癫痫特征波的自动检测。本发明方法主要包括两个阶段:样本处理阶段和自动检测阶段。
在样本处理阶段通过如下的技术方案实现:
(1)根据该病人已有的癫痫发作脑电信号,提取一定数量的癫痫特征波,构成癫痫特征波集合。
(2)根据提取的每一个癫痫特征波,根据小波构造理论,构造与特征波相似的小波母函数,所有小波母函数构成小波母函数集合。
(3)从小波母函数集合中选取有代表性几个小波母函数用于自动检测阶段特征波的检测。
所述提取一定数量的癫痫特征波,是在病人已有的脑电信号中根据医师诊断标记出的一些癫痫特征波,为方便操作,提取的癫痫特征波长度一致,一般任意选取20~30个这样的癫痫特征波即可。
所述需要构造的小波母函数是指一个平方可积函数,其傅里叶变换满足条件:
其中,ω为频率,Ψ(ω)为小波母函数的傅里叶变换,上式表示在所有频率R上的积分为有限值。
小波母函数在时间、频率域具有有限或近似有限的定义域,将小波母函数进行伸缩和平移后,设小波母函数伸缩因子(又称尺度因子)为a,平移因子为τ,小波母函数平移伸缩后的函数为则有:
在时、频域仍是局部性的,t为时间,对于不同的尺度a,具有不同的频域特性。Matlab软件提供了根据原信号构造小波母函数的函数,设置好相应的参数,可以构造出相应的小波母函数。
所述从小波母函数集合中选取有代表性的几个小波,是指小波母函数集合中的小波母函数大多数之间相似度很高,直接使用进行自动检测,产生大量计算的同时没有明显提高检测准确率,因此需要从小波母函数集合中消除这种情况,保证剩余的小波母函数具有代表性,对于小波母函数之间的相似度,用向量之间夹角的余弦值衡量:
x代表第一个向量,y代表第二个向量,||x||为第一个向量x的模长,||y||代表第二个向量y的模长,上述计算结果coef<x,y>代表第一个向量x与第二个向量y的余弦值,反映第一个向量x与第二个向量y的相似程度,越接近1表示相似度越高。计算小波母函数集合中每一个小波母函数与其他母函数的向量夹角的平均值AvgCoefi:
其中,N为提取的癫痫特征波的数量,waveletFuni为小波母函数集合中第i个小波母函数,waveletFunj为小波母函数集合中第j个小波母函数。具有代表性的小波母函数,理论上应该满足:与其他小波母函数的平均相似度尽可能高。以此作为从小波母函数集合中选取有代表性小波母函数的参考标准。
在自动检测阶段通过如下的技术方案实现:
(1)针对小波母函数集合中的每一个小波母函数,对被检测信号进行连续小波变换,每个小波母函数对应一组变换系数。
(2)针对多组变换系数,采用数据融合方法,得到融合后的一组变换系数。
(3)设置合适的阈值进行分类,变换系数大于阈值的区域检测出癫痫特征波。
(4)由检测到癫痫特征波的区域计算出每一个癫痫特征波的中心位置和该段信号中出现的癫痫特征波总数。
所述对被检测信号进行连续小波变换采取以下的方法:
其中,WTf(a,b)为所得小波变换系数,f(t)为被检测信号,t为时间,是小波母函数经过尺度变化和平移后的一系列小波基函数(其中尺度为a,平移为b),是的展开式。所得小波变换与被检测信号的长度相同,实质反映的是小波函数与被检信号的相似度,相似度越大,所得的小波变换系数越大。同时,为了消除被检信号幅值对小波变换系统的影响,在计算小波变换系数时进行归一化操作:
其中,WTf(a,b)是计算的此前计算的小波变换系数,||f(t)||为被检测信号在对应尺度a和平移b条件下对应的信号片段的模。这样所得的归一化后的小波变换系数wtf(a,b)满足:
wtf(a,b)∈[-1,1],
其中,wtf(a,b)为经归一化处理的小波变换系数。系数绝对值越接近1,表明被检测信号与对应尺度变换下的小波基函数越相似。
所述针对每一个小波函数得到的小波变换系数采用数据融合的方法如下:
假设已经按所述方法提取到n个与已提取的癫痫模板相似的小波函数pat1,pat2…,patn,以及采用它们对被检信号进行小波变换的系数矩阵取小波变换系数的最大值作为数据融合的结果:
其中,是n个归一化后的小波变换系数,是基于对应的小波函数pat1,pat2…,patn所得的小波变换系数,所述的这些小波变换系数均为维度相同的矩阵,max函数对矩阵每一个位置上的元素取最大值进行数据融合。所述设置合适的阈值对有无癫痫特征波进行分类是指针对经过数据融合后的变换系数矩阵设置一个分界值。当变换系数大于该分界值时,该位置检测出癫痫特征波。
所述计算每一个癫痫特征波的中心位置和该段信号中检测出的癫痫特征波的总数是指根据检测到的癫痫特征波的区域(反映在融合后的变换系数矩阵的某些区域大于所设阈值),通过循环查找的方式(在具体实施例中具体阐述),找出每一个区域的中心位置,也就是癫痫特征波出现的时间点,然后统计该段信号检测出的癫痫特征波的数量。
本发明是一种结合模板匹配法和小波变换来实现自动检测癫痫特征波的方法,检测癫痫特征波主要分为样本处理阶段和自动检测阶段两个阶段完成。在样本处理阶段,根据癫痫病人已有的脑电发作信号提取一定数量的癫痫特征波模板,然后根据这些癫痫特征波模板构造与其相似的小波母函数,所有的小波母函数构成小波母函数集合,最后小波母函数集合中选取有代表性的几个小波母函数用于新的病人脑电信号中癫痫特征波的检测。在自动检测阶段,分别用样本处理阶段选出的具有代表性的小波母函数对被检测信号进行连续小波变换,每个小波母函数对应一组变换系数,然后采用数据融合的方式综合对这几组小波变换系数进行处理,设置合适的阈值就可以确定癫痫特征波所在的区域,最后根据检出癫痫特征波区域确定每一个癫痫特征波的中心位置和该段信号的检测出的癫痫特征波数量。本发明可以用于癫痫病人脑电信号中癫痫特征波的自动检测和实时监测,对患者诊断和减轻医生繁重劳动有很重要的意义。
本发明相对于现有技术具有如下的优点和效果:
(1)本发明采用的时域分析方法是连续小波变换。一方面,小波变换能够获取脑电信号在时域和频域的信息,对成功定位癫痫发作特征波出现的位置有很重要的作用;另一方面,连续小波变换相比离散小波变换,在小波变换尺度的选择上有更大的灵活性(离散小波变换的尺度选择只能是2的整数次幂而连续小波变换能够取任意整数的变换尺度),由于小波变换实质是小波函数与原信号的相似程度,更加灵活地选择尺度,能够使构造的小波函数在尺度变换后与被检测脑电信号的相似性更大,有助于提高检测的准确性
(2)本发明成功的结合了在癫痫特征波检测中模板匹配法和小波变换方法的优势。模板匹配法有很好的针对性,但由于不同病人的癫痫特征波存在幅值和频率上的差异,很难寻找适合普通病例的模板集合;小波变换方法具有时频方面的优秀性质,能够通过尺度的变化伸缩小波函数,能够克服模板匹配法的不足,同时模板匹配法提取的特征波模板集可以用来构造适合用于癫痫发作特征波检测的小波母函数,克服了一些已经存在的小波母函数(如Dabechies小波)的不足。因此将这两种方法结合,能够很好地提高检测的准确性。
附图说明
图1为本发明的工作流程示意图。
图2为根据癫痫特征波信号构造的对应的小波母函数波形图。
图3a为从小波母函数集合中选取的用于自动检测阶段的第1个小波母函数。
图3b为从小波母函数集合中选取的用于自动检测阶段的第2个小波母函数。
图3c为从小波母函数集合中选取的用于自动检测阶段的第3个小波母函数。
图3d为从小波母函数集合中选取的用于自动检测阶段的第4个小波母函数。
图4a为一段癫痫病人的原始脑电信号(含癫痫特征波)的信号波形。
图4b为利用样本处理阶段构造的小波函数进行连续小波变换所得的变换系数结果图。
图5a一段癫痫病人的原始脑电信号(含癫痫特征波)的信号波形。
图5b为一段癫痫发作信号用小波母函数集合中的每一个小波母函数进行连续小波变换、数据融合、阈值分类后的结果图。
图6为计算每一个癫痫特征波出现的中心位置的流程图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例
如图1所示,为本发明的工作流程示意图。
本发明的工作流程分为两个部分:样本处理阶段和自动检测阶段。样本处理阶段主要根据癫痫病人以前的数据,提取发作特征波集合并构造对应的小波母函数;自动检测阶段主要根据样本处理阶段构造的小波母函数集,对被检测信号进行小波变换,并对小波变换系数进行数据融合并设置阈值来实现对病人癫痫特征波的自动检测。
样本处理阶段:
(1)在步骤101,根据医师已经确定的癫痫发作区域信号中,提取20~30个癫痫特征波,构成该病人的癫痫发作特征波模板。为后续步骤的操作方便,对于同一个病人,提取的所有癫痫特征波长度一致(本实施例中癫痫特征波长度为101),且波峰(或波谷)位于信号的正中间(即波峰位置为该特征波的中心位置)。
(2)在步骤102,根据步骤101中提取的每一个癫痫特征波FeatureWavei,构造与该癫痫特征波相似,满足小波的条件的小波函数WaveletFuni,构造方法如下:
(2-1)小波函数的性质,即一个信号f(t)是小波函数必须满足以下两个条件:
∫Rf(t)=0,||f(t)||2=1
其中,∫Rf(t)是小波函数的均值,||f(t)||2为小波函数的能量。
(2-2)构造与步骤101中提取的癫痫特征波模板FeatureWavei对应的小波母函数WaveletFuni的优化问题为:
目标函数:min||WaveletFuni-FeatureWavei||2,
约束条件:E(WaveletFuni)=1,||WaveletFuni||2=1,
其中,E(WaveletFuni)是待构造的小波函数的均值,||WaveletFuni||2是小波函数的能量,目标函数min||WaveletFuni-FeatureWavei||2为待构造小波函数WaveletFuni与癫痫特征波模板FeatureWavei误差的二范数的最小值。
(2-3)根据上述优化问题,得出优化问题的解,即构造出与病人癫痫特征波相似的小波函数。Matlab软件提供了求解上述优化问题的函数pat2cwav,将癫痫特征波作为参数输入,设置好选项,pat2cwav函数会输出上述优化条件的解。
如图2所示为利用提取一个癫痫特征波构造的小波函数的结果图,其中实线表示原癫痫特征波信号,虚线表示构造的小波函数。
(3)在步骤103,从步骤102中构造的小波母函数集合中选出代表性的一组小波函数。由于同一病人发作时的癫痫特征波有很多是十分相似的,然后通过步骤101和步骤102构造的小波函数集中存在冗余,因此这一步的目的是去除冗余性,选择具有代表性的几个小波函数,减少后面实时检测阶段的计算量。
求取所述步骤102中构造出的含有20个小波母函数的集合中每一个小波母函数与其他母函数向量夹角的余弦值coef<waveletFuni,waveletFunj>:
其中,waveletFuni是基于第i个癫痫特征波模板FeatureWavei构造的小波母函数,waveletFunj是基于第j个癫痫特征波模板FeatureWavej构造的小波母函数,||waveletFuni||是小波母函数waveletFuni的向量模长,||waveletFunj||是小波母函数waveletFunj的向量模长。然后针对所述的每一个小波母函数,计算该小波母函数与其他小波母函数量夹角的余弦值的平均值AvgCoefi:
其中coef<waveletFuni,waveletFunj>为所述构造的第i个小波母函数waveletFuni与第j个小波母函数waveletFunj的向量夹角的余弦值。
从AvgCoefi(i=1,2,…,20)选出最大的两个,作为该小波母函数中具有代表性的2个小波母函数。为了取得更好地检测效果,可以从剩余的18个小波母函数中选取与上述2个小波母函数相似度较低(向量夹角余弦值较小)的小波母函数作为补充,选取1~2个即可。如图3a、图3b、图3c和图3d所示是按照上述方法选出的4个小波母函数,前两个为所述最具代表性(AvgCoef值最大)的小波母函数,后两个作为补充,与前两个的相似度相对较低。这四个小波母函数一同组成用于自动检测阶段的小波母函数集。
自动检测阶段:
(a)在步骤201,分别用样本处理阶段构造的小波函数集中的每一个小波函数对被检测的该段脑电信号进行连续小波变换。对于样本处理阶段构造的小波函数集中的每一个小波函数,得到一组小波变换系数。
(a-1)所采用的连续小波变换的方法如下:
其中,t为时间,为样本处理阶段构造的小波母函数waveletFuni经过尺度变换和平移(尺度为a,平移时间为b)的结果,s(t)为被检测信号。WTi(a,b)为小波函数waveletFuni在尺度为a,平移为b的变换系数,它是通过原信号s(t)与经尺度和平移变换后的小波函数求内积得到。
对被检测脑电信号进行小波变换,得到一个系数矩阵WTi,该矩阵每一行长度与被检测信号相同,代表对应尺度下的小波变换系数。
(a-2)小波变换系数实质反映的是被检测脑电信号与用癫痫特征波模板构造的小波函数的相似度,为了消除被检测脑电信号幅值对小波变换系数的影响(即不应该出现两个与小波函数同样相似的波形,因为信号幅值上存在的差异而导致的小波变换系数差异),需要对小波变换系数进行归一化处理:
如图4a所示,是癫痫病人的原始脑电信号(含癫痫特征波)的信号波形,该段信号是癫痫病人发作时的脑电信号,长度为3500,信号中含有多个癫痫特征波(棘波);如图4b所示,是利用样本处理阶段构造的小波函数进行连续小波变换所得的变换系数结果图,图的纵坐标表示时域范围,与原信号长度相同,纵坐标代表尺度,范围是20~180。由于在样本处理阶段构造的小波函数时域范围为[0,1](此时对应尺度a=1,也就是信号不进行伸缩),尺度范围设置为20~80表明将小波函数伸展为长度为20~180,再经过平移后与原信号进行内积运算,所得的系数为即为该尺度下的小波变换系数。图4b中小波系数的计算经过所述的归一化处理,范围为[0,1],颜色越深的部分系数越接近1,系数小于0.5未显示。图4b中显示,在癫痫特征波出现的位置,相应小波变换系数值也越大(颜色越深)。
对被检测信号s依次使用所述样本处理阶段构造并选出的小波函数集合中的每一个小波函数waveletFuni进行所述连续小波变换,求出对应的小波变换系数WTi。
(b)在步骤202,将步骤201中得出的对应于每一个小波母函数的小波变换系数WT1,…,WTL进行数据融合处理,数据融合的处理方式为选取这些小波变换系数的最大值WT:
WT=max(WT1,WT2…,WTL),
其中,WT1,WT2…,WTL为步骤201中得出的L个小波变换系数,max函数对这些系数取最大值。最大值的意义在于,从该小波母函数集中,选取与原信号最相似的一个小波母函数作为结果。
(c)在步骤203,根据步骤202中数据融合的结果,设置一个合理的阈值threshold,按如下决策,即可检测癫痫特征波:
其中,WT为在步骤202中对小波变换系数WT1,…,WTL进行数据融合的结果,threshold为所设定的阈值。只保留小波变换系数矩阵WT中大于或等于阈值的部分,把WT中小于阈值threshold的值全部置0,显示在图中可以明显看出检测到的癫痫特征波的位置。
如图5a所示,是癫痫病人的原始脑电信号(含癫痫特征波)的信号波形,与图4a所示中的原始脑电信号一致。图5b显示该信号经过所述实时检测阶段步骤201的操作后,按所述步骤202对各组变换系数取最大值,并设置0阈值为0.85时所得的结果,如图5b所示,中有黑色出现区域对应数据融合后的结果大于0.85的位置,这些区域在时域上几乎与原始信号中癫痫特征波出现的位置一致。
(d)在步骤204,对于一段待检测的脑电信号,经过步骤201~203,由变换系数大于阈值的区域(图5b所示)计算该段脑电信号中检测出的癫痫特征波的个数和每一个癫痫特征波的中心位置,具体及计算方法如下:
对于经过阈值处理后的变换系数矩阵WT,对每一列取出其最大值mwti,i=1,2,…,m(m为被检测脑电信号的长度)及最大值mwti对应的小波变换尺度值scalei,i=1,2,…,m(m为被检测脑电信号的长度),所有的最大值和尺度值各构成一个行向量:
系数最大值向量:mwt=[mwt1,mwt2,…,mwtm],
对应的尺度向量:scale=[scale1,scale2,…,scalem],
其中,m为经过阈值处理后的变换系数矩阵WT的列数,mwti为经过阈值处理后的变换系数矩阵WT的第i列取最大值的结果,scalei为矩阵WT第i列取得最大值mwti所对应的行(尺度,最大值不止一个时取最小的尺度)。然后根据如图6所示的流程找出该段脑电信号中被检测出的每一个癫痫特征波的位置(时域位置,也就是该段信号的第几个点)和癫痫特征波总数:
此流程方法每一次循环找出一个癫痫特征波的中心位置index,此时,根据小波理论,该位置的癫痫特征波长度等于对应的尺度值s。对于中心位置为index的癫痫特征波,在[index-s/2,index+s/2]范围内不会有另一个癫痫特征波出现,因此将[index-s/2,index+s/2]范围内的系数最大值向量mwt置0,即:
mwt(i)=0,i∈[index-s/2,index+s/2],
通过求最大系数向量mwt的最大值m继续寻找下一个癫痫特征波的中心位置,直至该最大值m为0,也就找到所有的癫痫特征波的中心位置。
本发明方法利用模板匹配法、连续小波变换和数据融合技术等方法来自动检测癫痫特征波,确定癫痫发作区域。该方法利用了模板匹配法提取病人癫痫特征波模板,并结合小波变换在时频上的优势,构造与癫痫特征波模板相似的小波函数,组成小波函数集合,并采用数据融合的方法对采用这些小波函数进行小波变换所得的变换系数进行综合,设定一个合理的阈值,就可以检测出癫痫特征波出现的位置。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (7)
1.一种基于模板构造小波的癫痫特征波检测方法,其特征在于,包括如下步骤:
(1)在样本处理阶段,从病人已有的癫痫发作脑电信号中提取一定数量的癫痫特征波;
(2)在样本处理阶段,对于提取的每一个癫痫特征波,构造与该特征波相似的小波母函数,所有小波母函数构成小波母函数集合;
(3)在样本处理阶段,从小波母函数集合中选取有代表性几个小波母函数用于自动检测阶段特征波的检测;
(4)在自动检测阶段,针对小波母函数集合中的每一个小波母函数,对被检测信号进行连续小波变换,每个小波母函数对应一组变换系数;
(5)在自动检测阶段,对多组变换系数进行数据融合,对融合后的结果设置合适的阈值进行分类,确定癫痫特征波出现的区域;
(6)在自动检测阶段,根据检测出的癫痫特征波的区域,确定每一个特征波的中心位置和该段信号中检测出的癫痫特征波数量。
2.根据权利要求1所述的基于模板构造小波的癫痫特征波检测方法,其特征在于,从已有的癫痫发作信号中提取所述的癫痫特征波模板。
3.根据权利要求1所述的基于模板构造小波的癫痫特征波检测方法,其特征在于,根据所述的癫痫特征波模板构造相应的小波母函数,并构成小波母函数集合。
4.根据权利要求1所述的基于模板构造小波的癫痫特征波检测方法,其特征在于,采用向量夹角的余弦值作为从所述的小波母函数集合中选取有代表性的小波母函数的标准,所述选取用于自动检测阶段的小波母函数的选取标准为计算每一小波母函数与所有集合中小波母函数的向量夹角的余弦值的平均值:
其中,coef<waveletFuni,waveletFunj>为所述构造的小波母函数waveletFuni与waveletFunj的向量夹角的余弦值,N为根据病人原始脑电信号中的癫痫特征波构造的小波母函数的个数。
5.根据权利要求1所述的基于模板构造小波的癫痫特征波检测方法,其特征在于,采用所述的连续小波变换作为检测工具,并且所述的连续小波变换采用的小波基函数是由所述的癫痫特征波构造的。
6.根据权利要求1所述的基于模板构造小波的癫痫特征波检测方法,其特征在于,采用多个小波对被检测信号进行小波变换,并采用所述的数据融合方法对多组变换系数进行处理;所述的数据融合方法为:
WT=max(WT1,WT2…,WTL),
其中,WT1,WT2…,WTL为L个小波变换系数矩阵,对应于L个小波母函数的小波变换系数。
7.根据权利要求1所述的基于模板构造小波的癫痫特征波检测方法,其特征在于,所述的检测出的癫痫特征波的区域是指经所述的数据融合后的变换矩阵中的元素,大于所述的合理的阈值的位置,该系数矩阵位置的对应的列代表该癫痫特征波出现的时域坐标,该系数矩阵位置的对应的行代表对应的小波变换的尺度;将所述的经数据融合后系数矩阵显示在一张图上,能清晰显示检测出的每个癫痫特征波的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610465123.1A CN106137185A (zh) | 2016-06-21 | 2016-06-21 | 一种基于模板构造小波的癫痫特征波检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610465123.1A CN106137185A (zh) | 2016-06-21 | 2016-06-21 | 一种基于模板构造小波的癫痫特征波检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106137185A true CN106137185A (zh) | 2016-11-23 |
Family
ID=57353725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610465123.1A Pending CN106137185A (zh) | 2016-06-21 | 2016-06-21 | 一种基于模板构造小波的癫痫特征波检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106137185A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109497997A (zh) * | 2018-12-10 | 2019-03-22 | 杭州妞诺科技有限公司 | 基于多数据采集的癫痫发作检测设备及预警系统 |
CN109934089A (zh) * | 2018-10-31 | 2019-06-25 | 北京航空航天大学 | 基于监督梯度提升器的多级癫痫脑电信号自动识别方法 |
CN110811609A (zh) * | 2019-10-28 | 2020-02-21 | 杭州电子科技大学 | 基于自适应模板匹配与机器学习算法融合的癫痫棘波智能检测方法 |
CN112022151A (zh) * | 2020-07-31 | 2020-12-04 | 华南师范大学 | 一种脑电棘慢波的处理及识别方法 |
CN112741636A (zh) * | 2020-12-17 | 2021-05-04 | 浙江大学 | 一种基于多位点同步性变化的颞叶癫痫检测系统 |
CN116340735A (zh) * | 2023-05-30 | 2023-06-27 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种基于长视野特征融合的棘波检测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101259016A (zh) * | 2007-03-06 | 2008-09-10 | 李小俚 | 实时自动检测癫痫特征波的方法 |
CN102429657A (zh) * | 2011-09-22 | 2012-05-02 | 上海师范大学 | 一种癫痫脑电信号分类检测装置及方法 |
WO2014039790A1 (en) * | 2012-09-07 | 2014-03-13 | Children's Medical Center Corporation | Detection of epileptogenic brains with non-linear analysis of electromagnetic signals |
US20140358025A1 (en) * | 2013-05-29 | 2014-12-04 | Keshab K. Parhi | System and apparatus for seizure detection from EEG signals |
CN104757968A (zh) * | 2014-08-08 | 2015-07-08 | 沈阳工业大学 | 儿童失神性癫痫发作情况的中间数据统计评价方法 |
CN105640549A (zh) * | 2016-03-18 | 2016-06-08 | 杭州妞诺科技有限公司 | 脑电癫痫信号记录分析仪及其检测方法 |
-
2016
- 2016-06-21 CN CN201610465123.1A patent/CN106137185A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101259016A (zh) * | 2007-03-06 | 2008-09-10 | 李小俚 | 实时自动检测癫痫特征波的方法 |
CN102429657A (zh) * | 2011-09-22 | 2012-05-02 | 上海师范大学 | 一种癫痫脑电信号分类检测装置及方法 |
WO2014039790A1 (en) * | 2012-09-07 | 2014-03-13 | Children's Medical Center Corporation | Detection of epileptogenic brains with non-linear analysis of electromagnetic signals |
US20140358025A1 (en) * | 2013-05-29 | 2014-12-04 | Keshab K. Parhi | System and apparatus for seizure detection from EEG signals |
CN104757968A (zh) * | 2014-08-08 | 2015-07-08 | 沈阳工业大学 | 儿童失神性癫痫发作情况的中间数据统计评价方法 |
CN105640549A (zh) * | 2016-03-18 | 2016-06-08 | 杭州妞诺科技有限公司 | 脑电癫痫信号记录分析仪及其检测方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934089A (zh) * | 2018-10-31 | 2019-06-25 | 北京航空航天大学 | 基于监督梯度提升器的多级癫痫脑电信号自动识别方法 |
CN109934089B (zh) * | 2018-10-31 | 2020-10-23 | 北京航空航天大学 | 基于监督梯度提升器的多级癫痫脑电信号自动识别方法 |
CN109497997A (zh) * | 2018-12-10 | 2019-03-22 | 杭州妞诺科技有限公司 | 基于多数据采集的癫痫发作检测设备及预警系统 |
CN110811609A (zh) * | 2019-10-28 | 2020-02-21 | 杭州电子科技大学 | 基于自适应模板匹配与机器学习算法融合的癫痫棘波智能检测方法 |
CN112022151A (zh) * | 2020-07-31 | 2020-12-04 | 华南师范大学 | 一种脑电棘慢波的处理及识别方法 |
CN112022151B (zh) * | 2020-07-31 | 2023-11-14 | 华南师范大学 | 一种脑电棘慢波的处理及识别方法 |
CN112741636A (zh) * | 2020-12-17 | 2021-05-04 | 浙江大学 | 一种基于多位点同步性变化的颞叶癫痫检测系统 |
CN112741636B (zh) * | 2020-12-17 | 2022-06-10 | 浙江大学 | 一种基于多位点同步性变化的颞叶癫痫检测系统 |
CN116340735A (zh) * | 2023-05-30 | 2023-06-27 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种基于长视野特征融合的棘波检测方法及系统 |
CN116340735B (zh) * | 2023-05-30 | 2023-08-11 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种基于长视野特征融合的棘波检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106137185A (zh) | 一种基于模板构造小波的癫痫特征波检测方法 | |
CN104523266B (zh) | 一种心电信号自动分类方法 | |
Karpagachelvi et al. | ECG feature extraction techniques-a survey approach | |
CN109117730B (zh) | 心电图心房颤动实时判断方法、装置、系统及存储介质 | |
CN105411565B (zh) | 基于广义尺度小波熵的心率变异性特征分类方法 | |
CN103156599B (zh) | 一种心电信号r特征波检测方法 | |
CN103690156B (zh) | 一种心率获取方法及心电信号的处理方法 | |
EP3672474A1 (en) | A method of detecting abnormalities in ecg signals | |
CN103284702A (zh) | 心电图和脉搏波关系分析及融合分析的方法和装置 | |
CN105320969A (zh) | 基于多尺度Renyi熵的心率变异性特征分类方法 | |
CN108056773A (zh) | 基于改进变分模态分解的心电信号qrs波群检测算法 | |
CN110338786A (zh) | 一种癫痫样放电的识别与分类方法、系统、装置和介质 | |
CN104473631B (zh) | 一种基于非负盲分离胎儿心电瞬时心率识别方法及系统 | |
CN109934089A (zh) | 基于监督梯度提升器的多级癫痫脑电信号自动识别方法 | |
CN106344006A (zh) | 基于极点对称模态分解和支持向量机的j波检测方法 | |
CN103006206B (zh) | 一种微伏级t波交替的定量检测方法 | |
CN100493445C (zh) | 中医脉象特征参数自动检测方法 | |
CN104840186A (zh) | 一种充血性心力衰竭患者自主神经功能的评估方法 | |
CN104305992B (zh) | 一种交互式胎儿心电快速自动提取方法 | |
CN111202512A (zh) | 一种基于小波变换与dcnn的心电图分类方法和装置 | |
CN109452938A (zh) | 一种基于多尺度多重分形的hfecg信号特征频率检测方法 | |
CN109044348A (zh) | 房颤检测装置及存储介质 | |
CN112932498A (zh) | 一种基于深度学习的强泛化能力的t波形态分类系统 | |
Behbahani et al. | Detection of QRS complexes in the ECG signal using multiresolution wavelet and thresholding method | |
Li et al. | A novel abnormal ECG beats detection method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161123 |
|
RJ01 | Rejection of invention patent application after publication |