CN112790775B - 基于集成分类的高频振荡节律检测方法及装置 - Google Patents

基于集成分类的高频振荡节律检测方法及装置 Download PDF

Info

Publication number
CN112790775B
CN112790775B CN202110088997.0A CN202110088997A CN112790775B CN 112790775 B CN112790775 B CN 112790775B CN 202110088997 A CN202110088997 A CN 202110088997A CN 112790775 B CN112790775 B CN 112790775B
Authority
CN
China
Prior art keywords
frequency oscillation
rhythm
sample weight
frequency
oscillation rhythm
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
CN202110088997.0A
Other languages
English (en)
Other versions
CN112790775A (zh
Inventor
吴敏
覃宏振
万雄波
杜玉晓
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.)
China University of Geosciences
Original Assignee
China University of Geosciences
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 China University of Geosciences filed Critical China University of Geosciences
Priority to CN202110088997.0A priority Critical patent/CN112790775B/zh
Publication of CN112790775A publication Critical patent/CN112790775A/zh
Application granted granted Critical
Publication of CN112790775B publication Critical patent/CN112790775B/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
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • A61B5/7253—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
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • 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
    • 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
    • G06V10/52—Scale-space analysis, e.g. wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • 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)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Physiology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Psychiatry (AREA)
  • Neurology (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Neurosurgery (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Power Engineering (AREA)
  • Multimedia (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明涉及癫痫脑电信号处理领域，提供一种基于集成分类的高频振荡节律检测方法，包括以下步骤：通过均方根算法对预处理后脑电信号进行计算，获得所述预处理后脑电信号中的疑似高频振荡节律；通过降噪自编码网络对所述疑似高频振荡节律的小波系数进行特征提取，获得所述疑似高频振荡节律的时频域特征；通过样本权重调节后的集成分类器对所述时频域特征进行检测，获得高频振荡节律。本发明基于样本权重调节进行集成分类，克服高频振荡节律与非高频振荡节律之间的类不平衡问题，提高高频振荡节律检测性能。

Description

基于集成分类的高频振荡节律检测方法及装置
技术领域
本发明涉及癫痫脑电信号处理领域，尤其涉及一种基于集成分类的高频振荡节律检测方法及装置。
背景技术
癫痫是一种常见的神经系统疾病，全球约有7000万癫痫患者。大部分癫痫患者通过服用抗癫痫药物(如苯妥英、乙琥胺、卡马西平、丙戊酸等)能有效抑制癫痫发作，但仍有约30％的患者对药物不敏感。这部分患者难以通过药物抑制癫痫发作，从而被确诊为难治癫痫患者。
手术切除癫痫病灶是治疗难治性癫痫的有效方法。近20年来，大量研究表明高频振荡节律是癫痫发作始发区的显著生物标志物，手术切除患者产生高频振荡节律的大脑组织可以根治癫痫。高频振荡节律是脑电图记录的反映神经元同步瞬变的脑电活动。根据频率范围，高频振荡节律通常分为涟波(ripples，80-200Hz)和快速涟波(fast ripples，250-500 Hz)。精确检测脑电信号中的高频振荡节律是治疗性癫痫的术前关键。
目视检测高频振荡节律非常耗时(检测10分钟10导联的脑电数据需要10小时)。为了快速检测高频振荡节律，研究者提出了许多高频振荡节律自动检测算法。这些算法通常需要对癫痫脑电信号进行分类。支持向量机具有较强的鲁棒性和非线性处理能力，可用于癫痫脑电信号的分类，但其中影响分类性能的核参数和惩罚参数的调节过程非常耗时。基于自适应提升的支持向量机集成分类器通过构造一组基分类器(即支持向量机)，并将基分类器的输出进行加权组合，得到输入样本的分类结果，避免了支持向量机核参数和惩罚参数耗时的调节过程。
在高频振荡节律和非高频振荡节律这两类脑电信号中，前者的数量明显少于后者的数量，因此存在类不平衡。类不平衡会导致基于自适应提升的支持向量机集成分类器过度关注非高频振荡节律子类，从而易将高频振荡节律误判为非高频振荡节律，降低高频振荡节律检测性能。处理类不平衡的常用方法是利用欠采样来平衡不同类别的样本数量，即对非高频振荡节律子类进行欠采样，使采样后高频振荡节律数量与非高频振荡节律数量相近或相同。该方法在一定程度上减少了类不平衡的影响，但降低了脑电数据的利用率。现有技术无法解决高频振荡节律与非高频振荡节律之间的类不平衡问题。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于，解决现有技术中无法解决高频振荡节律与非高频振荡节律之间的类不平衡问题。
为实现上述目的，本发明提供一种基于集成分类的高频振荡节律检测方法，包括以下步骤：
通过均方根算法对预处理后脑电信号进行计算，获得所述预处理后脑电信号中的疑似高频振荡节律；
通过降噪自编码网络对所述疑似高频振荡节律的小波系数进行特征提取，获得所述疑似高频振荡节律的时频域特征；
通过样本权重调节后的集成分类器对所述时频域特征进行检测，获得高频振荡节律。
优选地，所述通过均方根算法对预处理后脑电信号进行计算，获得所述预处理后脑电信号中的疑似高频振荡节律的步骤之前，还包括：
对所述脑电信号进行带通滤波操作，去除所述脑电信号中通频带以外的信号，获得预处理后脑电信号。
优选地，所述通过均方根算法对预处理后脑电信号进行计算，获得所述预处理后脑电信号中的疑似高频振荡节律，具体为：
对所述预处理后脑电信号进行移动窗处理，计算所述预处理后脑电信号的均方根值 RMS(q)，具体的计算公式为：
Figure GDA0003498700320000021
其中，s(k)表示预处理后脑电信号的第k个数据点的幅值，k表示数据点的编号；L表示窗长；NlL表示预处理后脑电信号的总长度，Nl是移动窗的数量；q表示均方根的编号；
设置均方根阈值Threshold＝E+3SD，其中E和SD分别是均方根的平均值和标准差；
将所述均方根值大于所述均方根阈值的预处理后脑电信号认为是疑似事件；
将时间间隔小于5ms的两个所述疑似事件合并为一个所述疑似事件；
判断各所述疑似事件的持续时间，若所述疑似事件的持续时间大于30ms，则将该疑似事件前后100ms的预处理后脑电信号认为是疑似高频振荡节律。
优选地，所述通过降噪自编码网络对所述疑似高频振荡节律的小波系数进行特征提取，获得所述疑似高频振荡节律的时频域特征，具体为：
计算所述疑似高频振荡节律的小波系数，具体计算公式为：
Figure GDA0003498700320000031
sEOI(kQ)是疑似高频振荡节律，a是频率伸缩因子，b是时间平移因子，Q是脑电信号的采样周期，ψ*是Morlet母小波函数的共轭函数，Morlet母小波函数为
Figure GDA0003498700320000032
fb是频率带宽，fc是中心频率，q表示均方根的编号；
将所述疑似高频振荡节律的小波系数输入降噪自编码网络；所述疑似高频振荡节律的时频域特征为所述降噪自编码网络各隐藏层的激活值。
优选地，所述样本权重调节后的集成分类器的训练过程包括以下步骤：
获取样本权重调节因子；
根据所述样本权重调节因子训练集成分类器，训练完成后获得样本权重调节后的集成分类器。
优选地，所述样本权重调节因子包括：间隔内的样本权重调节因子和间隔外分类错误的高频振荡节律样本权重调节因子；
所述间隔内的样本权重调节因子的表达式具体为：
Figure GDA0003498700320000033
其中，
Figure GDA0003498700320000034
表示第t+1次迭代时第n个样本的样本权重调节因子，
Figure GDA0003498700320000035
和
Figure GDA0003498700320000036
分别表示第t次迭代后分类间隔内高频振荡节律样本数量和非高频振荡节律样本数量， t＝1,2,...,T，T是最大迭代次数，yn表示样本的标签，yn＝-1表示对应的样本是非高频振荡节律，yn＝+1表示对应的样本是高频振荡节律；
Figure GDA0003498700320000037
且
Figure GDA0003498700320000038
当
Figure GDA0003498700320000039
时，高频振荡节律的样本权重调节因子大于1，非高频振荡节律的样本权重调节因子小于1；
Figure GDA00034987003200000310
和
Figure GDA00034987003200000311
相差越大，高频振荡节律的样本权重调节因子越大，非高频振荡节律的样本权重调节因子越小；n为样本编号；t为迭代次数；
所述间隔外分类错误的高频振荡节律样本权重调节因子的表达式具体为：
Figure GDA0003498700320000041
其中，
Figure GDA0003498700320000042
和
Figure GDA0003498700320000043
分别表示高频振荡节律样本总数量和第t次迭代时间隔外分类错误的高频振荡节律样本数量；
Figure GDA0003498700320000044
且
Figure GDA0003498700320000045
式中e为常数，其值约等于2.7；样本权重调节因子随着间隔外分类错误的高频振荡节律样本数量的增加而增加；当高频振荡节律样本全部分类正确时
Figure GDA0003498700320000046
当高频振荡节律样本全部分类错误时
Figure GDA0003498700320000047
优选地，所述根据所述样本权重调节因子训练集成分类器，训练完成后获得样本权重调节后的集成分类器，具体为：
获取训练数据集
Figure GDA0003498700320000048
和基分类器dt，其中xn是第n个训练样本，yn是xn的标签，n为样本编号，N为样本总数，t为迭代次数，设置最大迭代次数T；
设置初始样本权重调节因子
Figure GDA0003498700320000049
和初始样本权重
Figure GDA00034987003200000410
具体为：
Figure GDA00034987003200000411
N为大于1的正整数；
根据迭代学习的分类结果更新所述样本权重
Figure GDA00034987003200000412
和所述样本权重调节因子
Figure GDA00034987003200000413
的值；t 的初始值为1，当所述样本权重
Figure GDA00034987003200000414
和所述样本权重调节因子
Figure GDA00034987003200000415
的值更新时，t的值加1，直至t＝T；
T次迭代计算完成后，所述集成分类器获得分类标签dfinal(xn)，具体公式为：
Figure GDA00034987003200000416
其中，εt为基分类器dt的权重，t为迭代次数，T为最大迭代次数。
优选地，所述根据迭代学习的分类结果更新所述样本权重
Figure GDA00034987003200000417
和所述样本权重调节因子
Figure GDA00034987003200000418
的值，具体为：
通过所述样本权重调节因子
Figure GDA00034987003200000419
将所述基分类器dt的训练数据集的样本权重调节为
Figure GDA00034987003200000420
计算所述基分类器dt的权重εt，具体的计算公式为：
Figure GDA0003498700320000051
其中，
Figure GDA0003498700320000052
是基分类器dt的分类误差，
Figure GDA0003498700320000053
和dt(xn)分别是第n个样本在第t次迭代学习后获得的样本权重和类别标签；
根据所述基分类器dt产生的权重εt类别标签dt(xn)，更新样本权重的值，具体的计算公式为：
Figure GDA0003498700320000054
其中，第1次迭代计算时的样本权重为
Figure GDA0003498700320000055
其中N为样本总数量；
根据基分类器dt的分类结果更新所述权重因子
Figure GDA0003498700320000056
的值；
更新迭代次数t＝t+1。
优选地，所述根据所述样本权重调节因子训练集成分类器的过程中，通过网格搜索算法选择合适的基分类器数量；
所述网格搜索算法选择合适的基分类器数量的过程具体为：设置基分类器数量的网格搜索范围和搜索步长，计算各网格点的分类性能；当所述集成分类器的分类性能不再随着基分类器数量的增大而显著提高时，选择此时的基分类器数量作为所述集成分类器的集成规模数量。
此外，为实现上述目的，本发明还提出一种基于集成分类的高频振荡节律检测装置，包括：
疑似高频振荡节律获取模块，用于通过均方根算法对预处理后脑电信号进行计算，获得所述预处理后脑电信号中的疑似高频振荡节律；
时频域特征获取模块，用于通过降噪自编码网络对所述疑似高频振荡节律的小波系数进行特征提取，获得所述疑似高频振荡节律的时频域特征；
高频振荡节律获取模块，用于通过样本权重调节后的集成分类器对所述时频域特征进行检测，获得高频振荡节律。
本发明具有以下有益效果：
基于样本权重调节进行集成分类，克服高频振荡节律与非高频振荡节律之间的类不平衡问题，提高高频振荡节律检测性能。
附图说明
图1为基于集成分类的高频振荡节律检测方法的流程图；
图2为降噪自编码网络结构示意图；
图3为支持向量机分类实例示意图；
图4为基分类器数量对检测性能的影响图；
图5为基于集成分类的高频振荡节律检测装置示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种基于集成分类的高频振荡节律检测方法，该方法采用样本权重调节因子调节基于自适应提升的支持向量机集成分类器的训练样本的权重，并利用样本权重调节后的集成分类器检测高频振荡节律，克服高频振荡节律与非高频振荡节律之间的类不平衡问题，从而提高高频振荡节律检测性能；
参考图1，一种基于集成分类的高频振荡节律检测方法，具体包括以下步骤：
S10：通过均方根算法对预处理后脑电信号进行计算，获得所述预处理后脑电信号中的疑似高频振荡节律；
S20：通过降噪自编码网络对所述疑似高频振荡节律的小波系数进行特征提取，获得所述疑似高频振荡节律的时频域特征；
S30：通过样本权重调节后的集成分类器对所述时频域特征进行检测，获得高频振荡节律。
进一步地，步骤S10中，所述通过均方根算法对预处理后脑电信号进行计算，获得所述预处理后脑电信号中的疑似高频振荡节律的步骤之前，还包括：
对所述脑电信号进行带通滤波操作，去除所述脑电信号中通频带以外的信号，获得预处理后脑电信号。
进一步地，步骤S10具体为：
对所述预处理后脑电信号进行移动窗处理，窗长L＝6ms，计算所述预处理后脑电信号的均方根值RMS(q)，具体的计算公式为：
Figure GDA0003498700320000071
其中，s(k)表示预处理后脑电信号的第k个数据点的幅值，k表示数据点的编号；L表示窗长；NlL表示预处理后脑电信号的总长度，Nl是移动窗的数量；q表示均方根的编号；
设置均方根阈值Threshold＝E+3SD，其中E和SD分别是均方根的平均值和标准差；
将所述均方根值大于所述均方根阈值的预处理后脑电信号认为是疑似事件；
将时间间隔小于5ms的两个所述疑似事件合并为一个所述疑似事件；
判断各所述疑似事件的持续时间，若所述疑似事件的持续时间大于30ms，则将该疑似事件前后100ms的预处理后脑电信号认为是疑似高频振荡节律。
进一步地，步骤S20具体为：
计算所述疑似高频振荡节律的小波系数，具体计算公式为：
Figure GDA0003498700320000072
sEOI(kQ)是疑似高频振荡节律，a是频率伸缩因子，b是时间平移因子，Q是脑电信号的采样周期，ψ*是Morlet母小波函数的共轭函数，Morlet母小波函数为：
Figure GDA0003498700320000073
其中，fb是频率带宽，fc是中心频率，q表示均方根的编号；
将所述疑似高频振荡节律的小波系数输入降噪自编码网络；所述疑似高频振荡节律的时频域特征为所述降噪自编码网络各隐藏层的激活值。
参考图2，降噪自编码网络有1层输入层和3层隐藏层，各隐藏层的激活函数为 f(z)＝(1+exp(-z))-1，各层之间的神经元全连接，其中，输入层的节点数目等于疑似高频振荡节律的小波系数数量，隐藏层1、隐藏层2和隐藏层3的节点数目分别为800、400和 200，[x1,x2,...,xn]Q表示输入向量(即疑似高频振荡节律的小波系数)令 u∈{1,2,3},j∈{1,2,...,800}，则
Figure GDA0003498700320000074
表示各隐藏层神经元的激活值。
进一步地，步骤30中，所述样本权重调节后的集成分类器的训练过程包括以下步骤：
S301：获取样本权重调节因子；
S302：根据所述样本权重调节因子训练集成分类器，训练完成后获得样本权重调节后的集成分类器。
进一步地，考虑到脑电信号中高频振荡节律样本与非高频振荡节律样本之间的类不平衡(高频振荡节律样本数量显著少于非高频振荡节律样本数量)，提出一种样本权重调节因子，用于克服类不平衡问题；
所述样本权重调节因子包括：间隔内的样本权重调节因子和间隔外分类错误的高频振荡节律样本权重调节因子；
参考图3，当利用支持向量机分类高频振荡节律与非高频振荡节律时，在间隔内(灰度区域)有高频振荡节律样本(空心圆圈)和非高频振荡节律样本(实心圆圈)，在间隔外有分类错误的高频振荡节律样本(椭圆内)和非高频振荡节律样本；间隔内的样本数量不平衡率显著影响分类性能，因而间隔内的样本需要关注；此外，高频振荡节律样本数量少，间隔外分类错误的高频振荡节律样本会显著降低检测灵敏度，因而这些分类错误的样本也需要关注；提出的样本权重调节因子主要关注间隔内的样本(高频振荡节律样本和非高频振荡节律样本)和间隔外分类错误的高频振荡节律样本，其他样本的样本权重调节因子设为1；
所述间隔内的样本权重调节因子的表达式具体为：
Figure GDA0003498700320000081
其中，
Figure GDA0003498700320000082
表示第t+1次迭代时第n个样本的样本权重调节因子，
Figure GDA0003498700320000083
和
Figure GDA0003498700320000084
分别表示第t次迭代后分类间隔内高频振荡节律样本数量和非高频振荡节律样本数量， t＝1,2,...,T，T是最大迭代次数，yn表示样本的标签，yn＝-1表示对应的样本是非高频振荡节律，yn＝+1表示对应的样本是高频振荡节律；
Figure GDA0003498700320000085
且
Figure GDA0003498700320000086
当
Figure GDA0003498700320000087
时，高频振荡节律的样本权重调节因子大于1，非高频振荡节律的样本权重调节因子小于1；
Figure GDA0003498700320000088
和
Figure GDA0003498700320000089
相差越大，高频振荡节律的样本权重调节因子越大，非高频振荡节律的样本权重调节因子越小；n为样本编号；t为迭代次数；
所述间隔外分类错误的高频振荡节律样本权重调节因子的表达式具体为：
Figure GDA0003498700320000091
其中，
Figure GDA0003498700320000092
和
Figure GDA0003498700320000093
分别表示高频振荡节律样本总数量和第t次迭代后间隔外分类错误的高频振荡节律样本数量；
Figure GDA0003498700320000094
且
Figure GDA0003498700320000095
式中e为常数，其值约等于2.7；样本权重调节因子随着间隔外分类错误的高频振荡节律样本数量的增加而增加；当高频振荡节律样本全部分类正确时
Figure GDA0003498700320000096
当高频振荡节律样本全部分类错误时
Figure GDA0003498700320000097
进一步地，参考表一，基于样本权重调节因子训练集成分类器，进行集成分类，将获得的样本权重调节因子引入基于自适应提升的支持向量机集成分类器中，用于调节基分类器训练样本的权重，从而克服高频振荡节律样本与非高频振荡节律样本之间的类不平衡问题；值得注意的是，第t次迭代学习(即训练第t个基分类器)获得的样本权重调节因子用于调节第t+1次迭代学习时训练样本的权重；该调节是通过将样本权重调节因子乘以相应的样本权重来实现的；
表一
Figure GDA0003498700320000098
步骤S302具体为：
S3021：获取训练数据集
Figure GDA0003498700320000099
和基分类器dt，其中xn是第n个训练样本，yn是xn的标签，n为样本编号，N为样本总数，t为迭代次数，设置最大迭代次数T；
S3022：设置初始样本权重调节因子
Figure GDA0003498700320000101
和初始样本权重
Figure GDA0003498700320000102
具体为：
Figure GDA0003498700320000103
N为大于1的正整数；
S3023：根据迭代学习的分类结果更新所述样本权重
Figure GDA0003498700320000104
和所述样本权重调节因子
Figure GDA0003498700320000105
的值；t的初始值为1，当所述样本权重
Figure GDA0003498700320000106
和所述样本权重调节因子
Figure GDA0003498700320000107
的值更新时，t的值加1，直至t＝T；
S3024：T次迭代计算完成后，所述集成分类器获得分类标签dfinal(xn)，具体公式为：
Figure GDA0003498700320000108
其中，εt为基分类器dt的权重，t为迭代次数，T为最大迭代次数。
进一步地，步骤S3023中，所述根据迭代学习的分类结果更新所述样本权重
Figure GDA0003498700320000109
和所述样本权重调节因子
Figure GDA00034987003200001010
的值，具体为：
通过所述样本权重调节因子
Figure GDA00034987003200001011
将所述基分类器dt的训练数据集的样本权重调节为
Figure GDA00034987003200001012
计算所述基分类器dt的权重εt，具体的计算公式为：
Figure GDA00034987003200001013
其中，
Figure GDA00034987003200001014
是基分类器dt的分类误差，
Figure GDA00034987003200001015
和dt(xn)分别是第n个样本在第t次迭代学习后获得的样本权重和类别标签；
根据所述基分类器dt产生的权重εt和类别标签dt(xn)，更新样本权重的值，具体的计算公式为：
Figure GDA00034987003200001016
其中，第1次迭代计算时的样本权重为
Figure GDA00034987003200001017
其中N为样本总数量；
根据基分类器dt的分类结果更新所述权重因子
Figure GDA00034987003200001018
的值；
更新迭代次数t＝t+1。
在具体实现中，脑电信号中高频振荡节律样本数量明显少于非高频振荡节律样本数量，因而基分类器分类间隔内高频振荡节律和间隔外分类错误的高频振荡节律的样本权重调节因子大于1，而间隔内非高频振荡节律的样本权重调节因子小于1；当利用这些调节因子调节相应样本的权重时，会使相应高频振荡节律样本在训练时的权重更大，而相应非高频振荡节律样本在训练时权重更小，从而使分类器更加注重高频振荡节律样本，克服类不平衡的影响，提高高频振荡节律检测性能。
进一步地，在步骤S302的所述根据所述样本权重调节因子训练集成分类器的过程中，通过网格搜索算法选择合适的基分类器数量；
所述网格搜索算法选择合适的基分类器数量的过程具体为：设置基分类器数量的网格搜索范围和搜索步长，计算各网格点的分类性能；当所述集成分类器的分类性能不再随着基分类器数量的增大而显著提高时，选择此时的基分类器数量作为所述集成分类器的集成规模数量。
进一步地，步骤S30在具体实现中，具体为：
首先，将10名难治性癫痫患者的脑电数据随机分为训练集和测试集，其中8名患者的脑电数据为训练集，剩余2名患者的脑电数据为测试集；然后，基于训练集，将降噪自编码网络隐藏层3获得的特征作为基分类器dt的输入向量，根据表一的过程训练T个基分类器；最后，基于测试集，采用训练后的T个分类器对疑似高频振荡节律进行分类，将T 个基分类器的分类结果线性组合，获得集成分类结果
Figure GDA0003498700320000111
其中xn是疑似高频振荡节律的时频域特征，εt是基分类器dt的权重，dt(xn)是基分类器dt分类xn获得的分类标签；dfinal(xn)＝+1表示与xn对应的疑似高频振荡节律被分类为真正的高频振荡节律，dfinal(xn)＝-1表示与xn对应的疑似高频振荡节律被分类为非高频振荡节律；
为了获得良好的分类性能，采用网格搜索算法来选择合适的基分类器数量；设置基分类器数量(最大迭代次数T)的网格搜索范围为10-100，搜索步长为10；涟波和快速是两种不同的高频振荡节律，因而本实施例检测涟波和快速涟波；采用灵敏度和误检率来衡量高频振荡节律检测性能；灵敏度和误检率的计算公式如下：
Figure GDA0003498700320000112
Figure GDA0003498700320000121
灵敏度越大，误检率越小，高频振荡节律检测性能越良好；参考图4，是网格搜索算法在各网格点处获得的检测灵敏度和误检率；由图4可知，基分类器数量小于50时，涟波的检测灵敏度随基分类器数量的增加而提高，误检率则随基分类器数量的增加而降低，基分类器数量对检测性能影响显著；当基分类器数量超过50时，涟波检测灵敏度和误检率随基分类器数量变化不显著；快速涟波的检测灵敏度和误检率随基分类器数量的变化趋势与涟波的相同；因此，根据步骤三中提出的基分类器数量选择准则，本实施例采用基分类器数量T＝50；
参考表二，列出了进行样本权重调节前、后集成分类器的检测性能；从表二可以看出，经过样本权重调节后，涟波和快速涟波的灵敏度分别从86.5％和85.4％提高到92.9％和 90.7％，误检率则分别从14.3％和13.5％降低到8.4％和9.9％；因此，本发明提出的基于样本权重调节进行集成分类的高频振荡节律检测方法有效解决了类不平衡问题，提高了高频振荡节律检测性能。
表二
Figure GDA0003498700320000122
进一步地，参考图5，一种基于集成分类的高频振荡节律检测装置，包括以下模块：
疑似高频振荡节律获取模块10，用于通过均方根算法对预处理后脑电信号进行计算，获得所述预处理后脑电信号中的疑似高频振荡节律；
时频域特征获取模块20，用于通过降噪自编码网络对所述疑似高频振荡节律的小波系数进行特征提取，获得所述疑似高频振荡节律的时频域特征；
高频振荡节律获取模块30，用于通过样本权重调节后的集成分类器对所述时频域特征进行检测，获得高频振荡节律。
本发明所述目标区域检测装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为标识。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种基于集成分类的高频振荡节律检测方法，其特征在于，包括以下步骤：
通过均方根算法对预处理后脑电信号进行计算，获得所述预处理后脑电信号中的疑似高频振荡节律；
通过降噪自编码网络对所述疑似高频振荡节律的小波系数进行特征提取，获得所述疑似高频振荡节律的时频域特征；
通过样本权重调节后的集成分类器对所述时频域特征进行检测，获得高频振荡节律；
所述样本权重调节后的集成分类器的训练过程包括以下步骤：
获取样本权重调节因子；
根据所述样本权重调节因子训练集成分类器，训练完成后获得样本权重调节后的集成分类器；
所述样本权重调节因子包括：间隔内的样本权重调节因子和间隔外分类错误的高频振荡节律样本权重调节因子；
所述间隔内的样本权重调节因子的表达式具体为：
Figure FDA0003498700310000011
其中，
Figure FDA0003498700310000012
表示第t+1次迭代时第n个样本的样本权重调节因子，
Figure FDA0003498700310000013
和
Figure FDA0003498700310000014
分别表示第t次迭代后分类间隔内高频振荡节律样本数量和非高频振荡节律样本数量，t＝1,2,...,T，T是最大迭代次数，yn表示样本的标签，yn＝-1表示对应的样本是非高频振荡节律，yn＝+1表示对应的样本是高频振荡节律；
Figure FDA0003498700310000015
且
Figure FDA0003498700310000016
当
Figure FDA0003498700310000017
时，高频振荡节律的样本权重调节因子大于1，非高频振荡节律的样本权重调节因子小于1；
Figure FDA0003498700310000018
和
Figure FDA0003498700310000019
相差越大，高频振荡节律的样本权重调节因子越大，非高频振荡节律的样本权重调节因子越小；n为样本编号；t为迭代次数；
所述间隔外分类错误的高频振荡节律样本权重调节因子的表达式具体为：
Figure FDA00034987003100000110
其中，
Figure FDA0003498700310000021
和
Figure FDA0003498700310000022
分别表示高频振荡节律样本总数量和第t次迭代后间隔外分类错误的高频振荡节律样本数量；
Figure FDA0003498700310000023
且
Figure FDA0003498700310000024
式中e为常数，其值约等于2.7；样本权重调节因子随着间隔外分类错误的高频振荡节律样本数量的增加而增加；当高频振荡节律样本全部分类正确时
Figure FDA0003498700310000025
当高频振荡节律样本全部分类错误时
Figure FDA0003498700310000026
2.根据权利要求1所述的基于集成分类的高频振荡节律检测方法，其特征在于，所述通过均方根算法对预处理后脑电信号进行计算，获得所述预处理后脑电信号中的疑似高频振荡节律的步骤之前，还包括：
对所述脑电信号进行带通滤波操作，去除所述脑电信号中通频带以外的信号，获得预处理后脑电信号。
3.根据权利要求1所述的基于集成分类的高频振荡节律检测方法，其特征在于，所述通过均方根算法对预处理后脑电信号进行计算，获得所述预处理后脑电信号中的疑似高频振荡节律，具体为：
对所述预处理后脑电信号进行移动窗处理，计算所述预处理后脑电信号的均方根值RMS(q)，具体的计算公式为：
Figure FDA0003498700310000027
其中，s(k)表示预处理后脑电信号的第k个数据点的幅值，k表示数据点的编号；L表示窗长；NlL表示预处理后脑电信号的总长度，Nl是移动窗的数量；q表示均方根的编号；
设置均方根阈值Threshold＝E+3SD，其中E和SD分别是均方根的平均值和标准差；
将所述均方根值大于所述均方根阈值的预处理后脑电信号认为是疑似事件；
将时间间隔小于5ms的两个所述疑似事件合并为一个所述疑似事件；
判断各所述疑似事件的持续时间，若所述疑似事件的持续时间大于30ms，则将该疑似事件前后100ms的预处理后脑电信号认为是疑似高频振荡节律。
4.根据权利要求1所述的基于集成分类的高频振荡节律检测方法，其特征在于，所述通过降噪自编码网络对所述疑似高频振荡节律的小波系数进行特征提取，获得所述疑似高频振荡节律的时频域特征，具体为：
计算所述疑似高频振荡节律的小波系数，具体计算公式为：
Figure FDA0003498700310000031
sEOI(kQ)是疑似高频振荡节律，a是频率伸缩因子，b是时间平移因子，Q是脑电信号的采样周期，ψ*是Morlet母小波函数的共轭函数，Morlet母小波函数为
Figure 802334DEST_PATH_IMAGE002
，fb是频率带宽，fc是中心频率，q表示均方根的编号；k表示数据点的编号；
将所述疑似高频振荡节律的小波系数输入降噪自编码网络；所述疑似高频振荡节律的时频域特征为所述降噪自编码网络各隐藏层的激活值。
5.根据权利要求1所述的基于集成分类的高频振荡节律检测方法，其特征在于，所述根据所述样本权重调节因子训练集成分类器，训练完成后获得样本权重调节后的集成分类器，具体为：
获取训练数据集
Figure FDA0003498700310000033
和基分类器dt，其中xn是第n个训练样本，yn是xn的标签，n为样本编号，N为样本总数，t为迭代次数，设置最大迭代次数T；
设置初始样本权重调节因子
Figure FDA0003498700310000034
和初始样本权重
Figure FDA0003498700310000035
具体为：
Figure DEST_PATH_IMAGE002
，N为大于1的正整数；
根据迭代学习的分类结果更新所述样本权重
Figure FDA0003498700310000037
和所述样本权重调节因子
Figure FDA0003498700310000038
的值；t的初始值为1，当所述样本权重
Figure FDA0003498700310000039
和所述样本权重调节因子
Figure FDA00034987003100000310
的值更新时，t的值加1，直至t＝T；
T次迭代计算完成后，所述集成分类器获得分类标签dfinal(xn)，具体公式为：
Figure FDA00034987003100000311
其中，εt为基分类器dt的权重，t为迭代次数，T为最大迭代次数。
6.根据权利要求5所述的基于集成分类的高频振荡节律检测方法，其特征在于，所述根据迭代学习的分类结果更新所述样本权重
Figure FDA00034987003100000312
和所述样本权重调节因子
Figure FDA00034987003100000313
的值，具体为：
通过所述样本权重调节因子
Figure FDA00034987003100000314
将所述基分类器dt的训练数据集的样本权重调节为
Figure FDA0003498700310000041
计算所述基分类器dt的权重εt，具体的计算公式为：
Figure FDA0003498700310000042
其中，
Figure FDA0003498700310000043
是基分类器dt的分类误差，
Figure FDA0003498700310000044
和dt(xn)分别是第n个样本在第t次迭代学习后获得的样本权重和类别标签；
根据所述基分类器dt产生的权重εt和类别标签dt(xn)，更新样本权重的值，具体的计算公式为：
Figure FDA0003498700310000045
其中，第1次迭代计算时的样本权重为
Figure FDA0003498700310000046
其中N为样本总数量；
根据基分类器dt的分类结果更新所述权重因子
Figure FDA0003498700310000047
的值；
更新迭代次数t＝t+1。
7.根据权利要求1所述的基于集成分类的高频振荡节律检测方法，其特征在于，所述根据所述样本权重调节因子训练集成分类器的过程中，通过网格搜索算法选择合适的基分类器数量；
所述网格搜索算法选择合适的基分类器数量的过程具体为：设置基分类器数量的网格搜索范围和搜索步长，计算各网格点的分类性能；当所述集成分类器的分类性能不再随着基分类器数量的增大而显著提高时，选择此时的基分类器数量作为所述集成分类器的集成规模数量。
8.一种基于集成分类的高频振荡节律检测装置，其特征在于，包括以下模块：
疑似高频振荡节律获取模块，用于通过均方根算法对预处理后脑电信号进行计算，获得所述预处理后脑电信号中的疑似高频振荡节律；
时频域特征获取模块，用于通过降噪自编码网络对所述疑似高频振荡节律的小波系数进行特征提取，获得所述疑似高频振荡节律的时频域特征；
高频振荡节律获取模块，用于通过样本权重调节后的集成分类器对所述时频域特征进行检测，获得高频振荡节律；
所述样本权重调节后的集成分类器的训练过程包括以下步骤：
获取样本权重调节因子；
根据所述样本权重调节因子训练集成分类器，训练完成后获得样本权重调节后的集成分类器；
所述样本权重调节因子包括：间隔内的样本权重调节因子和间隔外分类错误的高频振荡节律样本权重调节因子；
所述间隔内的样本权重调节因子的表达式具体为：
Figure FDA0003498700310000051
其中，
Figure FDA0003498700310000052
表示第t+1次迭代时第n个样本的样本权重调节因子，
Figure FDA0003498700310000053
和
Figure FDA0003498700310000054
分别表示第t次迭代后分类间隔内高频振荡节律样本数量和非高频振荡节律样本数量，t＝1,2,...,T，T是最大迭代次数，yn表示样本的标签，yn＝-1表示对应的样本是非高频振荡节律，yn＝+1表示对应的样本是高频振荡节律；
Figure FDA0003498700310000055
且
Figure FDA0003498700310000056
当
Figure FDA0003498700310000057
时，高频振荡节律的样本权重调节因子大于1，非高频振荡节律的样本权重调节因子小于1；
Figure FDA0003498700310000058
和
Figure FDA0003498700310000059
相差越大，高频振荡节律的样本权重调节因子越大，非高频振荡节律的样本权重调节因子越小；
所述间隔外分类错误的高频振荡节律样本权重调节因子的表达式具体为：
Figure FDA00034987003100000510
其中，
Figure FDA00034987003100000511
和
Figure FDA00034987003100000512
分别表示高频振荡节律样本总数量和第t次迭代后间隔外分类错误的高频振荡节律样本数量；
Figure FDA00034987003100000513
且
Figure FDA00034987003100000514
式中e为常数，其值约等于2.7；样本权重调节因子随着间隔外分类错误的高频振荡节律样本数量的增加而增加；当高频振荡节律样本全部分类正确时
Figure FDA00034987003100000515
当高频振荡节律样本全部分类错误时
Figure FDA00034987003100000516
CN202110088997.0A 2021-01-22 2021-01-22 基于集成分类的高频振荡节律检测方法及装置 Active CN112790775B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110088997.0A CN112790775B (zh) 2021-01-22 2021-01-22 基于集成分类的高频振荡节律检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110088997.0A CN112790775B (zh) 2021-01-22 2021-01-22 基于集成分类的高频振荡节律检测方法及装置

Publications (2)

Publication Number Publication Date
CN112790775A CN112790775A (zh) 2021-05-14
CN112790775B true CN112790775B (zh) 2022-04-12

Family

ID=75811236

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110088997.0A Active CN112790775B (zh) 2021-01-22 2021-01-22 基于集成分类的高频振荡节律检测方法及装置

Country Status (1)

Country Link
CN (1) CN112790775B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113576494B (zh) * 2021-07-28 2022-07-29 生物岛实验室 一种脑电信号处理方法、装置以及计算机可读存储介质
CN114532994B (zh) * 2022-03-23 2023-07-28 电子科技大学 一种基于卷积变分自编码器的无监督脑电高频振荡信号自动检测方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104573012A (zh) * 2015-01-09 2015-04-29 上海大学 可收缩步长的多类别集成学习分类方法
CN105320967A (zh) * 2015-11-04 2016-02-10 中科院成都信息技术股份有限公司 基于标签相关性的多标签AdaBoost集成方法
CN108228716B (zh) * 2017-12-05 2020-01-14 华南理工大学 基于加权极限学习机的SMOTE_Bagging集成污水处理故障诊断方法
CN109063787A (zh) * 2018-08-28 2018-12-21 齐齐哈尔大学 一种用于不平衡数据的基于X-mean和样本错分类率集成分类方法
CN109472302A (zh) * 2018-10-29 2019-03-15 中国石油大学(华东) 一种基于AdaBoost的支持向量机集成学习方法
CN109558893B (zh) * 2018-10-31 2022-12-16 华南理工大学 基于重采样池的快速集成污水处理故障诊断方法
CN110236536A (zh) * 2019-06-04 2019-09-17 电子科技大学 一种基于卷积神经网络的脑电高频振荡信号检测系统
CN110584598B (zh) * 2019-08-07 2020-07-03 中国地质大学（武汉） 基于时频分析的自动分离高频振荡节律中尖峰活动方法
CN111265210A (zh) * 2020-03-24 2020-06-12 华中科技大学 一种基于深度学习的房颤预测装置和设备

Also Published As

Publication number Publication date
CN112790775A (zh) 2021-05-14

Similar Documents

Publication Publication Date Title
CN112790775B (zh) 基于集成分类的高频振荡节律检测方法及装置
Singh et al. Classification of unsegmented heart sound recording using KNN classifier
CN109827776B (zh) 轴承故障检测方法及系统
CN108229382A (zh) 振动信号特征提取方法、装置、存储介质和计算机设备
CN108888259A (zh) 一种心电信号实时qrs波检测方法
CN113100756A (zh) 一种基于Stacking的帕金森震颤检测方法
CN105147252A (zh) 心脏疾病识别及评估方法
CN116030829A (zh) 一种基于深度残差神经网络的心音分类方法
CN112329914A (zh) 地埋式变电站的故障诊断方法、装置及电子设备
CN108682433A (zh) 基于mfcc的一阶差分系数的心音类型识别方法
Ebrahimpour et al. Epileptic seizure detection using a neural network ensemble method and wavelet transform
DE112018004820T5 (de) Herzschlagdetektionsvorrichtung, herzschlagdetektionsverfahren, und programm
CN112315440A (zh) 心率检测方法、可穿戴设备及可读存储介质
CN114027846B (zh) 一种智能心电信号处理方法
Mourad et al. Automatic correction of eye blink artifact in single channel EEG recording using EMD and OMP
CN117313001B (zh) 用于分布式光纤声波传感系统的混合事件分解及识别方法
Ravelo-García et al. Cepstrum coefficients of the RR series for the detection of obstructive sleep apnea based on different classifiers
Kao et al. Automatic heart sound analysis with short-time fourier transform and support vector machines
CN114287884B (zh) 一种基于人工智能的噪声检测方法及系统
Bigan A system for neural networks detection and automatic identification of EEG epileptic events
CN111078001B (zh) 一种基于alpha波的差错抑制脑机接口方法
CN108182950A (zh) 改进的经验小波变换的公共场所异常声音特征分解与提取方法
US8868162B2 (en) Method and attenuator for detection and iterative attenuation of spikes in complex signals
LU et al. Micro-Cracks detection of eggshells based on a magnetostrictive transducer
CN111345806B (zh) 一种心动周期检测方法及装置

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