CN111598003B - 一种面向癫痫患者脑电信号的时频图像分类方法 - Google Patents

一种面向癫痫患者脑电信号的时频图像分类方法 Download PDF

Info

Publication number
CN111598003B
CN111598003B CN202010419816.3A CN202010419816A CN111598003B CN 111598003 B CN111598003 B CN 111598003B CN 202010419816 A CN202010419816 A CN 202010419816A CN 111598003 B CN111598003 B CN 111598003B
Authority
CN
China
Prior art keywords
frequency
time
feature
image
bands
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.)
Active
Application number
CN202010419816.3A
Other languages
English (en)
Other versions
CN111598003A (zh
Inventor
胡众义
罗珍珍
肖磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wenzhou University
Original Assignee
Wenzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wenzhou University filed Critical Wenzhou University
Priority to CN202010419816.3A priority Critical patent/CN111598003B/zh
Publication of CN111598003A publication Critical patent/CN111598003A/zh
Application granted granted Critical
Publication of CN111598003B publication Critical patent/CN111598003B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G06V10/507—Summing image-intensity values; Histogram projection 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种面向癫痫患者的脑电信号时频图像分类方法，该方法首先对脑电信号进行时频分析得到时频图像用于特征提取，并进行特征选择和分类模型参数优化，从而实现面向癫痫患者的脑电信号时频图像分类。该方法主要包括如下步骤：1)时频分析：通过连续小波变换进行频率分解并获得时频图像；2)特征提取：结合局部二值模式和灰度共生矩阵描述子提取时频图像的特征。3)特征选择与模型参数优化：基于递归消除算法选择有效特征子集以降低计算复杂度，再基于二进制粒子群优化算法同时实现特征子集和参数寻优。本发明方法实现了高精度的癫痫脑电识别，模型泛化性能好。

Description

一种面向癫痫患者脑电信号的时频图像分类方法
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，具体涉及一种面向癫痫患者脑电信号的时频图像分类方法。
背景技术
癫痫病的发作是由于大脑神经元的异常放电产生的，具有反复性和突发性等特点。脑电信号作为研究癫痫疾病的重要工具，它所实时反映的信息是其它生理学方法所不能提供的。目前在癫痫脑电信号的分析研究中，大多采用神经网络和机器学习这两种方法。虽然神经网络不需要人工提取特征，但是小样本数据易造成过拟合现象。因此，机器学习为脑电信号时频图像分类提供了强有力的工具，为了实现脑电信号时频图像分类，通常采用时频分析、特征提取、特征选择三个连续环节。
脑电信号时频分析能够依据脑电图同时获得时域-频域信息，最常见的方法例如短时傅里叶变换和小波变换。短时傅里叶变换通过固定窗口大小进行相位平移使得它能适用于非平稳变换的脑电信号，但是由于固定窗口大小带来的高时间分辨率和高频率分辨率不能同时兼得的问题。小波变换引入了随时间变化的“时间-频率”窗口，达到了在低频处具有较高的频率分辨率和高频处具有较高的时间分辨率，能够适应突变的脑电信号，同时获得高分辨率的时域-频域图(即时频图像)。
基于脑电信号时频图像可以提取鉴别性的特征，通常运用图像处理的方法提取纹理特征，如灰度共生矩阵(Gray Level Co-Occurrence Matrix，GLCM)和均匀二值模式(Local Binary Pattern，LBP)。但是仅仅使用单一的特征提取方法如GLCM描述子只能提取全局特征，忽略了局部特征。虽然LBP能够提取局部的特征，但是容易丢失整体的纹理特征。
特征选择算法可以解决特征维度过大的问题，如：t检验、皮尔逊相关系数法、包装式的递归消除算法(Recursive Feature Elimination，RFE)、嵌入式的粒子群优化算法(Binary Particle Swarm Optimization，BPSO)等。t检验是统计学领域的一种比较两类数据的差异是否显著的方法，它的使用条件之一是数据必须满足正态或者近似正态分布。皮尔逊相关系数法只能度量线性相关的数据。RFE是包装式的特征选择算法，虽然可以快速地剔除不相关的冗余特征，比嵌入式算法执行速度更快，耗时更少，但是分类效果没有嵌入式算法好。BPSO是嵌入式的优化算法，即使能够获得最优特征子集，然而时间复杂度也随之增加。
发明内容
本发明的目的在于针对现有技术的不足，提出一种面向癫痫患者的脑电信号时频图像分类方法，其包括如下步骤：
(1)时频分析：采用小波分解和连续小波变换的原理将原始脑电信号分解为五个频率子带，并生成整体时频图像和其对应的五个频率子带的时频图；
(2)特征提取：基于步骤(1)获得的五个频率子带的时频图，分别采用旋转不变的局部二值模式提取局部特征，采用灰度共生矩阵提取全局特征，然后将所述的局部特征和全局特征进行一维向量合并，得到五个频率子带的特征集，进而得到整体时频图像的特征集；
(3)特征选择和模型参数优化：对步骤(2)获得的整体时频图像特征集选择有效特征子集，并对分类模型进行参数优化，获得最优分类模型；
(4)将要识别的脑电信号经过步骤(1)和(2)的处理后，输入步骤(3)得到的分类模型，即可得到准确的分类结果。
进一步地，所述步骤(1)包括如下子步骤：
(1.1)癫痫脑电信号f(t)的主要频率范围在0～64Hz，采用小波分解的原理将原始脑电信号分解为五个频率子带，分别为δ波、θ波、α波、β波和γ波，其中，δ波的频率范围为0-4Hz，θ波为4-8Hz，α波为8-16Hz，β波为16-32Hz，γ波为32-64Hz；
(1.2)利用步骤(1.1)得到的五个不同子带的频率范围，选取Morlet作为小波基的连续小波变换方法分别生成对应频率子带的时频图像，再将时频图像按照具有临床意义的脑电信号波段进行有效信息分割获得五个频率子带的时频图。
进一步地，所述步骤(2)包括如下子步骤：
(2.1)对于步骤(1.2)得到的五个频率子带的时频图，利用局部二值模式进行图像局部纹理特征提取，同时考虑旋转不变性和灰度不变性，根据如下公式得到LBP旋转不变均匀模式和非均匀模式为
Figure BDA0002496455020000021
基于模式
Figure BDA0002496455020000022
得到局部特征向量Li：
Figure BDA0002496455020000023
Figure BDA0002496455020000024
Figure BDA0002496455020000025
Figure BDA0002496455020000031
其中，r代表邻域半径，P代表在半径r的圆上的邻域点总数，p代表邻域第p个像素点， gi代表图像邻域的灰度值，gc代表图像中心像素的灰度值；U(LBPr,p)表示以r为半径的圆周上两个邻近值1转换为0或者0转换为1的转换次数；若U(LBPr,p)≤2，该均匀模式从属于p+1类，反之，全部的非均匀模式从属于1类，整幅图像的纹理
Figure BDA0002496455020000032
直方图的特征向量维数为p+2；
(2.2)对于步骤(1.2)得到的五个频率子带的时频图，根据灰度共生矩阵通过设置方向θ和距离d两个变量，获得时频图像纹理的数字特征矩阵，并利用两个位置像素之间的联合概率密度P(i,j；d,θ)来定义灰度共生矩阵，然后，选择能量、对比度、同质性、相关性四类特征值得到时频图像整体空间的特征表示，进而得到全局特征向量Gi；
(2.3)将步骤(2.1)的局部特征向量Li和步骤(2.2)的全局特征向量Gi，进行一维向量合并，得到特征向量Xi，进而得到特征集X＝[X1,X2,…,XN]，其中，N为脑电信号段总数。
进一步地，所述步骤(3)包括如下子步骤：
(3.1)对步骤(2.3)得到的特征集X，运用十倍交叉验证方法得到十个互不重叠的特征子集，利用递归消除算法选择有效特征集S；
(3.2)对于步骤(3.1)得到的有效特征集S，基于二进制粒子群优化算法，利用n+2维对整个粒子进行编码得到bool类型的特征向量，改变粒子的位置xij和速度vij寻找全局最优解，根据目标函数计算适度值fit，不断迭代直至达到最大种群数量和最大迭代次数T时，根据内存中的全局最优粒子得到SVM最优参数(C,σ)和最优特征子集，并通过得到的最优参数 (C,σ)来构建最优分类模型；
其中，根据目标函数计算适度值fit的公式如下：
Figure BDA0002496455020000033
其中，f1表示为训练过程中获得的分类准确率，f2表示为选择的最优特征参数，“1”代表特征参数被选中，“0”表示没有选中；n表示为RFE算法提取有效特征向量的维度；在目标函数f中，α表示为分类准确率的占比，β表示为选择特征子集的权重。
进一步地，所述的步骤(3.2)中，α＝0.8，β＝0.2，获得最优的分类器泛化性能。
进一步地，所述的步骤(2.2)中，所述的方向θ和距离d两个变量分别取值为：d＝1，θ＝0、π/4、π/2、π。
本发明的有益结果如下：
本发明通过生成脑电信号的时频图像并进行特征提取以及特征选择和分类器参数优化，可以获得高分辨率的时频图像，有效降低特征选择的计算开销，大大提高分类效率，同时保证高分类准确性和分类模型的泛化能力。本发明首次提出了针对局部和全局的纹理特征进行特征融合，以及二进制粒子群优化算法同时实现特征子集寻优和参数优化，既能从局部角度提取特征并同时兼顾易缺失的全局纹理特征，在大大减少分类时间复杂度的同时部分二分类问题可以达到100％的效果，本发明的面向癫痫患者脑电信号的时频图像分类方法具有很好的分类效果和泛化性能。
附图说明
图1为根据本发明的实施实例的整体流程图。
图2为脑电信号整体时频图及其分割后的五个频率子带的时频图像；图2中第一行为五组数据子集的脑电信号图像(即脑电图)；图2中间一行为五组数据子集的时频图像；图2 第三行为五组数据子集中的每个整体时频图在五个频率波段上的分割结果，即五个频率子带的时频图像，分别为δ波时频图、θ波时频图、α波时频图、β波时频图和γ波时频图；其中S,O, Z,N,F分别代表五个数据子集。
具体实施方式
本发明的核心技术是对脑电信号时频图像进行局部和全局时频特征融合，并以此进行特征选择和分类器参数优化，以实现高分类精度的癫痫脑电信号时频图像分类问题。
本发明提出了一种面向癫痫患者的脑电信号时频图像分类方法，包括以下步骤：
(1)时频分析：采用小波分解和连续小波变换的原理将原始脑电信号分解为五个频率子带，并生成整体时频图像和其对应的五个频率子带的时频图；具体包括以下子步骤：
(1.1)脑电信号分解：癫痫脑电信号f(t)的主要频率范围在0～64Hz，采用小波分解的原理将原始脑电信号分解为五个频率子带，分别为δ波(0-4Hz)、θ波(4-8Hz)、α波(8-16Hz)、β波(16-32Hz)和γ波(32-64Hz)。
(1.2)脑电信号的整体时频图以及对应的五个频率子带的时频图的生成：对这五个不同子带的频率范围，采用连续小波变换方法对癫痫脑电信号进行时频分析。对于脑电信号f(t)进行连续小波变换的数学定义是：
Figure BDA0002496455020000051
其中，ψs,τ(t)表示为一个母波，*表示函数的复共轭；s表示为尺度，它可以改变小波函数的伸缩变换；τ表示为平移量，与时间变量t对应，控制小波函数平移变换。
选择连续小波变换(Continuous Wavelet Transform，CWT)进行时频分析，小波基函数的选择是关键。小波基函数的种类有很多，例如Haar、dbN、symN和复Morlet等。考虑有些小波基函数不具有对称性，容易对信号分析和重构产生一定的相位失真。复Morlet小波基是最常用的一种小波基函数，它不仅具有对称性，而且在时域和频域都能达到很高的分辨率。
鉴于以上原因，本方法采用复Morlet小波基对脑电信号进行时频分析，它的计算表达式如下：
Figure BDA0002496455020000052
其中，fb是小波的包络宽度，fc是小波的中心频率，设置fb＝25和fc＝1。
按如上方法，即得到了脑电信号的时频图像。
(2)脑电信号时频图像的特征提取：结合旋转不变的局部二值模式(Local BinaryPattern， LBP)和灰度共生矩阵(Gray Level Co-Occurrence Matrix，GLCM)描述子提取局部特征和全局特征；具体包括以下子步骤：
(2.1)基于旋转不变的局部二值模式提取局部特征：基于步骤(1)获得的五个频率子带的时频图，将图像中心像素设为阈值，并与其邻域的值作比较，按照如下公式计算将所得的值作为该图像的纹理特征值，其计算公式为：
Figure BDA0002496455020000053
Figure BDA0002496455020000054
其中，r代表邻域半径，P代表在半径r的圆上的邻域点总数，p代表邻域第p个像素点， gi代表图像邻域的灰度值，gc代表图像中心像素的灰度值。
但是，这种基本的LBP算法存在局限性，例如图像中心像素随着自身旋转变化而变化，于是计算的纹理特征值不同。改进LBP算法，使其具有旋转不变的性质，其数学表达式为：
Figure BDA0002496455020000055
其中，ROR(a,i)表示将a对应的二进制数依次循环向右移动i位。
考虑到LBP算法获得的是高维度特征向量，为了降低特征维度，Ojala等人在旋转不变模式的基础上提出了LBP旋转不变均匀模式和非均匀模式，其公式定义如下：
Figure BDA0002496455020000061
Figure BDA0002496455020000062
其中，U(LBPr,p)表示以r为半径的圆周上两个邻近值1转换为0或者0转换为1的转换次数。若U(LBPr,p)≤2，该均匀模式从属于p+1类，反之，全部的非均匀模式从属于1类，时频图像的纹理
Figure BDA0002496455020000063
直方图的特征向量维数为p+2。
本方法设置参数r＝1和p＝8，即
Figure BDA0002496455020000064
算法用于特征提取，每个频率子带都能提取一个 10维特征向量。综上所述，每个脑电信号段总共有50维LBP特征向量。
(2.2)基于灰度共生矩阵提取全局特征：基于步骤(1.2)得到的五个频率子带的时频图，通过设置方向θ和距离d两个变量，获得时频图像纹理的数字特征矩阵，并用两个位置像素之间的联合概率密度P(i,j；d,θ)来定义灰度共生矩阵，满足方向θ和距离d的一对图像灰度值出现总和的概率值定义为：
Figure BDA0002496455020000065
其中，f(x,y)＝i是位置(x,y)上的像素灰度值，f(x+dx,y+dy)＝j是(x,y)在满足定值θ和d 得到邻近位置(x+dx,y+dy)的像素灰度值。
本方法将通过能量、对比度、同质性和相关性四类特征值来表征脑电信号时频图的纹理特征。其中，能量反映图像灰度分布均匀程度和纹理的粗细程度，数学表达式为：
Figure BDA0002496455020000066
GLCM中的对比度(又称惯性矩)能够衡量灰度图像的清晰度和纹理深浅的程度。纹理沟纹深浅与其对比度大小成正比，GLCM中远离对角线的值越大，对比度就越大，定义为：
Figure BDA0002496455020000067
同质性又称逆差距，其值大小与灰度共生矩阵对角元素是否有较大值成正相关，表示为：
Figure BDA0002496455020000071
相关性是度量空间灰度共生矩阵元素在行或列方向上的相似程度，图像中灰度相关性能够通过矩阵元素值相差程度来衡量，表达式为:
Figure BDA0002496455020000072
其中，μx和μy为均值，σx和σy为方差：
Figure BDA0002496455020000073
Figure BDA0002496455020000074
Figure BDA0002496455020000075
Figure BDA0002496455020000076
运用GLCM对时频图像进行纹理特征提取，本方法只考虑距离d＝1和4个方向θ＝(依次取0、π/4、π/2、π)。因此，针对不同的脑电时频图进行特征提取，得到特征向量维度为八十。
(2.3)结合LBP和GLCM描述子提取特征：基于步骤(2.1)和(2.2)分别计算得到的局部特征向量Li和全局特征向量Gi，将两种方法获得的特征向量进行一维向量合并，其定义如下：
Figure BDA0002496455020000077
其中，j、k分别表示为LBP和GLCM特征参数向量的维度下标。Li表示为运用LBP方法得到的局部特征向量，Gi表示采用为GLCM方法获取的全局特征向量，Xi表示为结合LBP 和GLCM的特征向量，维度为130。
这样即得到了脑电信号时频图像的特征集X＝[X1,X2,…,XN]。
(3)基于二进制粒子群优化算法(Binary Particle Swarm Optimization，BPSO)进行特征子集寻优和分类器参数优化：基于步骤(2.3)得到的特征集X，运用十倍交叉验证方法得到十个互不重叠的特征子集；首先使用递归消除算法(Recursive FeatureElimination，RFE)用于初步选择有效特征，从而有效地减少计算复杂度和降低特征维度，然后基于二进制粒子群优化算法同步优化特征子集和径向基核函数支持向量机(SupportVector Machine-Radial Basis Function，SVM-RBF)的超参数，从而使得优化后的分类模型能够获得很好的分类效果；具体包括以下子步骤：
(3.1)基于RFE算法特征子集寻优：对步骤(2.3)得到的特征集X，运用十倍交叉验证方法得到十个互不重叠的特征子集，初步使用递归消除算法(RFE)选择有效特征，并获得有效特征集S。
(3.2)基于BPSO算法同步实现特征子集寻优和SVM参数优化：为了获得最优特征子集，运用BPSO算法在步骤(3.1)获取的有效特征集S上进一步优化，消除冗余和不相关的特征参数。为了得到更高的分类准确率，选择适当的SVM参数C和σ也是非常重要的，对于有效特征集S＝[S1,S2,…,SN],其中Si＝(xi,yi),i＝1,…,N,x∈Rd,y∈{-1,1}，它是由一个超平f(x)＝wT+b将数据分为两类，为了尽可能减少离群的点，增加两类不同的数据之间的距离，通过最小化w进而最大化超平面几何间隔。标准的SVM模型定义为：
Figure BDA0002496455020000081
其中，xi是数据点，y是对应标签；w是垂直于超平面的d维系数向量，b是距离原点的偏移量；C是分类器的惩罚参数，ξi是正松弛变量。
LIBSVM软件包中核函数主要有sigmoid核函数、多项式核函数、高斯核函数和径向基函数等，考虑到癫痫脑电数据样本量少及特征维度相对较高，相较于其他核函数，选择高斯核函数既能在一定程度上避免“维度灾难”问题，还能实现更好的分类效果。因此，本方法采用径向基函数(简称RBF，又叫高斯核函数)作为核函数，其定义为：
Figure BDA0002496455020000082
其中，另一个待优化参数σ是径向基函数的半径，xc是RBF核函数的中心。
BPSO是通过改变粒子的位置和速度不断迭代寻找全局最优解。本方法引入阈值概念，当粒子的速度大于阈值时，粒子的位置被标注为1，反之，用0标注当前粒子的位置。依据每个粒子(特征参数)的标记是1还是0，如果是1则保留，否则剔除。用n+2维对整个粒子进行编码，前n维代表特征参数，是bool类型的值组成的特征向量，‘1’表示特征参数被选中，‘0’表示不考虑该参数。
通过以上的算法进行实验，最终获得最优特征子集。基于BPSO寻找最优特征子集和SVM 参数优化的主要原理表达式是：
根据目标函数计算适度值：
Figure BDA0002496455020000091
其中，f1表示为训练过程中获得的分类准确率，f2表示为选择的最优特征参数(“1”代表特征参数被选中，“0”表示没有选中)，n表示为RFE算法提取有效特征向量的维度。在目标函数f中，α表示为分类准确率的占比，β表示为选择特征子集的权重，可以依据目标函数适当地调整α和β值。在实验的过程中，初步发现，当α＝0.8和β＝0.2，能够获得最优的分类器泛化性能。
更新局部最优
Figure BDA0002496455020000092
和全局最优
Figure BDA0002496455020000093
Figure BDA0002496455020000094
更新第k次迭代的速度
Figure BDA0002496455020000095
Figure BDA0002496455020000096
更新粒子位置：
Figure BDA0002496455020000097
其中，w是惯性权重，随迭代次数的增加而改变；c1和c2是学习因子；rand1、rand2和rand 均属于0～1之间的随机数；k是循环迭代次数；fit是目标函数适度值；s是Sigmoid函数，将速度的值(即概率值)映射到区间[0,1]。
这样即获得了最优特征子集和最优分类模型，实现了高精度的分类效果。
下面以一个具体的例子证明本发明的方法的有益效果。
在一台配备Intel(R)Core(TM)i5-10210U处理器及12GB内存的机器上实现本发明的实施实例。采用在具体实施方式中列出的参数值，本发明使用的实验数据来自德国波恩大学癫痫研究中心脑电数据库，数据集的具体信息如表1所示。
表1德国波恩大学癫痫脑电数据集的详细描述
Figure BDA0002496455020000101
基于该脑电数据集得到了附图中所示的整体流程图和时频图。
如图1所示，本发明提出的面向癫痫患者的脑电信号时频图像分类方法的整体流程图。
实现的具体步骤如下：
步骤a：准备实施实例所需要的脑电数据集。
步骤b:根据小波分解和连续小波变换(CWT)的原理将原始脑电信号分解为五个频率子带，并生成整体时频图像和其对应的五个频率子带的时频图(如图2所示)；
步骤c:结合局部二值模式(LBP)和灰度共生矩阵(GLCM)算法进行特征提取。
步骤d-e:首先采用十倍交叉验证方法将数据分为十个互不重叠的数据集，然后使用递归消除算法(RFE)初步选择有效特征集S。再运用BPSO算法进一步优化有效特征集S，消除冗余和不相关的特征参数，同时优化SVM参数使得分类模型泛化性能好。最后实现癫痫分类问题。
为了证明该发明具有很好的分类效果，采用十倍交叉验证方法获得正确率(Accuracy, ACC)、敏感度(Sensitivity，SEN)、特异度(Specificity，SPE)和表征模型泛化性能的ROC 曲线下面积(Area Under Curve，AUC)等四类性能指标值，通过表2观察看出结合所有子带特征的分类效果更优。针对同一癫痫数据集，表3列出了本发明的方法和别的研究组的分类结果对比，进一步说明了本发明在癫痫脑电分类问题上能够取得更好的效果。
表2针对五个频率子带给出了健康人、癫痫患者发作间期和发作期六个分类问题的结果
Figure BDA0002496455020000102
Figure BDA0002496455020000111
表3基于同一数据集的六个分类问题的性能比较
Figure BDA0002496455020000112
其中，表3中引用到的文献如下：
[1]Zhu J,Zhao X,Li H,Chen H,and Wu G.An effective machine learningapproach for identifying the glyphosate poisoning status in rats using bloodroutine test.IEEE Access,2018,6: 15653-15662.
[2]Swami P,Gandhi T K,Panigrahi B K,et al.A novel robust diagnosticmodel to detect seizures in electroencephalography.Expert Systems withApplications,2016,56:116-130.
[3]Kumar Y,Dewal M L,and Anand R S.Epileptic seizure detection usingDWT based fuzzy approximate entropy and support vectormachine.Neurocomputing,2014,133(8):271–279.
[4]Kaya Y,Uyar M,Tekin R,and Yildirim S.1D-local binary pattern basedfeature extraction for classification of epileptic EEGsignals.Appl.Math.Comput.,2014,vol.243,209–219.
[5]Li Y,Cui W,Luo M,et al.Epileptic seizure detection based on time-frequency images of EEG signals using Gaussian mixture model and gray levelco-occurrence matrix features.International Journal of Neural Systems,2018:1850003.
[6]Tiwari A,Pachori R B,Kanhangad V,et al.Automated diagnosis ofepilepsy using key-point based local binary pattern of EEG signals.IEEEJournal of Biomedical and Health Informatics, 2016:1-1.
[7]Jia J,Goparaju B,Song J L,and Zhang R.Automated identification ofepileptic seizures in EEG signals based on phase space representation andstatistical features in the CEEMD domain. Biomedical Signal Processing andControl,2017.38:148-157.
[8]Li Y,Cui W-G,Huang H,Guo Y-Z,Li K,and Tan T.Epileptic seizuredetection in EEG signals using sparse multiscale radial basis functionnetworks and the Fisher vector approach. Knowledge-Based Systems,2019,164,96-106。

Claims (3)

1.一种面向癫痫患者的脑电信号时频图像分类方法，其特征在于，包括如下步骤：
(1)时频分析：采用小波分解和连续小波变换的原理将原始脑电信号分解为五个频率子带，并生成整体时频图像和其对应的五个频率子带的时频图；所述步骤(1)包括如下子步骤：
(1.1)癫痫脑电信号f(t)的主要频率范围在0～64Hz，采用小波分解的原理将原始脑电信号分解为五个频率子带，分别为δ波、θ波、α波、β波和γ波，其中，δ波的频率范围为0-4Hz，θ波为4-8Hz，α波为8-16Hz，β波为16-32Hz，γ波为32-64Hz；
(1.2)利用步骤(1.1)得到的五个不同子带的频率范围，选取Morlet作为小波基的连续小波变换方法分别生成对应频率子带的时频图像，再将时频图像按照具有临床意义的脑电信号波段进行有效信息分割获得五个频率子带的时频图；
(2)特征提取：基于步骤(1)获得的五个频率子带的时频图，分别采用旋转不变的局部二值模式提取局部特征，采用灰度共生矩阵提取全局特征，然后将所述的局部特征和全局特征进行一维向量合并，得到五个频率子带的特征集，进而得到整体时频图像的特征集；所述步骤(2)包括如下子步骤：
(2.1)对于步骤(1.2)得到的五个频率子带的时频图，利用局部二值模式进行图像局部纹理特征提取，同时考虑旋转不变性和灰度不变性，根据如下公式得到LBP旋转不变均匀模式和非均匀模式为
Figure FDA0002950218640000011
基于模式
Figure FDA0002950218640000012
得到局部特征向量Li：
Figure FDA0002950218640000013
Figure FDA0002950218640000014
Figure FDA0002950218640000015
Figure FDA0002950218640000016
其中，r代表邻域半径，P代表在半径r的圆上的邻域点总数，p代表邻域第p个像素点，gi代表图像邻域的灰度值，gc代表图像中心像素的灰度值；U(LBPr,p)表示以r为半径的圆周上两个邻近值1转换为0或者0转换为1的转换次数；若U(LBPr,p)≤2，该均匀模式从属于p+1类，反之，全部的非均匀模式从属于1类，整幅图像的纹理
Figure FDA0002950218640000021
直方图的特征向量维数为p+2；
(2.2)对于步骤(1.2)得到的五个频率子带的时频图，根据灰度共生矩阵通过设置方向θ和距离d两个变量，获得时频图像纹理的数字特征矩阵，并利用两个位置像素之间的联合概率密度P(i,j；d,θ)来定义灰度共生矩阵，然后，选择能量、对比度、同质性、相关性四类特征值得到时频图像整体空间的特征表示，进而得到全局特征向量Gi；
(2.3)将步骤(2.1)的局部特征向量Li和步骤(2.2)的全局特征向量Gi，进行一维向量合并，得到特征向量Xi，进而得到特征集X＝[X1,X2,…,XN]，其中，N为脑电信号段总数；
(3)特征选择和模型参数优化：对步骤(2)获得的整体时频图像特征集选择有效特征子集，并对分类模型进行参数优化，获得最优分类模型；所述步骤(3)包括如下子步骤：
(3.1)对步骤(2.3)得到的特征集X，运用十倍交叉验证方法得到十个互不重叠的特征子集，利用递归消除算法选择有效特征集S；
(3.2)对于步骤(3.1)得到的有效特征集S，基于二进制粒子群优化算法，利用n+2维对整个粒子进行编码得到bool类型的特征向量，改变粒子的位置xij和速度vij寻找全局最优解，根据目标函数计算适度值fit，不断迭代直至达到最大种群数量和最大迭代次数T时，根据内存中的全局最优粒子得到SVM最优参数(C,σ)和最优特征子集，并通过得到的最优参数(C,σ)来构建最优分类模型；
其中，根据目标函数计算适度值fit的公式如下：
Figure FDA0002950218640000022
其中，f1表示为训练过程中获得的分类准确率，f2表示为选择的最优特征参数，“1”代表特征参数被选中，“0”表示没有选中；n表示为RFE算法提取有效特征向量的维度；在目标函数f中，α表示为分类准确率的占比，β表示为选择特征子集的权重；
(4)将要识别的脑电信号经过步骤(1)和(2)的处理后，输入步骤(3)得到的分类模型，即可得到准确的分类结果。
2.根据权利要求1所述的一种面向癫痫患者的脑电信号时频图像分类方法，其特征在于，所述的步骤(3.2)中，α＝0.8，β＝0.2，获得最优的分类器泛化性能。
3.根据权利要求1所述的一种面向癫痫患者的脑电信号时频图像分类方法，其特征在于，所述的步骤(2.2)中，所述的方向θ和距离d两个变量分别取值为：d＝1，θ＝0、π/4、π/2、π。
CN202010419816.3A 2020-05-18 2020-05-18 一种面向癫痫患者脑电信号的时频图像分类方法 Active CN111598003B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010419816.3A CN111598003B (zh) 2020-05-18 2020-05-18 一种面向癫痫患者脑电信号的时频图像分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010419816.3A CN111598003B (zh) 2020-05-18 2020-05-18 一种面向癫痫患者脑电信号的时频图像分类方法

Publications (2)

Publication Number Publication Date
CN111598003A CN111598003A (zh) 2020-08-28
CN111598003B true CN111598003B (zh) 2021-04-27

Family

ID=72191568

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010419816.3A Active CN111598003B (zh) 2020-05-18 2020-05-18 一种面向癫痫患者脑电信号的时频图像分类方法

Country Status (1)

Country Link
CN (1) CN111598003B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112107332A (zh) * 2020-10-10 2020-12-22 高慧强 医疗超声影像的处理方法、设备和系统
CN113017650B (zh) * 2021-03-12 2022-06-28 南昌航空大学 一种基于功率谱密度图像的脑电特征提取方法和系统
CN113537280B (zh) * 2021-05-21 2024-07-26 北京中医药大学 一种基于特征选择的智能制造工业大数据分析方法
CN113647962B (zh) * 2021-08-20 2023-09-22 天津大学 基于深度学习集成模型的癫痫定位与发作预测方法
CN114129131A (zh) * 2021-10-29 2022-03-04 山东师范大学 基于1d-lbp与模糊逻辑分类的癫痫发作自动检测系统
CN115778330A (zh) * 2023-02-07 2023-03-14 之江实验室 一种基于视频脑电的癫痫发作自动检测系统及装置
WO2024167397A1 (en) * 2023-02-07 2024-08-15 Raffles Iskandar Sdn Bhd A method of processing brain signals in a brain-computer interface system

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104887224A (zh) * 2015-05-29 2015-09-09 北京航空航天大学 面向癫痫脑电信号的特征提取与自动识别方法
CN110163412A (zh) * 2019-04-15 2019-08-23 杭州电子科技大学 一种基于改进的支持向量机股票收益率预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0906029D0 (en) * 2009-04-07 2009-05-20 Nat Univ Ireland Cork A method of analysing an electroencephalogram (EEG) signal

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104887224A (zh) * 2015-05-29 2015-09-09 北京航空航天大学 面向癫痫脑电信号的特征提取与自动识别方法
CN110163412A (zh) * 2019-04-15 2019-08-23 杭州电子科技大学 一种基于改进的支持向量机股票收益率预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于脑电特征纹理与不平衡分类的癫痫发作检测研究;孙成法;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;20190915;第9-19页 *

Also Published As

Publication number Publication date
CN111598003A (zh) 2020-08-28

Similar Documents

Publication Publication Date Title
CN111598003B (zh) 一种面向癫痫患者脑电信号的时频图像分类方法
Deepak et al. Brain tumor classification using deep CNN features via transfer learning
Pitchai et al. RETRACTED ARTICLE: Brain Tumor Segmentation Using Deep Learning and Fuzzy K-Means Clustering for Magnetic Resonance Images
Tiwari et al. Detection of lung nodule and cancer using novel Mask-3 FCM and TWEDLNN algorithms
Kumar et al. Classification of seizure and seizure-free EEG signals using local binary patterns
Jafarpour et al. A robust brain MRI classification with GLCM features
Ren ANN vs. SVM: Which one performs better in classification of MCCs in mammogram imaging
Bajaj et al. A hybrid method based on time–frequency images for classification of alcohol and control EEG signals
Nayak et al. Automated pathological brain detection system: A fast discrete curvelet transform and probabilistic neural network based approach
Zhang et al. Bi-dimensional approach based on transfer learning for alcoholism pre-disposition classification via EEG signals
Nayak et al. Automated diagnosis of pathological brain using fast curvelet entropy features
Nayak et al. Application of fast curvelet Tsallis entropy and kernel random vector functional link network for automated detection of multiclass brain abnormalities
Atal et al. A hybrid feature extraction and machine learning approaches for epileptic seizure detection
Jena et al. Texture analysis based feature extraction and classification of lung cancer
Soleimani et al. Two-dimensional stockwell transform and deep convolutional neural network for multi-class diagnosis of pathological brain
Sathi et al. Hybrid feature extraction based brain tumor classification using an artificial neural network
Islam et al. A new hybrid approach for brain tumor classification using BWT-KSVM
Mahmoud et al. A statistical framework for breast tumor classification from ultrasonic images
Deniz et al. Automated robust human emotion classification system using hybrid EEG features with ICBrainDB dataset
Latha et al. Brain tumour detection using neural network classifier and kmeans clustering algorithm for classification and segmentation
Singh et al. A concise review of MRI feature extraction and classification with kernel functions
Shetty et al. Brain tumor detection using machine learning and convolutional neural network
Shabu et al. Brain tumor classification with mri brain images using 2-level GLCM features and sparse representation based segmentation
Mohan et al. MRI Brain Tumor Detection and Classification Using U-NET CNN
Zafar et al. Automatic eye blink artifact removal for EEG based on a sparse coding technique for assessing major mental disorders

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant