CN112690805A

CN112690805A - 一种基于聚类和分类算法的ECoG术中脑功能定位方法

Info

Publication number: CN112690805A
Application number: CN202011462757.4A
Authority: CN
Inventors: 姜涛; 许永川
Original assignee: South China University of Technology SCUT
Current assignee: South China University of Technology SCUT
Priority date: 2020-12-14
Filing date: 2020-12-14
Publication date: 2021-04-23
Anticipated expiration: 2040-12-14
Also published as: CN112690805B

Abstract

本发明公开了一种基于聚类和分类算法的ECoG术中脑功能定位方法，包括以下步骤：首先采用功能区边界聚类算法，提取六层小波分解重构单子频带的能量占比为特征量，并使用凝聚式层次聚类模型，聚类各导联的类簇；其次采用功能区属性分类算法，以6维时域统计量和5维节律能量为特征量，并使用PCA对特征降维，并使用SVM分类导联的功能区属性；最后，集成上述算法建立ECoG术中脑功能定位集成算法，采用自定义的相似度算法，将聚类的类簇匹配功能区属性，完成功能区定位。本发明的算法模型具有良好的泛化性，可实现准确快速的术中脑功能定位临床应用，可广泛应用于基于脑电分析的术中脑功能定位等神经科学的研究。

Description

一种基于聚类和分类算法的ECoG术中脑功能定位方法

技术领域

本发明涉及脑电分析的神经科学研究与临床应用的研究领域，特别涉及一种基于聚类和分类算法的ECoG术中脑功能定位方法。

背景技术

大脑是人类神经系统的中枢，脑部病变将会影响人类的记忆、语言、运动等多个功能，严重影响人的生存和生活质量，其中，癫痫、脑胶质瘤是最常见的脑部病变之一。目前，这类脑部病变的主要治疗方式还是通过神经外科手术进行治疗，而在神经外科手术中最重要的一个步骤就是术中脑功能定位。传统的术中脑功能定位方法(解剖学、图像，皮层电刺激等)存在速度，准确性以及可能造成创伤等问题，使用皮质脑电(ECoG)的术中脑功能定位方法有望实现快速、准确、无创的定位，但是存在样本、定位模型泛化性能较差的问题，即一个定位模型不适用于不同的人群，仅适合于特定人群。定位模型泛化性能差的一个重要体现就是基于自身样本建立的定位模型自体检测时准确率较高，说明个体的功能区与非功能区之间个体特异性存在。但是异体检测时准确率较低说明人群的脑功能区没有公共的特异性，或者说非常难找出公共的特异性。因此为了寻找一种快速准确并且泛化性能较好的脑功能区定位方法，本文提出了一种基于聚类和分类算法的ECoG术中脑功能定位方法。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于聚类和分类算法的ECoG术中脑功能定位方法。

本发明的目的通过以下的技术方案实现：

一种基于聚类和分类算法的ECoG术中脑功能定位方法，其特征在于，包括以下步骤：

首先，采用功能区边界聚类算法进行导联类别聚类：对患者各导联ECoG数据预处理，使用db3小波对数据进行6层小波分解，提取各单子频带的能量占比作为特征，对患者所有导联的数据进行功能区与非功能区两类的聚类，得到两个聚类的类簇；

其次，采用功能区属性分类算法进行导联类别分类：对患者各导联ECoG数据预处理，每两秒的数据看做一个样本，对每一个样本提取时域统计量(总和、均值、方差、标准差、最大值、最小值)和脑电信号中常见的节律(α，β，γ，θ，δ)的能量作为特征，并使用PCA降维，降维后的特征保留原始特征85％的方差信息；使用预训练好的SVM分类模型计算导联属性，当某一导联的样本被分到功能区的占比大于等于0.5时，认为该导联属于功能区，否则属于非功能区，得到功能区和非功能区两个类别；

最后，采用ECoG术中脑功能定位集成算法将聚类的类簇匹配功能区属性：得到了边界聚类的两个类簇和属性分类的两个类别之后，分别计算两个类簇和分类的两个类别的相似度，相似度较高的那个类别的属性就看做是类簇的属性，并且把带属性的聚类的类簇的结果看作是最终的脑功能定位结果；

进一步地，所述的一种基于聚类和分类算法的ECoG术中脑功能定位方法，其特征在于，所述功能区边界聚类算法流程，具体为：

S11、对患者各导联ECoG数据进行预处理；

S12、对预处理后的各导联ECoG数据使用db3小波进行6层小波分解，并且提取各单子频带的能量占比作为特征；

S13、使用层次聚类的方法对该患者所有导联数据进行两类的聚类，得到两个聚类类簇。

进一步地，所述的一种基于聚类和分类算法的ECoG术中脑功能定位方法，其特征在于，所述功能区属性分类算法流程，具体为：

S21、对患者各导联数据进行预处理；

S22、对各导联数据按照每2秒划分为一个样本；

S23、对每个样本提取时域统计量和节律能量作为特征，并且使用PCA

降维；

S24、使用预训练好的SVM分类模型判断导联的属性(当某一导联的样本被分到功能区的占比大于等于0.5时，认为该导联属于功能区，否则属于非功能区)，得到两个分类类别。

进一步地，所述步骤S11中，ECoG数据采样具体为：向患者硬膜下植入铂电极阵列(subdural electrode arrays；Ad-Tech，Racine，WI，USA)，电极有着4mm直径和10mm的电极间距离；ECoG数据采样频率为500Hz。开颅手术后，在每位患者的大脑皮质下安放硬膜下电极阵列；麻醉后唤醒患者，采在患者静息状态下，术中神经电生理检测仪(Endeavor Bravo，Nicolet公司，美国)采集到的ECoG信号，得到患者静息态的ECoG。ECoG数据预处理具体为：首先进行1Hz高通滤波处理、其次进行49-51Hz的陷波滤波处理，最后进行ICA滤波处理。

进一步地，所述步骤S12具体为：选定db3小波基，对其脑电信号做6层小波分解之后，提取各层的细节系数和逼近系数，重构各层的系数对应的单子频带信号，计算各层信号的能量占比作为原始特征。

进一步地，所述步骤S13具体为：使用的聚类方法为层次聚类，并且通过网格搜索找到的聚类的最优参数为：affinity＝“euclidean”、linkage＝“ward”。

进一步地，所述步骤S21中，ECoG数据采样具体为：向患者硬膜下植入铂电极阵列(subdural electrode arrays；Ad-Tech，Racine，WI，USA)，电极有着4mm直径和10mm的电极间距离；ECoG数据采样频率为500Hz。开颅手术后，在每位患者的大脑皮质下安放硬膜下电极阵列；麻醉后唤醒患者，采在患者静息状态下，术中神经电生理检测仪(Endeavor Bravo，Nicolet公司，美国)采集到的ECoG信号，得到患者静息态的ECoG。ECoG数据预处理具体为：首先进行1Hz高通滤波处理、其次进行49-51Hz的陷波滤波处理，最后进行ICA滤波处理。

进一步地，所述步骤S24中预训练SVM分类模型具体为：使用预先收集的ECoG数据作为训练模型的数据。首先，把数据按照患者划分成训练集和测试集。其次，对训练集和测试集数据预处理和划分样本。再次，对所有的样本提取时域统计量(总和、均值、方差、标准差、最大值、最小值)和节律能量(α，β，γ，θ，δ)特征，并且使用PCA降维，降维后的特征保留原始特征85％的方差信息。最后，使用网格搜索对SVM的关键参数进行寻优，使测试集准确率最高的SVM参数为最优参数，找到SVM的最优参数为(C＝1，gamma＝’auto’，Kernel＝’rbf’)，完成分类模型的训练。

本发明的工作过程：

首先，采用功能区边界聚类算法进行导联类别聚类：首先截取患者的静息态ECoG数据并进行预处理，预处理的过程如下：1HZ高通滤波，49-51Hz陷波滤波，ICA滤波，预处理流程主要是为了去除50Hz及其倍频上存在的工频干扰。其次，提取聚类的特征，本研究中聚类使用的特征是六层小波分解后得到的七个子频带的能量占比，使用db3小波基将原始信号分解成七个子频带，并计算每个子频带的能量占比作为聚类的特征。最后，使用层次聚类的方法，并且使用网格搜索找到的聚类最优参数(affinity＝“euclidean”、linkage＝“ward”)对患者的所有导联数据进行功能区与非功能区两类的聚类，完成功能区边界聚类流程，得到两个聚类类簇。

其次，采用功能区属性分类算法进行导联类别分类：首先截取患者的静息态ECoG数据并进行与聚类算法相同的预处理流程，对各导联数据按照每2秒划分为一个样本。其次，对每个样本提取时域统计量和节律能量作为特征，并且使用PCA进行降维。最后，使用预训练好的SVM分类模型判断每个样本是功能区还是非功能区，确定导联属性的时候采用阈值法，当某一导联被分到功能区的样本数量占比大于等于0.5时，认为该导联属于功能区，否则属于非功能区。经过功能区分类算法流程，患者所有导联被划分成了功能区和非功能区两个分类类别。

最后，采用ECoG术中脑功能定位集成算法将聚类的类簇匹配功能区属性：得到了患者的功能区边界聚类结果和功能区属性分类结果之后，分别计算聚类的两个类簇与分类的两个类别的相似度，相似度较高的那个类别的属性就看做是类簇的属性，并且把带属性的聚类的类簇结果看做是最终的脑功能定位结果。

本发明提出的一种基于聚类和分类算法的ECoG术中脑功能定位方法定位快速有效，具有良好的泛化能力，可实现准确快速的术中脑功能定位临床应用，可广泛应用于基于脑电分析的术中脑功能定位等神经科学的研究。

本发明与现有技术相比，具有如下优点和有益效果：

1、本发明提出的一种基于聚类和分类算法的ECoG术中脑功能定位方法，首先，采用功能区边界聚类算法进行导联类别聚类，得到功能区边界聚类结果；其次，采用功能区属性分类算法进行导联类别分类，得到功能区属性分类结果；最后，采用ECoG术中脑功能定位集成算法将聚类的类簇匹配功能区属性，得到了边界聚类的两个类簇和属性分类的两个类别之后，分别计算两个类簇和分类的两个类别的相似度，相似度较高的那个类别的属性就看做是类簇的属性，并且把带属性的聚类的类簇的结果看作是最终的脑功能定位结果，完成术中脑功能区定位。该方法定位快速准确，具有重大的临床应用意义。

2.本发明提出的一种基于聚类和分类算法的ECoG术中脑功能定位方法，使用聚类和分类算法相结合的定位方式，综合了聚类算法较为准确的边界定位能力和分类算法识别属性的优点，使用聚类算法确定功能区边界，使用分类算法辅助确定类簇的属性，并且由于聚类算法利用自体功能区与非功能区存在的差异进行聚类，不需要提起训练模型，相对于单纯依靠分类模型的术中脑功能定位方法，该方法具有更好的泛化能力，提高了临床应用功能定位的准确性，克服了单纯的分类模型泛化性较差，临床应用功能定位准确度低的问题。

3.本发明提出的一种基于聚类和分类算法的ECoG术中脑功能定位方法，使用聚类和分类算法相结合的的方式识别功能区与非功能区的特异性脑电，识别效果较好，在实验室测得该算法的整体的识别准确率为90.9％，特异性为88.9％，敏感性为100％。由此可见，该方法具有潜在的神经外科临床应用前景。

附图说明

图1为本发明所述的一种基于聚类和分类算法的ECoG术中脑功能区定位方法的算法流程图。

图2为本发明所述的一种基于聚类和分类算法的ECoG术中脑功能区定位方法中功能区边界聚类算法流程图。

图3为本发明所述的一种基于聚类和分类算法的ECoG术中脑功能区定位方法中患者A的数据预处理过程中PSD。

图4为本发明所述的一种基于聚类和分类算法的ECoG术中脑功能区定位方法中功能区属性分类算法流程图。

图5为本发明所述的一种基于聚类和分类算法的ECoG术中脑功能区定位方法中的ECoG术中脑功能定位集成算法流程图。

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

一种基于聚类和分类算法的ECoG术中脑功能定位方法，应用该方法可以科学的检测出功能区与非功能区的特异性脑电信号，并且在手术中实时的定位大脑皮质的功能区与非功能区的位置，帮助医生进行神经外科手术。以下结合附图和实施对本发明作进一步说明。如图1所示，具体处理如下：

1、首先，采用功能区边界聚类算法进行导联类别聚类，算法流程如图2所示，包含以下顺序的步骤：

(1)信号采集：

开颅手术后，向患者硬膜下植入铂电极阵列(subdural electrode arrays；Ad-Tech，Racine，WI，USA)，电极有着4mm直径和10mm的电极间距离；ECoG数据采样频率为500Hz。开颅手术后，在每位患者的大脑皮质下安放硬膜下电极阵列；麻醉后唤醒患者，采在患者静息状态下，术中神经电生理检测仪(Endeavor Bravo，Nicolet公司，美国)采集到的ECoG信号，得到患者静息态的ECoG。。采集到患者A的数据样本如下表1所示(后续所有的处理以及计算过程均以患者A为例)。

表1患者A的ECoG数据样本

(2)数据预处理：

截取静息态的数据并顺序进行1Hz高通滤波，49-51Hz陷波滤波，ICA滤波等处理步骤，去除50Hz及其倍频上存在的工频干扰。患者A各导联信号在预处理过程中信号PSD的变化如图3所示。

(3)特征提取：

使用db3小波基把原始信号分解成七个子频带，分别用d1、d2、d3、d4、d5、d6、a6来表示，并计算每个子频带的能量占比作为特征，能量占比的计算公式如下：

式中E_j为第j个子频带重构信号的能量。J为六层分解深度。ER_j为第j个子频带的能量占比。七个子频带的频率范围如下表2所示。

表2六层小波分解的单子频带频率范围

(4)聚类分析：

提取完特征之后，使用层次聚类的方法，并且使用网格搜索找到的聚类最优参数(affinity＝“euclidean”、linkage＝“ward”)对患者A的所有导联数据进行功能区与非功能区两类的聚类，完成功能区边界聚类流程，得到两个聚类类簇。聚类结果如下表3所示。

表3患者A的功能区边界聚类结果

2、其次，采用功能区属性分类算法进行导联属性分类，算法流程如图4所示，包含以下顺序的步骤：

(1)信号采集：

开颅手术后，向患者硬膜下植入铂电极阵列(subdural electrode arrays；Ad-Tech，Racine，WI，USA)，电极有着4mm直径和10mm的电极间距离；ECoG数据采样频率为500Hz。开颅手术后，在每位患者的大脑皮质下安放硬膜下电极阵列；麻醉后唤醒患者，采在患者静息状态下，术中神经电生理检测仪(Endeavor Bravo，Nicolet公司，美国)采集到的ECoG信号，得到患者静息态的ECoG。采集到患者A的数据样本如上表1所示(后续所有的处理以及计算过程均以患者A为例)。

(2)数据预处理：

截取静息态的数据并顺序进行1Hz高通滤波，49-51Hz陷波滤波，ICA滤波等处理步骤，去除50Hz及其倍频上存在的工频干扰。患者A各导联信号在预处理过程中信号PSD的变化如图2。

(3)特征提取：

对每一导联的ECoG数据，按照每2秒划分成一个样本，对每个样本的1000个采样点提取时域统计量(总和、均值、方差、标准差、最大值、最小值)和节律(δ(0.5-3Hz)，θ(4-7Hz)，α(8-13Hz)，β(14-30Hz)，γ(30Hz以上)能量两组特征。具体计算过程为：分别计算每个样本1000个采样点的总和、均值、方差、标准差、最大值、最小值作为这个样本的时域统计量特征，对每个样本分别进行对应节律频带的带通滤波处理，计算滤波后的样本点的平方和作为该样本的节律能量特征。

(4)PCA降维：

对每个样本，对提取出来的特征量使用PCA进行降维，降维后的特征保留原始特征85％的方差信息。

(5)SVM分类：

对每个样本，输入到预训练好的SVM分类模型中分类，计算患者导联属性的时候采用阈值法，当某一导联被分到功能区的样本数量占比大于等于0.5时，认为该导联属于功能区，否则该导联属于非功能区。患者A的导联分类结果如下表4所示。

表4患者A的功能区属性分类结果

3、最后，采用ECoG术中脑功能定位集成算法将聚类的类簇匹配功能区属性，算法流程如图5所示，包括以下顺序的步骤：

(1)获得功能区边界聚类类簇：

由功能区边界聚类算法得到患者聚类的两个类簇。

(2)获得功能区属性分类类别：

由功能区属性分类算法得到患者分类的两个类别。

(3)计算聚类类簇与分类类别的相似度

得到了患者的功能区边界聚类结果和功能区属性分类结果之后，分别计算边界聚类的两个类簇与属性分类的两个类别的相似度，相似度的计算公式如下：

其中a表示一个类簇a，b表示一个类别b，S_ab表示类簇a与类别b的相似度。

计算出类簇与两个类别的相似度之后，相似度较高的那个类别的属性就看做是类簇的属性，并且把带属性的聚类的类簇的结果看做是最终的脑功能定位结果。

下表5是以患者A的聚类类簇和分类类别为例计算一下患者A最终的功能定位结果。

表5计算患者A的聚类的两个类簇的属性

可以看到按照相似度的计算公式(2)的计算结果，聚类的第一个类簇与分类的第一个类别的相似度为0.8，与第二个类别的相似度为0，与分类的第一个类别的相似度比较高，同时分类的第一个类别的属性为功能区，因此认为聚类的第一个类簇的属性也为功能区，同理可知，聚类的第二个类簇的属性为非功能区，完成患者A的脑功能定位。患者A的脑功能定位结果如下表6所示：

表6 ECoG术中脑功能区定位集成算法结果

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

1.一种基于聚类和分类算法的ECoG术中脑功能定位方法，其特征在于，包括以下步骤：

进行导联类别聚类：对患者各导联ECoG数据进行聚类预处理，进行功能区与非功能区两类的聚类，得到两个聚类的类簇；

进行导联属性类别分类：对患者各导联ECoG数据进行分类预处理，对每一个样本提取时域统计量和脑电信号中常见的节律的能量作为特征并使用PCA降维，使用预训练好的SVM分类模型计算导联属性，得到功能区和非功能区两个类别；

采用ECoG术中脑功能定位集成方法将聚类的类簇匹配功能区的属性：得到边界聚类的两个类簇和属性分类的两个属性类别，分别计算两个类簇和分类的两个属性类别的相似度，相似度较高的类别的属性看做是类簇的属性，并且把带属性的聚类类簇的结果作为最终的脑功能定位结果。

2.根据权利要求1所述的一种基于基于聚类和分类算法的ECoG术中脑功能定位方法，其特征在于，所述进行导联类别聚类采用功能区边界聚类算法，具体为：

S11、对患者各导联ECoG数据进行采样和预处理；

3.根据权利要求2所述的一种基于聚类和分类算法的ECoG术中脑功能定位方法，其特征在于，所述步骤S11中，ECoG数据采样具体为：向患者硬膜下植入铂电极阵列，电极有着4mm直径和10mm的电极间距离；ECoG数据采样频率为500Hz；开颅手术后，在每位患者的大脑皮质下安放硬膜下电极阵列；麻醉后唤醒患者，采在患者静息状态下，术中神经电生理检测仪采集到的ECoG信号，得到患者静息态的ECoG；

ECoG数据预处理具体为：进行1Hz高通滤波处理，其次进行49-51Hz的陷波滤波处理，最后进行ICA滤波处理，得到预处理后的各导联ECoG数据。

4.根据权利要求2所述的一种基于聚类和分类算法的ECoG术中脑功能定位方法，其特征在于，所述步骤S12具体为：选定db3小波基，对其脑电信号做6层小波分解之后，提取各层的细节系数和逼近系数，重构各层的系数对应的单子频带信号，计算各层信号的能量占比作为边界聚类特征。

5.根据权利要求2所述的一种基于聚类和分类算法的ECoG术中脑功能定位方法，其特征在于，所述步骤S13具体为：使用的聚类方法为层次聚类算法，并且通过网格搜索找到的聚类算法的最优参数为：affinity＝“euclidean”、linkage＝“ward”。

6.根据权利要求1所述的一种基于聚类和分类算法的ECoG术中脑功能定位方法，其特征在于，所述进行导联类别分类，具体为：

S21、对患者各导联ECoG数据进行采样和预处理；

S22、对各导联数据按照每2秒划分为一个样本；

S23、对每个样本提取时域统计量和节律能量作为特征，并且使用PCA降维，降维后的特征保留原始特征85％的方差信息；

S24、使用预训练好的SVM分类模型判断导联的属性，当某一导联的样本被分到功能区的占比大于等于0.5时，认为该导联属于功能区，否则属于非功能区，得到两个分类类别。

7.根据权利要求6所述的一种基于聚类和分类算法的ECoG术中脑功能定位方法，其特征在于，所述步骤S21具体为：ECoG数据采样具体为：向患者硬膜下植入铂电极阵列，电极有着4mm直径和10mm的电极间距离；ECoG数据采样频率为500Hz；开颅手术后，在每位患者的大脑皮质下安放硬膜下电极阵列；麻醉后唤醒患者，采在患者静息状态下，术中神经电生理检测仪采集到的ECoG信号，得到患者静息态的ECoG；

ECoG数据预处理具体为：首先进行1Hz高通滤波处理、其次进行49-51Hz的陷波滤波处理，最后进行ICA滤波处理。

8.根据权利要求6所述的一种基于聚类和分类算法的ECoG术中脑功能定位方法，其特征在于，所述步骤S24中预训练SVM分类模型，具体为：使用预先收集的ECoG数据作为训练模型的数据；

把数据按照患者划分成训练集和测试集；

对训练集和测试集数据预处理和划分样本；

对所有的样本提取时域统计量和节律能量特征，并且使用PCA降维，降维后的特征保留原始特征85％的方差信息；

最后，使用网格搜索对SVM的关键参数进行寻优，找到SVM的最优参数，完成分类模型的训练。

9.根据权利要求8所述的一种基于聚类和分类算法的ECoG术中脑功能定位方法，其特征在于，所述时域统计量包括采样点的总和、均值、方差、标准差、最大值、最小值；所述节律能量特征包括α，β，γ，θ，δ；所述最优参数为：最优参数为C＝1，gamma＝’auto’，Kernel＝’rbf’。