CN113662558B - 一种区分脑电眨眼伪迹与额极痫样放电的智能分类方法 - Google Patents
一种区分脑电眨眼伪迹与额极痫样放电的智能分类方法 Download PDFInfo
- Publication number
- CN113662558B CN113662558B CN202110955257.2A CN202110955257A CN113662558B CN 113662558 B CN113662558 B CN 113662558B CN 202110955257 A CN202110955257 A CN 202110955257A CN 113662558 B CN113662558 B CN 113662558B
- Authority
- CN
- China
- Prior art keywords
- signal
- signals
- channel
- vme
- data set
- 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
Links
- 206010015037 epilepsy Diseases 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 21
- 210000004556 brain Anatomy 0.000 title claims abstract description 19
- 210000001061 forehead Anatomy 0.000 title claims description 4
- 238000013145 classification model Methods 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims abstract description 9
- 239000000284 extract Substances 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000001787 epileptiform Effects 0.000 claims description 4
- XMXLVNVGGJBUPF-UHFFFAOYSA-N 2-amino-n,n-diethyl-1,3-benzothiazole-6-carboxamide Chemical compound CCN(CC)C(=O)C1=CC=C2N=C(N)SC2=C1 XMXLVNVGGJBUPF-UHFFFAOYSA-N 0.000 claims 3
- 101100349237 Agrobacterium fabrum (strain C58 / ATCC 33970) maf2 gene Proteins 0.000 claims 3
- 101100378608 Arabidopsis thaliana AGL31 gene Proteins 0.000 claims 3
- 101100049730 Arabidopsis thaliana WPP2 gene Proteins 0.000 claims 3
- 101001055100 Homo sapiens Repressor of RNA polymerase III transcription MAF1 homolog Proteins 0.000 claims 3
- 102100025298 Mitochondrial-processing peptidase subunit beta Human genes 0.000 claims 3
- 108050004181 Proto-oncogene Mas Proteins 0.000 claims 3
- 102100026898 Repressor of RNA polymerase III transcription MAF1 homolog Human genes 0.000 claims 3
- 101150095688 maf gene Proteins 0.000 claims 3
- 101100108211 Candida albicans (strain SC5314 / ATCC MYA-2876) ADF1 gene Proteins 0.000 claims 2
- 101000577080 Homo sapiens Mitochondrial-processing peptidase subunit alpha Proteins 0.000 claims 2
- 102100025321 Mitochondrial-processing peptidase subunit alpha Human genes 0.000 claims 2
- 101100068077 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) GCN2 gene Proteins 0.000 claims 2
- 101100279457 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) GCN3 gene Proteins 0.000 claims 2
- APCLRHPWFCQIMG-UHFFFAOYSA-N 4-(5,6-dimethoxy-1-benzothiophen-2-yl)-4-oxobutanoic acid Chemical compound C1=C(OC)C(OC)=CC2=C1SC(C(=O)CCC(O)=O)=C2 APCLRHPWFCQIMG-UHFFFAOYSA-N 0.000 claims 1
- 101150092365 MSA2 gene Proteins 0.000 claims 1
- 101100240989 Schizosaccharomyces pombe (strain 972 / ATCC 24843) nrd1 gene Proteins 0.000 claims 1
- 230000004397 blinking Effects 0.000 abstract description 11
- 238000001514 detection method Methods 0.000 abstract description 8
- 230000009466 transformation Effects 0.000 abstract description 7
- 238000009499 grossing Methods 0.000 abstract description 3
- 230000001037 epileptic effect Effects 0.000 description 20
- 230000000694 effects Effects 0.000 description 3
- 210000001652 frontal lobe Anatomy 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 208000026680 Metabolic Brain disease Diseases 0.000 description 1
- 206010062190 Metabolic encephalopathy Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 208000015114 central nervous system disease Diseases 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 206010014599 encephalitis Diseases 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
-
- 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
- A61B5/7235—Details of waveform analysis
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
-
- 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
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Psychiatry (AREA)
- Animal Behavior & Ethology (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种区分脑电眨眼伪迹与额极痫样放电的智能分类方法，首先对脑电EEG信号进行滤波处理与信号切割；然后对处理后的脑电EEG信号进行平滑非线性能量算子(SNEO)信号变换与变分模态提取(VME)信号变换得到SNEO数据集和VME数据集；然后对三个数据集对应的信号进行20维特征提取；再通过K‑means算法进行二分类无监督聚类，构建无监督分类模型；最后通过建立的无监督分类模型实现眨眼伪迹与痫样放电信号的分类。本发明既克服包含痫样放电信号背景下眨眼伪迹检测精度低的困难，又可以解决现有模型忽略痫样放电的问题，还能够实现眨眼伪迹与额极痫样放电的精准自动化分类。
Description
技术领域
本发明属于脑电信号处理及智慧医疗领域，针对包含额极痫样放电的强噪声脑电信号，涉及一种基于K均值(K-means)无监督聚类算法并融合多类信号多维特征表示的分类方法。在癫痫脑电分析与伪迹滤除领域，额极痫样放电与眨眼伪迹的有效区分至关重要。本发明是基于痫样放电背景下的EEG数据的痫样放电信号与眨眼伪迹信号的自动化分类方法。
背景技术
脑电图(EEG)是脑神经细胞的电生理活动在大脑皮层或头皮表面的总体反应，包含了丰富的脑部活动信息，被广泛的应用于脑机接口(BCI)、心理学、脑中枢神经系统疾病辅助诊断(如脑卒中、癫痫、脑炎、代谢性脑病变)等领域。眨眼伪迹在脑电采集过程中具有不可避免性，因此脑电伪迹的检测是后续脑电分析与信号分析中至关重要的环节。然而，在癫痫辅助检测与分析研究中，癫痫患者背景下的痫样放电信号波形与眨眼引起的脑电伪迹十分相似，并且两者的出现位置也具有高度一致性，均集中在脑电前额通道，这往往对眨眼伪迹信号检测产生巨大干扰。目前传统的眨眼伪迹检测方法通常会忽略眨眼伪迹与额极痫样放电高度相似性这一关键问题，仅仅关注眨眼伪迹的识别而忽视痫样放电信号与眨眼伪迹信号的分类，因此在额叶癫痫患者的脑电图中传统的眨眼伪迹检测模型就会失效。针对这个问题，本发明提出了一种针对包含额极痫样放电的强噪声脑电信号的融合多类信号多维特征表示的分类方法，实现了基于K-means算法的眨眼伪迹与痫样放电信号的自动化精准分类。
发明内容
针对现有技术中存在的不足，本发明提供一种区分脑电眨眼伪迹与额极痫样放电的智能分类方法。
本发明针对额叶癫痫患者脑电信号中包含大量痫样放电信号并与眨眼伪迹相似度高、难以区分这一特点，利用多种信号变换方法提出了可以在少数通道下实现的多维特征表示方法，并结合K-means算法构建了眨眼伪迹和额极痫样放电信号的精准分类模型。
本发明的技术方案主要包括如下步骤：
步骤1、对脑电EEG信号进行滤波处理与信号切割。
步骤2、对步骤1处理后的脑电EEG信号进行平滑非线性能量算子(SNEO)信号变换与变分模态提取(VME)信号变换得到SNEO数据集和VME数据集。
步骤3、对三个数据集对应的信号进行20维特征提取。
步骤4、通过K-means算法进行二分类无监督聚类，构建无监督分类模型。
步骤5、通过建立的无监督分类模型实现眨眼伪迹与痫样放电信号的分类。
所述步骤1，具体步骤如下：
将21通道、1000Hz的原始脑电EEG信号进行滤波处理。每通道分别经过50Hz陷波滤波器和0.5-30Hz带通滤波器，得到滤波信号；由于眨眼伪迹与痫样放电信号主要影响第1通道(Fp1通道)和第2通道(Fp2通道)，故后续脑电信号仅使用前两通道。由于眨眼伪迹电位信号和额极痫样放电信号持续时间均在1s以内，故采用滑动窗口方法对滤波数据进行切割，窗口大小设置为1s，步长为0.5s。由此得到切割信号，所有的切割信号组成完整的样本数据集，假设样本数据集信号个数为T。
所述步骤2，具体步骤如下：
假设样本数据集中每个信号为S2*1000，Si(i＝1，2)表示第i个通道的所有数据，N表示数据长度。
2-1通过如下公式计算样本数据集所有信号的第i个通道Si的对应的SNEO信号，记为ESi：
ESi(t)＝ω(t)*(Si(t)*Si(t)-Si(t-1)*Si(t+1))
式中ω(t)表示窗函数，ESi(t)表示ESi的第t个数据。然后将所有SNEO信号组成完整的SNEO数据集，SNEO数据集内信号个数为T。
2-2通过如下公式计算样本数据集所有信号的第i个通道Si的对应的VME信号，记为VSi：
式中a表示紧凑系数，ωd表示期望模态的中心频率近似值，m表示迭代系数，λ表示上升系数，VSi(t)表示VSi的第t个数据，VSi(0)为0。然后将所有VME信号组成完整的VME数据集，VME数据集内信号个数为T。
所述步骤3，具体步骤如下：
3-1计算脑电样本的多维多通道特征，其中主要包括：
1)计算样本数据集中每个信号的通道1(Fp1通道)和通道2(Fp2通道)分别的单调递增部分斜率最大值MSMI1(maximum value of the slope of the monotonicincreasing part of channel 1)和MSMI2(maximum value of the slope of themonotonic increasing part of channel 2)、超过给定阈值的单调递增部分斜率计数SCMI1(slope count of monotonic increasing part over threshold of channel 1)和SCMI2(slope count of monotonic increasing part over threshold of channel 2)
2)计算SNEO信号数据集中每个信号的通道1(Fp1通道)和通道2(Fp2通道)分别的单调递增部分斜率最大值MSSN1(maximum value of the slope of the monotonicincreasing part of SNEO of channel 1)和MSSN2(maximum value of the slope ofthe monotonic increasing part of SNEO of channel 2)、超过给定阈值的单调递增部分斜率计数SCSN1(slope count of monotonic increasing part over threshold ofSNEO of channel 1)和SCSN2(slope count of monotonic increasing part overthreshold of SNEO of channel 2)
3)计算VME数据集中每个信号的通道1(Fp1通道)和通道2(Fp2通道)分别的第一差值绝对平均值AAF1(average of the absolute value of the first difference ofchannel 1)和AAF2(average of the absolute value of the first difference ofchannel 2)、第一差值绝对最大值MAF1(maximum value of the absolute value of thefirst difference of channel 1)和MAF2(maximum value of the absolute value ofthe first difference of channel 2)、第二差值绝对平均值AAS1(average of theabsolute value of the second difference of channel 1)和AAS2(average of theabsolute value of the second difference of channel 2)、第二差值绝对最大值MAS1(maximum value of the absolute value of the second difference of channel 1)和MAS2(maximum value of the absolute value of the second difference of channel2)、单调递增部分斜率平均值ASMI1(average value of the slope of the monotonicincreasing part of channel 1)和ASMI2(average value of the slope of themonotonic increasing part of channel 2)、单调递增部分斜率最大值MSVM1(maximumvalue of the slope of the monotonic increasing part of VME of channel 1)和MSVM2(maximum value of the slope of the monotonic increasing part of VME ofchannel 2)
以上共20维特征。
3-2通过如下公式计算原始数据集中的信号第i通道的单调递增部分斜率g：
式中scv代表信号单调递增部分计数值。
3-3利用3-2分别计算样本数据集信号的通道1和通道2的单调递增部分斜率序列分别为SMIO1和SMIO2、SNEO数据集信号的通道1和通道2的单调递增部分斜率序列分别为SMIS1和SMIS2、VME数据集信号的通道1和通道2的单调递增部分斜率序列分别为SMIV1和SMIV2。
3-4通过如下公式计算样本数据集信号的单调递增部分斜率最大值MSMI1和MSMI2：
MSMI1＝max(SMIO1)，MSMI2＝max(SMIO2)
式中max()表示取最大值。
3-5通过如下公式计算样本数据集信号的超过给定阈值的单调递增部分斜率计数SCMI1和SCMI2：
SCMI1＝count(SMIO1＞k1)，SCMI2＝count(SMIO2＞k2)
式中k1和k2分别表示原始数据集信号第1通道和第2通道的设定阈值，count()表示取计数值。
3-6通过如下公式计算SNEO数据集信号的单调递增部分斜率最大值MSSN1和MSSN2：
MSSN1＝max(SMIS1)，MSSN2＝max(SMIS2)
3-7通过如下方法计算SNEO数据集信号的超过给定阈值的单调递增部分斜率计数SCSN1和SCSN2：
SCSN1＝count(SMIS1＞k3)，SCSN2＝count(SMIS2＞k4)
式中k3和k4分别表示SNEO数据集信号第1通道和第2通道的设定阈值。
3-8通过如下公式计算VME数据集信号的第一差值绝对平均值AAF1和AAF2：
3-9通过如下公式计算VME数据集信号的第一差值绝对最大值MAF1和MAF2：
MAF1＝max(|ES1(i+1)-ES1(i)|)
MAF2＝max(|ES2(i+1)-ES2(i)|)
其中i＝1，2，...，N-1。
3-10通过如下公式计算VME数据集信号的第二差值绝对平均值AAS1和AAS2：
3-11通过如下公式计算VME数据集信号的第二差值绝对最大值MAS1和MAS2：
MAS1＝max(|ES1(i+2)-ES1(i)|)
MAS2＝max(|ES2(i+2)-ES2(i)|)
式中i＝1，2，...，N-2。
3-12通过如下公式计算VME数据集信号的单调递增部分斜率平均值ASMI1和ASMI2：
式中VL1表示SMIV1序列长度，VL2表示SMIV2序列长度，SMIV1(i)表示SMIV1序列的第i个元素，SMIV2(i)表示SMIV2序列的第i个元素。
3-13通过如下公式计算VME数据集信号的单调递增部分斜率最大值MSVM1和MSVM2：
MSVM1＝max(SMIV1)，MSVM2＝max(SMIV2)
3-14三个数据集的样本总数均为T，对长度为N的信号，原始数据集提取4维特征，SNEO数据集提取4维特征，VME数据集提取12维特征，因此步骤3-2至3-13共提取20维特征提取，构成T*20的特征向量FVs。
所述步骤4，具体步骤如下：
4-1利用步骤3得到的特征向量FVs结合K-means算法进行二分类的无监督聚类，得到无监督分类模型。
本发明有益效果如下
本发明针对癫痫患者的痫样放电信号波形与眨眼引起的脑电伪迹十分相似，并且两者的出现位置也具有高度一致性的问题，面对绝大多数眨眼伪迹检测模型忽略痫样放电信号的现状，本发明提出了一种针对包含额极痫样放电的强噪声脑电信号的融合多类信号多维特征表示的结合K-means算法的分类模型，这既克服包含痫样放电信号背景下眨眼伪迹检测精度低的困难，又可以解决现有模型忽略痫样放电的问题，还能够实现眨眼伪迹与额极痫样放电的精准自动化分类。
附图说明
图1本发明的方法示意框图；
图2本发明的方法流程图；
图3本发明针对眨眼伪迹和痫样放电信号的原始信号、SNEO信号和VME信号的对比图；
具体实施方式
下面结合附图和具体实施方式对本发明作详细说明。
如图1、图2和图3所示，基于多信号多维特征表示的眨眼伪迹与额极痫样放电信号的分类方法的实现步骤在发明内容内已有详细的介绍，即本发明的技术方案主要包括如下步骤：
步骤1、对脑电EEG信号进行滤波处理与信号切割。
步骤2、对步骤1处理后的脑电EEG信号进行平滑非线性能量算子(SNEO)信号变换与变分模态提取(VME)信号变换得到SNEO数据集和VME数据集。
步骤3、对三个数据集对应的信号进行20维特征提取。
步骤4、通过K-means算法进行二分类无监督聚类，构建无监督分类模型。
步骤5、通过建立的无监督分类模型实现眨眼伪迹与痫样放电信号的分类。
所述步骤1，具体步骤如下：
将21通道、1000Hz的原始脑电EEG信号进行滤波处理。每通道分别经过50Hz陷波滤波器和0.5-30Hz带通滤波器，得到滤波信号；由于眨眼伪迹与痫样放电信号主要影响第1通道(Fp1通道)和第2通道(Fp2通道)，故后续脑电信号仅使用前两通道。由于眨眼伪迹电位信号和额极痫样放电信号持续时间均在1s以内，故采用滑动窗口方法对滤波数据进行切割，窗口大小设置为1s，步长为0.5s。由此得到切割信号，所有的切割信号组成完整的样本数据集，假设样本数据集信号个数为T。
所述步骤2，具体步骤如下：
假设样本数据集中每个信号为S2*1000，Si(i＝1，2)表示第i个通道的所有数据，N表示数据长度。
2-1通过如下公式计算样本数据集所有信号的第i个通道Si的对应的SNEO信号，记为ESi：
ESi(t)＝ω(t)*(Si(t)*Si(t)-Si(t-1)*Si(t+1))
式中ω(t)表示窗函数，ESi(t)表示ESi的第t个数据。然后将所有SNEO信号组成完整的SNEO数据集，SNEO数据集内信号个数为T。
2-2通过如下公式计算样本数据集所有信号的第i个通道Si的对应的VME信号，记为VSi：
式中a表示紧凑系数，ωd表示期望模态的中心频率近似值，m表示迭代系数，λ表示上升系数，VSi(t)表示VSi的第t个数据，VSi(0)为0。然后将所有VME信号组成完整的VME数据集，VME数据集内信号个数为T。
所述步骤3，具体步骤如下：
3-1计算脑电样本的多维多通道特征，其中主要包括：
1)计算样本数据集中每个信号的通道1(Fp1通道)和通道2(Fp2通道)分别的单调递增部分斜率最大值MSMI1(maximum value of the slope of the monotonicincreasing part of channel 1)和MSMI2(maximum value of the slope of themonotonic increasing part of channel 2)、超过给定阈值的单调递增部分斜率计数SCMI1(slope count of monotonic increasing part over threshold of channel 1)和SCMI2(slope count of monotonic increasing part over threshold of channel 2)
2)计算SNEO信号数据集中每个信号的通道1(Fp1通道)和通道2(Fp2通道)分别的单调递增部分斜率最大值MSSN1(maximum value of the slope of the monotonicincreasing part of SNEO of channel 1)和MSSN2(maximum value of the slope ofthe monotonic increasing part of SNEO of channel 2)、超过给定阈值的单调递增部分斜率计数SCSN1(slope count of monotonic increasing part over threshold ofSNEO of channel 1)和SCSN2(slope count of monotonic increasing part overthreshold of SNEO of channel 2)
3)计算VME数据集中每个信号的通道1(Fp1通道)和通道2(Fp2通道)分别的第一差值绝对平均值AAF1(average of the absolute value of the first difference ofchannel 1)和AAF2(average of the absolute value of the first difference ofchannel 2)、第一差值绝对最大值MAF1(maximum value of the absolute value of thefirst difference of channel 1)和MAF2(maximum value of the absolute value ofthe first difference of channel 2)、第二差值绝对平均值AAS1(average of theabsolute value of the second difference of channel 1)和AAS2(average of theabsolute value of the second difference of channel 2)、第二差值绝对最大值MAS1(maximum value of the absolute value of the second difference of channel 1)和MAS2(maximum value of the absolute value of the second difference of channel2)、单调递增部分斜率平均值ASMI1(average value of the slope of the monotonicincreasing part of channel 1)和ASMI2(average value of the slope of themonotonic increasing part of channel 2)、单调递增部分斜率最大值MSVM1(maximumvalue of the slope of the monotonic increasing part of VME of channel 1)和MSVM2(maximum value of the slope of the monotonic increasing part of VME ofchannel 2)
以上共20维特征。
3-2通过如下公式计算原始数据集中的信号第i通道的单调递增部分斜率g：
式中scv代表信号单调递增部分计数值。
3-3利用公式3-2分别计算样本数据集信号的通道1和通道2的单调递增部分斜率序列分别为SMIO1和SMIO2、SNEO数据集信号的通道1和通道2的单调递增部分斜率序列分别为SMIS1和SMIS2、VME数据集信号的通道1和通道2的单调递增部分斜率序列分别为SMIV1和SMIV2。
3-4通过如下公式计算样本数据集信号的单调递增部分斜率最大值MSMI1和MSMI2：
MSMI1＝max(SMIO1)，MSMI2＝max(SMIO2)
式中max()表示取最大值。
3-5通过如下公式计算样本数据集信号的超过给定阈值的单调递增部分斜率计数SCMI1和SCMI2：
SCMI1＝count(SMIO1＞k1)，SCMI2＝count(SMIO2＞k2)
式中k1和k2分别表示原始数据集信号第1通道和第2通道的设定阈值，count()表示取计数值。
3-6通过如下公式计算SNEO数据集信号的单调递增部分斜率最大值MSSN1和MSSN2：
MSSN1＝max(SMIS1)，MSSN2＝max(SMIS2)
3-7通过如下方法计算SNEO数据集信号的超过给定阈值的单调递增部分斜率计数SCSN1和SCSN2：
SCSN1＝count(SMIS1＞k3)，SCSN2＝count(SMIS2＞k4)
式中k3和k4分别表示SNEO数据集信号第1通道和第2通道的设定阈值。
3-8通过如下公式计算VME数据集信号的第一差值绝对平均值AAF1和AAF2：
3-9通过如下公式计算VME数据集信号的第一差值绝对最大值MAF1和MAF2：
MAF1＝max(|ES1(i+1)-ES1(i)|)
MAF2＝max(|ES2(i+1)-ES2(i)|)
其中i＝1，2，...，N-1。
3-10通过如下公式计算VME数据集信号的第二差值绝对平均值AAS1和AAS2：
3-11通过如下公式计算VME数据集信号的第二差值绝对最大值MAS1和MAS2：
MAS1＝max(|ES1(i+2)-ES1(i)|)
MAS2＝max(|ES2(i+2)-ES2(i)|)
式中i＝1，2，...，N-2。
3-12通过如下公式计算VME数据集信号的单调递增部分斜率平均值ASMI1和ASMI2：
式中VL1表示SMIV1序列长度，VL2表示SMIV2序列长度，SMIV1(i)表示SMIV1序列的第i个元素，SMIV2(i)表示SMIV2序列的第i个元素。
3-13通过如下公式计算VME数据集信号的单调递增部分斜率最大值MSVM1和MSVM2：
MSVM1＝max(SMIV1)，MSVM2＝max(SMIV2)
3-14三个数据集的样本总数均为T，对长度为N的信号，原始数据集提取4维特征，SNEO数据集提取4维特征，VME数据集提取12维特征，因此步骤3-2至3-13共提取20维特征提取，构成T*20的特征向量FVs。
所述步骤4，具体步骤如下：
4-1利用步骤3得到的特征向量FVs结合K-means算法进行二分类的无监督聚类，得到无监督分类模型。
为了达到更好的眨眼伪迹和额极痫样放电信号的精准分类效果，以下将从实际应用时参数的选择与设计方面展开介绍，以作为该发明用于其他应用的参考:
本方法在处理脑电EEG信号时，设置输入数据长度为1秒，数据的重叠率设为50％。步骤3-2至3-13提取的20维特征包含了区别眨眼伪迹与痫样放电信号的最主要信息，最后采用的K-means算法设置参数K为2。
为了真实测试本发明对眨眼伪迹和额极痫样放电的分类效果，在浙江大学医学院附属儿童医院真实病患EEG数据上进行测试实验：
实验数据为21通道，采样频率为1000Hz，数据共分为5个不同患病个体，平均数据长度为20分钟。ChongYehSai等人在2018年提出的Wavelet-ICA-SVM算法在数据集上的精度(accuracy)分别为71.46％、65.20％、60.16％、66.34％、61.54％，本发明在不同数据集上的精度分别为99.68％、98.81％、84.70％、98.30％和88.48％，本发明相对于对比算法平均精度提高了29.05％，这充分证明了本发明在真实数据上的优异性能。
本发明的提出可用于解决临床上癫痫患者额极痫样放电背景下眨眼伪迹难以识别的问题，通过信号变换与多维特征表示得到特征向量，结合K-means聚类模型能够达到精准地分类眨眼伪迹与额极痫样放电信号。
Claims (4)
1.一种区分脑电眨眼伪迹与额极痫样放电的智能分类方法，其特征在于，步骤如下：
步骤1、对脑电EEG信号进行滤波处理与信号切割，得到样本数据集；
步骤2、对步骤1处理后的脑电EEG信号进行平滑非线性能量算子SNEO信号变换与变分模态提取VME信号变换得到SNEO数据集和VME数据集；
步骤3、对三个数据集对应的信号进行20维特征提取；
步骤4、通过K-means算法进行二分类无监督聚类，构建无监督分类模型；
步骤5、通过建立的无监督分类模型实现眨眼伪迹与痫样放电信号的分类；
所述步骤3具体步骤如下：
3-1计算脑电样本的多维多通道特征，共20维特征，包括：
1)计算样本数据集中每个信号的Fp1通道和Fp2通道分别的单调递增部分斜率最大值MSMI1和MSMI2、超过给定阈值的单调递增部分斜率计数SCMI1和SCMI2；
2)计算SNEO信号数据集中每个信号的Fp1通道和Fp2通道分别的单调递增部分斜率最大值MSSN1和MSSN2、超过给定阈值的单调递增部分斜率计数SCSN1和SCSN2；
3)计算VME数据集中每个信号的Fp1通道和Fp2通道分别的第一差值绝对平均值AAF1和AAF2、第一差值绝对最大值MAF1和MAF2、第二差值绝对平均值AAS1和AAS2、第二差值绝对最大值MAS1和MAS2、单调递增部分斜率平均值ASMI和ASMI2、单调递增部分斜率最大值MSVM1和MSVM2；
3-2通过如下公式计算样本数据集中的信号第i通道的单调递增部分斜率g：
式中scv代表信号单调递增部分计数值；
3-3利用步骤3-2分别计算样本数据集信号的Fp1通道和Fp2通道的单调递增部分斜率序列分别为SMIO1和SMIO2、SNEO数据集信号的Fp1通道和Fp2通道的单调递增部分斜率序列分别为SMIS1和SMIS2、VME数据集信号的Fp1通道和Fp2通道的单调递增部分斜率序列分别为SMIV1和SMIV2；
3-4通过如下公式计算样本数据集信号的单调递增部分斜率最大值MSMI1和MSMI2：
MSMI1＝max(SMIO1),MSMI2＝max(SMIO2)(4)
式中max()表示取最大值；
3-5通过如下公式计算样本数据集信号的超过给定阈值的单调递增部分斜率计数SCMI1和SCMI2：
SCMI1＝count(SMIO1>k1),SCMI2＝count(SMIO2>k2)(5)
式中k1和k2分别表示原始数据集信号Fp1通道和Fp2通道的设定阈值，count()表示取计数值；
3-6通过如下公式计算SNEO数据集信号的单调递增部分斜率最大值MSSN1和MSSN2：
MSSN1＝max(SMIS1),MSSN2＝max(SMIS2)
3-7通过如下方法计算SNEO数据集信号的超过给定阈值的单调递增部分斜率计数SCSN1和SCSN2：
SCSN1＝count(SMIS1>k3),SCSN2＝count(SMIF2>k4)(7)
式中k3和k4分别表示SNEO数据集信号Fp1通道和Fp2通道的设定阈值；
3-8通过如下公式计算VME数据集信号的第一差值绝对平均值AAF1和AAF2：
3-9通过如下公式计算VME数据集信号的第一差值绝对最大值MAF1和MAF2：
MAF1＝max(|ES1(i+1)-ES1(i)|)(10)
MAF2＝max(|ES2(i+1)-ES2(i)|)(11)
其中i＝1,2,…,N-1；
3-10通过如下公式计算VME数据集信号的第二差值绝对平均值AAS1和AAS2：
3-11通过如下公式计算VME数据集信号的第二差值绝对最大值MAS1和MAS2：
MAS1＝max(|ES1(i+2)-ES1(i)|)(14)
MSA2＝max(|ES2(i+2)-ES2(i)|)(15)
式中i＝1,2,…,N-2；
3-12通过如下公式计算VME数据集信号的单调递增部分斜率平均值ASMI1和ASMI2：
式中VL1表示SMIV1序列长度，VL2表示SMIV2序列长度,SMIV1(i)表示SMIV1序列的第i个元素,SMIV2(i)表示SMIV2序列的第i个元素；
3-13通过如下公式计算VME数据集信号的单调递增部分斜率最大值MSVM1和MSVM2：
MSAM1＝max(SMIV1),MSVM2＝max(SMIW2)(18)
3-14三个数据集的样本总数均为T，对长度为N的信号，样本数据集提取4维特征，SNEO数据集提取4维特征，VME数据集提取12维特征，因此步骤3-2至3-13共提取20维特征提取，构成T*20的特征向量FVs。
2.根据权利要求1所述的一种区分脑电眨眼伪迹与额极痫样放电的智能分类方法，其特征在于所述步骤1具体步骤如下：
将21通道、1000Hz的原始脑电EEG信号进行滤波处理；每通道分别经过50Hz陷波滤波器和0.5-30Hz带通滤波器，得到滤波信号；由于眨眼伪迹与痫样放电信号主要影响Fp1通道和Fp2通道，故后续脑电信号仅使用前两通道；由于眨眼伪迹电位信号和额极痫样放电信号持续时间均在1s以内，故采用滑动窗口方法对滤波数据进行切割，窗口大小设置为1s，步长为0.5s；由此得到切割信号，所有的切割信号组成完整的样本数据集,假设样本数据集信号个数为T。
3.根据权利要求2所述的一种区分脑电眨眼伪迹与额极痫样放电的智能分类方法，其特征在于所述步骤2具体步骤如下：
假设样本数据集中每个信号为S2*1000,Si表示第i个通道的所有数据,N表示数据长度，i＝1,2；
2-1通过如下公式计算样本数据集所有信号的第i个通道Si的对应的SNEO信号，记为ESi：
ESi(t)＝ω(t)*(Si(t)*Si(t)-Si(t-1)*Si(t+1))(1)
式中ω(t)表示窗函数，ESi(t)表示ESi的第t个数据；然后将所有SNEO信号组成完整的SNEO数据集，SNEO数据集内信号个数为T；
2-2通过如下公式计算样本数据集所有信号的第i个通道Si的对应的VME信号，记为VSi：
式中a表示紧凑系数，ωd表示期望模态的中心频率近似值，m表示迭代系数，λ表示上升系数，VSi(t)表示VSi的第t个数据，VSi(0)为0；然后将所有VME信号组成完整的VME数据集，VME数据集内信号个数为T。
4.根据权利要求3所述的一种区分脑电眨眼伪迹与额极痫样放电的智能分类方法，其特征在于所述步骤4具体步骤如下：
4-1利用步骤3得到的特征向量FVs结合K-means算法进行二分类的无监督聚类，得到无监督分类模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110955257.2A CN113662558B (zh) | 2021-08-19 | 2021-08-19 | 一种区分脑电眨眼伪迹与额极痫样放电的智能分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110955257.2A CN113662558B (zh) | 2021-08-19 | 2021-08-19 | 一种区分脑电眨眼伪迹与额极痫样放电的智能分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113662558A CN113662558A (zh) | 2021-11-19 |
| CN113662558B true CN113662558B (zh) | 2024-01-30 |
Family
ID=78544062
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110955257.2A Active CN113662558B (zh) | 2021-08-19 | 2021-08-19 | 一种区分脑电眨眼伪迹与额极痫样放电的智能分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113662558B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114115546B (zh) * | 2022-01-27 | 2022-06-17 | 湖南大学 | 面向多机器人控制的脑电数据元学习和人本智能交互系统 |
| CN115067944B (zh) * | 2022-08-22 | 2022-11-11 | 深圳市心流科技有限公司 | 一种眼动状态评估方法、装置、终端设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112464902A (zh) * | 2020-12-16 | 2021-03-09 | 杭州电子科技大学 | 基于多通道多维特征优化的脑电眨眼伪迹检测方法 |
| CN112603334A (zh) * | 2020-12-18 | 2021-04-06 | 杭州电子科技大学 | 基于时序特征和堆叠Bi-LSTM网络的棘波检测方法 |
Family Cites Families (2)
| 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 |
| WO2016154298A1 (en) * | 2015-03-23 | 2016-09-29 | Temple University-Of The Commonwealth System Of Higher Education | System and method for automatic interpretation of eeg signals using a deep learning statistical model |
-
2021
- 2021-08-19 CN CN202110955257.2A patent/CN113662558B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112464902A (zh) * | 2020-12-16 | 2021-03-09 | 杭州电子科技大学 | 基于多通道多维特征优化的脑电眨眼伪迹检测方法 |
| CN112603334A (zh) * | 2020-12-18 | 2021-04-06 | 杭州电子科技大学 | 基于时序特征和堆叠Bi-LSTM网络的棘波检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113662558A (zh) | 2021-11-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tang et al. | Motor imagery EEG recognition based on conditional optimization empirical mode decomposition and multi-scale convolutional neural network | |
| CN113662558B (zh) | 一种区分脑电眨眼伪迹与额极痫样放电的智能分类方法 | |
| Li et al. | FFT-based deep feature learning method for EEG classification | |
| CN111067514B (zh) | 一种基于多尺度多变量传递熵的多通道脑电耦合分析方法 | |
| CN110269609B (zh) | 基于单通道的脑电信号中眼电伪迹分离方法 | |
| Ng et al. | PSD-based features extraction for EEG signal during typing task | |
| CN103767702A (zh) | 一种脑电非线性双测度特征提取与融合处理方法 | |
| CN113780392B (zh) | 一种运动想象脑电识别的通道选择方法 | |
| Tiwari et al. | A multiclass EEG signal classification model using spatial feature extraction and XGBoost algorithm | |
| Liu et al. | EEG classification with a sequential decision-making method in motor imagery BCI | |
| CN109009098B (zh) | 一种运动想象状态下的脑电信号特征识别方法 | |
| D'Croz-Baron et al. | A BCI motor imagery experiment based on parametric feature extraction and fisher criterion | |
| Chen et al. | Epilepsy classification for mining deeper relationships between EEG channels based on GCN | |
| CN112884063A (zh) | 基于多元时空卷积神经网络的p300信号检测识别方法 | |
| CN106073767B (zh) | Eeg信号的相位同步度量、耦合特征提取及信号识别方法 | |
| CN113208613B (zh) | 基于fhls特征选择的多模态bci时序优化方法 | |
| Wan et al. | Research on Identification Algorithm Based on ECG Signal and Improved Convolutional Neural Network | |
| CN116756643A (zh) | 一种基于Fisher分数的脑电通道选择方法 | |
| Zheng et al. | Seizure prediction model based on method of common spatial patterns and support vector machine | |
| Ming et al. | Feature extraction method of motor imagery EEG based on DTCWT sample entropy | |
| Sawant et al. | Classification of motor imagery EEG signals using MEMD, CSP, entropy and Walsh Hadamard transform | |
| CN113558643A (zh) | 基于vmd和nltwsvm的多特征癫痫信号分类方法 | |
| Mohammadi et al. | Improving the efficiency of an EEG-based brain computer interface using Filter Bank Common Spatial Pattern | |
| Zhao et al. | Multilinear generalization of common spatial pattern | |
| Li et al. | Ocular Artifact Removal Algorithm of Single Channel EEG Based on CEEMDAN-ICA-WTD |
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 |