CN111914735A - 一种基于tqwt和熵特征的癫痫脑电信号特征提取方法 - Google Patents

Abstract

本发明涉及一种基于TQWT和熵特征的癫痫脑电信号特征提取方法，包括下列步骤：对患者的脑电信号进行采集；预处理；利用TQWT算法将预处理后的脑电信号进行分解，表征成为几个子带；子带数目是迭代次数加一，即为(J+1)个子带，采用迭代的双通道滤波器对信号进行分解，每个滤波器组的低通输出作为输入到后续的过滤器组；在分解完成的子带上对熵特征进行提取，本发明将脑电信号中的香农熵和排列熵进行后续识别分类；第五步，采用PSO粒子群算法优化过的LSTM神经网络计算提取出的熵特征进行分类。

Description

一种基于TQWT和熵特征的癫痫脑电信号特征提取方法

技术领域

本发明涉及癫痫脑电信号的特征提取方法，属于医学信号与图像处理领域。

背景技术

长时间以来，癫痫疾病一直是医学领域一个棘手的疾病。因为它发病急，难以预防和预测，在临床研究中常常需要花费大量时间进行检测。如何提高癫痫检测的效率，并且提高检测的准确度，是医学信号与图像处理领域一直在孜孜不倦探求的问题。

为了提高准确性和效率，可以在特征提取和模式匹配模块进行一定程度的优化。由于扭曲的生理信号要比普通的生理信号具有更高的熵特征，所以在对癫痫脑电信号进行处理分类的时候，提取熵特征有时是非常高效准确的。在癫痫脑电信号中，可以提取出香农熵、近似熵、排列熵、样本熵、频谱熵、分布熵、模糊熵等熵特征，将这些熵特征提取出来，可以更好的分析脑电信号的癫痫类别或是发病与否。

发明内容

本发明的目的是提供一种效率较高，可以用于信号模式识别的癫痫脑电信号的特征提取方法。技术方案如下：

一种基于TQWT和熵特征的癫痫脑电信号特征提取方法，包括下列步骤：

第一步，对患者的脑电信号进行采集；

第二步，对原始脑电信号进行预处理，以消除噪声、运动伪影和肌电信号的干扰；

第三步，利用TQWT算法将预处理后的脑电信号进行分解，表征成为几个子带；子带数目是迭代次数加一，即为(J+1)个子带，分解原理与传统的小波变换相似，采用迭代的双通道滤波器对信号进行分解，每个滤波器组的低通输出作为输入到后续的过滤器组，

在分解过程中，高通滤波器和低通滤波器分别有各自的传递函数H(w)，其中低通滤波器的传递函数为

高通滤波器的传递函数为

两个传递函数满足重构条件

|H₁(ω)|²+|H₂(ω)|²＝1

其中α，β为滤波器自带参数，θ(ω)为Daubechie规范正交基；

α+β>1，α<β≤1

第四步，在分解完成的子带上对熵特征进行提取，本发明将脑电信号中的香农熵和排列熵进行后续识别分类；

第五步，采用PSO粒子群算法优化过的LSTM神经网络计算提取出的熵特征进行分类。

本发明采用TQWT算法去提取熵特征，TQWT可以通过改变冗余度和品质因子等相关参数，去优化性能，找寻更适合每个实验样本的特征提取方法，大大地提高学习效率，另一方面，将熵特征作为特征提取出来，也能提高准确度，这是因为本发明要识别的是癫痫脑电信号，它属于生理信号，扭曲的生理信号比正常情况下的生理信号具有更高的熵值。

附图说明

图1识别流程图

图2分解子带示意图

具体实施方式

本特征提取方法中采用TQWT方法，即为tunable-Q小波变换方法，顾名思义是Q值以及相关参数比如冗余度r和迭代次数J等可以调节的小波变换方法。这个TQWT特征提取方法是可以在实验中进行筛选比较，根据小波的振荡特性与特征波形的振荡特性进行调节，可以可靠地表征信号在时域上的稀疏性和非平稳性，最终得出一个最适合样本的品质因子、冗余度和迭代次数，这个方法比较适合小样本脑电信号的特征提取以及识别工作，所以选用这个可调节参数小波变换方法是很适用于本专利相关研究的。

分类阶段采用PSO粒子群算法优化过的LSTM神经网络进行分类，PSO即粒子群算法，粒子群算法具有全局搜索能力强，可以快速提供全局最优解的特性，经过PSO优化的BP神经网络可以避免陷入局部最优的困境中，大大提高学习效率。

本发明按以下步骤具体实现：

第一步，在脑电信号采集模块，需要对患者的脑电信号进行采集，我们采集了多个癫痫患者在清醒状态下和病情发作状态下的多种脑电波。采样频率为1024hz，每个通道都有2048个采样点。在观察清醒时脑电信号与发病时癫痫脑电信号随机选取的两个通道信号图时，肉眼可以看出两类信号所绘曲线在参数上具有分类特征，这给了我接下来进行分类的思路。

第二步，在预处理模块，对原始脑电信号进行预处理，这一步的目的是消除噪声、运动伪影、肌电信号等的干扰。在这一模块采用到了中值滤波器，低频滤波0.1hz，高频滤波70hz，采用单极性蒙太奇处理，可以最大程度上减少耳部信号对脑电的影响。再加上ICA独立成分分析多次重复去除运动伪影，所得数据无用干扰成分大大减少，便于识别。处理后的数据，百分之70用于训练集，百分之30用于测试集。

第三步，在提取特征以前，利用TQWT算法先将脑电信号分解成几个子带表征出来，如图1所示。子带数目是迭代次数J+1个子带，分解原理与传统的小波变换相似，采用迭代的双通道滤波器对信号进行分解，每个滤波器组的低通输出作为输入到后续的过滤器组：

在分解过程中，高通滤波器和低通滤波器分别有各自的传递函数H(w)，其中低通滤波器的传递函数为

高通滤波器的传递函数为

两个传递函数满足重构条件

|H₁(ω)|²+|H₂(ω)|²＝1

其中α，β为滤波器自带参数，θ(ω)为Daubechie规范正交基。

α+β>1，α<β≤1

第四步，在特征提取模块，对已经表征成子带的信号数据进行特征提取，因为即便去除了大量干扰，得到的脑电数据量仍旧非常庞大，需要提取特征，来实现降低维度的目的。这里是通过计算提取出多种熵特征，例如排列熵、香农熵。

第五步，在提取特征后，进行相应的分类识别工作，这一步采用了PSO粒子群算法优化过的LSTM网络进行分类。采用PSO粒子群算法优化过的LSTM神经网络进行分类，良好的解决了长时依赖问题以及容易陷入局部最优等一系列难题：

初始化两个粒子的速度，作为LSTM网络(长短期记忆网络)的初始阈值，更新每个粒子速度与位置

v_id＝wv_id+c₁r₁(p_id-x_id)+c₂r₂(p_gd-x_id)

x_id＝x_id+v_id

更新后的粒子速度作为新的LSTM网络阈值。

Claims (1)

1.一种基于TQWT和熵特征的癫痫脑电信号特征提取方法，包括下列步骤：

第一步，对患者的脑电信号进行采集；

第二步，对原始脑电信号进行预处理，以消除噪声、运动伪影和肌电信号的干扰；

第三步，利用TQWT算法将预处理后的脑电信号进行分解，表征成为几个子带；子带数目是迭代次数加一，即为(J+1)个子带，采用迭代的双通道滤波器对信号进行分解，每个滤波器组的低通输出作为输入到后续的过滤器组，

在分解过程中，高通滤波器和低通滤波器分别有各自的传递函数H(w)，其中低通滤波器的传递函数为

高通滤波器的传递函数为

两个传递函数满足重构条件

|H₁(ω)|²+|H₂(ω)|²＝1

其中α，β为滤波器自带参数，θ(ω)为Daubechie规范正交基；

α+β>1，α<β≤1

第四步，在分解完成的子带上对熵特征进行提取，本发明将脑电信号中的香农熵和排列熵进行后续识别分类；

第五步，采用PSO粒子群算法优化过的LSTM神经网络计算提取出的熵特征进行分类。

Images