CN107693014A - 一种基于词袋模型和极限学习机的癫痫发作预警方法 - Google Patents

Abstract

本发明公开一种基于词袋模型和极限学习机的癫痫发作预警方法，将采集的多电极脑电进行预处理；将癫痫前期和癫痫间期的脑电信号片段分别进行聚类并做成两个字典，构成了癫痫脑电信号的局部表达；将一个时间窗内的局部信号投影到做好的字典上，提取时间窗内的直方图作为其特征；将顺序的多个时间窗的特征序列连接起来，考虑序列的特征；将提取到的序列特征输入极限学习机(ELM)中，分类输入序列为癫痫前期或癫痫间期；若分类为癫痫前期，则发出警报，若分类为癫痫间期，则报告正常。

Description

一种基于词袋模型和极限学习机的癫痫发作预警方法

技术领域

本发明涉及癫痫发作预警领域，特别涉及一种基于词袋模型和极限学习机的癫痫发作预警方法。

背景技术

癫痫是仅次于中风的第二大常见的神经系统疾病。统计数据表明，全球有近5000万癫痫患者，在发展中国家就有4000万，而我国的癫痫患者超过900万人，且在以每年40万的速度增加。癫痫的发作是对患者巨大的折磨，且发作期间难以控制的行为可能对病人造成额外的伤害。癫痫的发作具有反复的特点，且发作时间没有明显规律。脑电信号直接采集大脑不同区域的电压变化，是大脑活动的直接反映，是癫痫发作预警的关键信号源。因此，如何提取脑电信号中癫痫发作相关信息，从而在癫痫发作前做出预警，以便医生及时采取措施抑制或缓解癫痫发作，一直是癫痫领域研究的热点。

研究表明，癫痫发作前患者的一些生理信号会产生变化，且癫痫的发作更可能是一个较长时间的演化过程，因此可以通过检测这些变化对于癫痫的发作进行预测。而临床应用中，有经验的医师可以通过患者脑电信号的特点对癫痫的发作做出数分钟或数秒钟的预测。这些临床的经验为基于脑电信号的癫痫预测提供了脑电处理的方向，但人工仍然很难对于长时间的复杂信号做出较准确的分析。利用计算机对于癫痫发作的前期进行预警可以提前癫痫预测的时间，发现癫痫发作中脑电信号变化的新模式。

癫痫的发作分为间期、前期、发作期、后期四个阶段，其预测问题可以转化为癫痫前期和癫痫间期的分类问题。癫痫预测的实现是通过提取癫痫脑电信号特征，利用机器学习算法学习脑电信号变化的规律，从而自动预测癫痫的发作。目前的癫痫预警系统通常对于癫痫进行几秒钟到几分钟的预警，对于癫痫的长时预警可以增加干预方案的准备时间，为抑制癫痫发作提供更充分的准备。传统的脑电信号处理没有考虑癫痫发作中神经元异常放电的发展过程，难以处理较长时间的预测问题。

此外，大脑中信号的传递会引起电极间和不同时刻的同步活动，而在癫痫发作过程中这种同步性异常放电的检测更加重要。一些传统的特征可以表达两个电极间的相关性，但仍然难以充分表达脑电信号电极间和时间上的同步模式。

综上所述，现有技术存在以下问题：(1)长时的癫痫预警不准确；(2)现有脑电信号特征提取难以充分表达脑电信号在电极间和时间上的同步模式。

发明内容

针对上述技术的不足，本发明提出一种基于词袋模型和极限学习机的癫痫发作预警方法。该方法提取脑电信号的词袋模型特征，通过组合局部特征形成对于更长范围脑电序列的客观表达，从而使长时的癫痫预警更加准确。

本发明方法的主要思路是：将采集的多电极脑电进行预处理；将癫痫前期和癫痫间期的脑电信号片段分别进行聚类并做成两个字典，构成了癫痫脑电信号的局部表达；将一个时间窗内的局部信号投影到做好的字典上，提取时间窗内的直方图作为其特征；将顺序的多个时间窗的特征序列连接起来，考虑序列的特征；将提取到的序列特征输入极限学习机(ELM)中，分类输入序列为癫痫前期或癫痫间期；若分类为癫痫前期，则发出警报，若分类为癫痫间期，则报告正常。

本发明的具体实现步骤如下：

步骤1：采集癫痫发作前期及发作间期脑电信号

脑电信号采集系统记录癫痫患者脑电信号的长期变化，医师根据分析脑电信号及观察发作形式等手段标记出癫痫发作的起始及终止时间；根据记录的起始时间，依据发作前期为癫痫发作前1小时，发作间期为两次发作间，且前后1小时无癫痫发作的时段

步骤2：预处理

根据脑电变化，删除电压不变的电极，采用带通滤波器去除脑电信号中伪迹，有效频率为0.05～100Hz；将采集到的发作前期及发作间期脑电信号进一步分割为长度为1分钟的脑电信号片段。

步骤3：词袋特征提取

步骤3.1：波形词典构造

在采集到的发作间期和发作前期脑电数据中分别以长度m的窗口随机采样x个局部波形段，通过聚类算法对前期和间期的局部波形分别聚类，用聚类中心构成发作前期和发作间期的波形字典；

步骤3.2：脑电片段的词袋特征提取

在脑电信号片段中，将脑电信号片段利用长度为u的滑动窗口进一步划分为脑电信号单元；通过计算脑电信号单元中所有局部波形段与所述波形字典中波形之间的距离，统计各窗口中发作前期和发作间期字典波形出现的频率；其中，脑电信号单元中局部波形段和波形字典中波形的维度相同；连接脑电信号单元在发作前期和发作间期字典上的直方图作为脑电信号单元的特征；进一步连接脑电信号单元的特征组成脑电信号片段的词袋特征；

步骤4：分类模型学习

在已知发作时间的历史数据上，按照发作间期和发作前期的划分，根据步骤3分别提取脑电信号片段的词袋特征；将提取到的特征作为输入训练极限学习机(ELM)，对应的标签为片段所属的时期(间期、前期)，得到极限学习机的分类模型；

步骤5：癫痫预警

在采集到的脑电信号上，截取脑电信号片段，根据步骤3提取该片段的词袋特征，将提取到的特征输入步骤4学习到的分类模型，获得该脑电信号片段的类别(间期、前期)；对10个脑电信号片段(1分钟)进行投票，分类为前期的片段多于半数则警报，反之则正常。

本发明与现有技术相比，具有以下明显的优势和有益效果：

(1)在癫痫发作前1小时给出预警可以为癫痫的发作提供更长的干预或者准备时间；

(2)本发明提取脑电信号单元中同步振荡的规律，并学习脑电信号单元序列变化的特征，充分学习到癫痫发作前脑电信号变化的规律；采用极限学习机分类算法，保证学习模型的准确、高效。

附图说明

图1为本发明所涉及方法总流程示意图；

图2为本发明所采用实验数据中电极在头皮表面的位置的示意图；

图3为每一导脑电信号在不同维度下的累计贡献率；

图4为组合电极不同维度的分类结果。

具体实施方式

下面结合附图和具体实施方式对本发明做进一步的描述。

本发明所涉及方法的流程图如图1所示，包括以下步骤：

步骤1：输入脑电信号

以波士顿儿童医院(CHB-MIT)癫痫脑电信号为例，将本方法应用于该数据集上。采取病人1、5、7、8、9、10、14、15、22的癫痫头皮脑电数据，该数据采用22个以上的电极，256Hz的采样频率，电极在头皮表面的位置按照国际10-20标准分布(示意图如图2所示)。该数据采集癫痫患者连续的时间段内的头皮脑电数据，采用数据总长度超过370个小时，其中训练集长度253小时，共包含癫痫发作次数62次。依据发作前期为癫痫发作前1小时，发作间期为两次发作间，且前后1小时无癫痫发作的时段。以训练集和测试集2：1的比例，将每个案例分为训练样本和测试样本，训练样本用于模拟有标注的历史数据。癫痫预警问题可转化为两分类问题，根据数据的标注，将训练样本标注为发作前期和发作间期，类别标签分别是0和1，其中0表示发作间期，1表示发作前期。

步骤2：预处理

根据脑电变化，删除电压不变的电极，采用带通滤波器去除脑电信号中伪迹，有效频率为0.05～100Hz；在训练集中，将采集到的发作前期及发作间期脑电信号进一步分割为长度为1分钟的无交叠脑电信号片段。

步骤3：词袋特征提取

步骤3.1：波形词典构造

利用训练集中的发作前期和发作间期的脑电数据，分别以250毫秒长度的窗口随机采样4000个局部波形段，通过K-means聚类算法对前期和间期的局部波形分别聚为300类，得到的聚类中心构成发作前期和发作间期的波形字典；

对于选出的4000个局部波形段x₁，x₂，…，x₄₀₀₀，为了得到波形字典，计算优化问题

s.t.z_m＝[z_m，1，…，z_m，k，…，z_m，300]′

其中，D为训练得到的波形字典，z_m表示选出的第m个局部波形段对应的类别向量，表示第k个类别。

该问题的优化过程如下：

1)首先，随机选取300个样本作为初始聚类中心；

2)在第n，(n＜50)次迭代中，计算每个局部波形段x_m，m＝1，…，4000与选出的聚类中心的距离，将其归类为距离最近的中心所代表的类别；

3)根据公式计算每个类别中样本的新的中心点；

4)重复步骤2)，直到迭代次数n达到50或者第n步的损失J⁽ⁿ⁾与上一步的损失J^(n-1)的差小于阈值ξ＝0.01；

5)计算得到的中心组成波形字典D

步骤3.2：脑电片段的词袋特征提取

对于一个1分钟长的脑电信号片段，将脑电信号片段分别利用2、5、8、10、15、20秒的滑动窗口进一步划分为脑电信号单元，其中滑动窗口的步长为窗口长度的一半即1、2.5、4、5、7.5、10秒；在每个脑电信号单元中，将其划分为250毫秒的不重叠局部波形段，计算脑电信号单元中所有局部波形段与发作前期和发作间期两个波形字典中波形之间的距离，选择距离最小的波形代表局部波形段，并统计各窗口中发作前期和发作间期字典波形出现的频率；连接脑电信号单元在发作前期和发作间期字典上的直方图作为脑电信号单元的特征，即600(300+300)维的频率向量；进一步连接脑电信号单元的特征组成脑电信号片段的词袋特征；以20秒的脑电信号单元窗口为例，长度为1分钟的脑电信号可得到(60-20)/10+1＝5个脑电信号单元，每个信号单元利用600维的频率向量进行特征表示，连接1分钟内的脑电信号单元，则脑电信号片段可以表示为600*5＝3000维的特征。

脑电信号片段、脑电信号单元、局部波形段的提取示意图见图3。

步骤4：分类模型学习

对于训练集中的脑电信号片段，利用步骤3.2提取其词袋特征；将提取到的特征和其对应的发作前期、发作间期标签作为输入训练极限学习机(ELM)。所使用的极限学习机示意图如图4所示，选取隐含节点个数为得到极限学习机的分类模型。

步骤4中ELM分类器的训练流程如下：训练集中的脑电信号片段提取到的特征为q_j，j＝1，…，N，其中N为训练集中样本的个数，每个特征维度为d，对应的分类类别为T_j，全部N个样本组成矩阵形式T，其中1为发作前期，0为发作间期；

首先，随机生成a_ι，b_ι分别表示第l个隐含节点的权，g(·)为sigmoid激活函数；则隐含节点的值为训练样本的隐含节点值组成矩阵H；

再根据标签T和H计算隐含节点到输出结点的连接权β

当特征维度大于隐含节点数时

当特征维度小于隐含节点数时

其中为矩阵的Moore-Penrose逆

训练得到的分类模型为f(q)＝h(q)β。

步骤5：癫痫预警

对于测试集的信号，利用长度为1分钟步长为1分钟的滑动窗口截取脑电信号片段，根据步骤3.2提取该片段的词袋特征，将提取到的特征p输入步骤4学习到的分类模型f(p)，得到该脑电信号片段的类别(间期、前期)；对10个脑电信号片段(1分钟)进行投票，若分类为前期的片段多于半数则警报，反之则正常。

预警结果如表1所示，本方法在测试集上达到88.24％的预测敏感度，同时错误预警率为0.25每小时。

表1本方法在CHB-MIT数据集上癫痫预警结果

Claims (5)

1.一种基于词袋模型和极限学习机的癫痫发作预警方法，其特征在于，包括如下步骤：

步骤(1)：采集癫痫发作前期及发作间期脑电信号；

步骤(2)：预处理，所述预处理过程包括删除电压不变的电极，去除脑电信号中伪迹，将采集到的发作前期及发作间期脑电信号进一步分割为长度为S分钟的脑电信号片段；

步骤(3)：词袋特征提取，包括波形词典构造和脑电信号片段的词袋特征提取；

步骤(4)：分类模型学习，对于训练集中的脑电信号片段，利用步骤3提取其词袋特征；将提取到的特征和其对应的发作前期、发作间期标签作为输入训练极限学习机(ELM)；选取隐含节点个数为N，得到极限学习机的分类模型；

步骤(5)：癫痫预警

在采集到的脑电信号上，截取脑电信号片段，根据步骤3提取该片段的词袋特征，将提取到的特征输入步骤(4)学习到的分类模型，获得该脑电信号片段的类别；对多个脑电信号片段进行投票，分类为前期的片段多于半数则警报，反之则正常。

2.如权利要求1所述的基于词袋模型和极限学习机的癫痫发作预警方法，其特征在于，步骤1具体为：所述的脑电信号采集包括记录癫痫患者脑电信号的长期变化，标记出癫痫发作的起始及终止时间，根据记录的起始时间，发作前期为癫痫发作前1小时，发作间期为两次发作间，且前后1小时无癫痫发作的时段。

3.如权利要求1所述的基于词袋模型和极限学习机的癫痫发作预警方法，其特征在于，步骤3具体为：

步骤(3.1)：波形词典构造，利用训练集中的发作前期和发作间期的脑电数据，分别以长度为m的窗口随机采样x个局部波形段，通过K-means聚类算法对前期和间期的局部波形分别聚为d类，得到的聚类中心构成发作前期和发作间期的波形字典；

步骤(3.2)：脑电片段的词袋特征提取，对于一个长度为S的脑电信号片段，将脑电信号片段分别利用不同长度的滑动窗口进一步划分为脑电信号单元，其中滑动窗口的步长为窗口长度的一半；在每个脑电信号单元中，将其划分为m毫秒的不重叠局部波形段，计算脑电信号单元中所有局部波形段与发作前期和发作间期两个波形字典中波形之间的距离，选择距离最小的波形代表局部波形段，并统计各窗口中发作前期和发作间期字典波形出现的频率；连接脑电信号单元在发作前期和发作间期字典上的直方图作为脑电信号单元的特征，即2*d维的频率向量；进一步连接脑电信号单元的特征组成脑电信号片段的词袋特征。

4.如权利要求1所述的基于词袋模型和极限学习机的癫痫发作预警方法，其特征在于，步骤3.1具体为：利用训练集中的发作前期和发作间期的脑电数据，分别以250毫秒长度的窗口随机采样4000个局部波形段，通过K-means聚类算法对前期和间期的局部波形分别聚为300类，得到的聚类中心构成发作前期和发作间期的波形字典；

对于选出的4000个局部波形段x₁，x₂，…，x₄₀₀₀，为了得到波形字典，计算优化问题

<mfenced open = "" close = ""> <mtable> <mtr> <mtd> <munder> <mi>min</mi> <mrow> <mi>D</mi> <mo>,</mo> <mi>z</mi> </mrow> </munder> </mtd> <mtd> <mrow> <mi>J</mi> <mo>=</mo> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>m</mi> <mo>=</mo> <mn>1</mn> </mrow> <mn>4000</mn> </munderover> <mo>|</mo> <mo>|</mo> <msub> <mi>x</mi> <mi>m</mi> </msub> <mo>-</mo> <msub> <mi>Dz</mi> <mi>m</mi> </msub> <mo>|</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> </mrow> </mtd> </mtr> </mtable> </mfenced>

s.t.z_m＝[z_m，1，…，z_m，k，…，z_m，300]′

其中，D为训练得到的波形字典，z_m表示选出的第m个局部波形段对应的类别向量，表示第k个类别。

该问题的优化过程如下：

1)首先，随机选取300个样本作为初始聚类中心；

2)在第n，(n＜50)次迭代中，计算每个局部波形段x_m，m＝1，…，4000与选出的聚类中心的距离，将其归类为距离最近的中心所代表的类别；

3)根据公式计算每个类别中样本的新的中心点；

4)重复步骤2)，直到迭代次数n达到50或者第n步的损失J⁽ⁿ⁾与上一步的损失J^(n-1)的差小于阈值ξ＝0.01；

5)计算得到的中心组成波形字典D。

5.如权利要求1所述的基于词袋模型和极限学习机的癫痫发作预警方法，其特征在于，步骤4具体为：ELM分类器的训练流程如下：训练集中的脑电信号片段提取到的特征为q_j，j＝1，…，N，其中N为训练集中样本的个数，每个特征维度为d，对应的分类类别为T_j，全部N个样本组成矩阵形式T，其中1为发作前期，0为发作间期；

首先，随机生成a_l，b_l分别表示第l个隐含节点的权，g(·)为sigmoid激活函数；则隐含节点的值为训练样本的隐含节点值组成矩阵H；

再根据标签T和H计算隐含节点到输出结点的连接权β

当特征维度大于隐含节点数时

当特征维度小于隐含节点数时

其中为矩阵的Moore-Penrose逆

训练得到的分类模型为f(q)＝h(q)β。