CN113974655A - 一种基于脑电信号的癫痫发作预测方法 - Google Patents

Abstract

本发明公开一种基于脑电信号的癫痫发作预测方法，该方法通过结合经验模态分解和卷积神经网络对癫痫的发作形成预测，并帮助医生进行诊断。主要包括如下步骤：对长期监测的脑电信号进行标记并分段，将分段后的脑电数据进行经验模态分解并提取熵特征，最后利用卷积神经网络对提取到的特征进行学习并对发作前期和发作间期的脑电信号进行分类。本方法采用时频域和非线性的特征提取方法并结合深度神经网络的分类方法，有效提高了癫痫脑电信号预测的准确率，使得医生患者可以在癫痫发作来临前能够做好充分准备，更加有效的治疗癫痫。

Description

一种基于脑电信号的癫痫发作预测方法

技术领域

本发明涉及医疗领域模型方法构建，涉及一种基于脑电信号的癫痫发作预测方法。

技术背景

癫痫是脑部神经元突发性异常放电，导致短暂大脑功能障碍的一种慢性疾病。据世界卫生组织的统计报告显示，目前约有5000万患者正在遭受癫痫疾病的困扰，它已经成为全球范围内最常见的神经系统疾病之一。癫痫的特点是反复性和发作性，在癫痫发作期间，病人会不自觉地产生全身抽搐、意识丧失、认知障碍等症状，给患者的正常生活带来了极大的影响。脑电图(EEG)通过附着在头皮上的电极直接记录大脑神经元的电活动，是诊断癫痫最有效的手段。然而，脑电图的读取和分析需要由经验丰富的神经内科专家来处理，这不仅增加了医生的负担，还容易产生主观判断错误。因此，设计一种可靠的癫痫自动检测技术对于临床应用和研究具有重要意义。

过去的几十年间，机器学习在脑电信号的癫痫发作检测方面获得了广泛的关注。癫痫脑电数据的自动检测技术包括特征提取与分类两部分。对于特征提取，主要分为线性分析以及非线性分析方法，常用的线性分析方法又分为时域分析、频域分析以及时频域分析。大脑是一个非线性动力学系统，因此越来越多的学者对脑电信号的非线性特征产生了极大的兴趣。其中，常用的脑电信号非线性特征主要有关联维数、Lyapunov指数、熵等非线性动力学指标。先采用有效的特征提取方法，再将提取到的特征放入分类模型中，就可以实现脑电信号的自动分类检测。最近，深度学习模型在时间序列信号，尤其是脑电信号的分析中已经取得了一些重要的进展。

发明内容

本发明要解决的技术问题是，提供一种基于脑电信号的癫痫发作预测方法。该方法首先利用经验模态分解对脑电信号进行熵特征的提取，再采用卷积神经网络对提取到的特征进行学习，最终实现对脑电数据的分类，使得医生和患者在癫痫发作前能够有时间为即将来临的发作做好准备，帮助医生做出诊断并减轻患者的痛苦。

为解决上述问题，本发明采用如下的技术方案：

一种基于脑电信号的癫痫发作预测方法，主要包括以下步骤：

步骤1、数据预处理。

对CHB-MIT数据集进行分类处理并采用30s脑电窗口进行分段。

步骤2、特征提取。

通过对30s脑电信号进行经验模态分解并分别计算它们的排列熵、近似熵、样本熵、香农熵、光谱熵和奇异分解熵作为该脑电片段的特征，并将得到的熵特征转化为特征向量。

步骤3、分类。

首先将前面得到的特征向量输入到卷积神经网络CNN中进行学习训练，得到分类结果。

步骤4、评价模型。

使用模型评价指标评价模型性能。

进一步地，步骤1所述的数据预处理方法，其步骤具体包括：

步骤1-1：将癫痫脑电信号分别根据发作前期和发作间期进行读取分类；

步骤1-2：由于癫痫发作前期与发作间期数据不平衡，先用30s滑动窗口对发作间期的数据进行分段，然后再采用30s重叠滑动窗口的方法对发作前期的数据进行分段以平衡数据集。

进一步地，步骤2所述的特征提取方法，其步骤具体包括：

步骤2-1：将分段后的癫痫脑电信号采用经验模态分解的方法进行分解；

步骤2-2：将分解后得到的前三个分量分别分为5段，并分别对每段数据计算他的熵特征，包括排列熵、近似熵、样本熵、香农熵、光谱熵和奇异分解熵。

排列熵：

其中，N表示分解信号的长度，t_k表示第k个符号的出现，s_k表示时间序列中第k个置换出现的概率，K表示K≥2的置换顺序，m代表嵌入维数。

近似熵：

其中，m、r、τ和n分别表示嵌入维数、相似系数、时间延迟和数据点数。以m为窗长，将每段脑电序列分为N-(m+1)个序列，其中i，j分别表示第i与第j个分割后的序列，d(x(i),x(j))代表两个序列间的距离。

样本熵：

其中，B^l(r)表示匹配l个点的两个序列的概率，而A^l(r)表示匹配l+1个点的两个序列的概率。

香农熵：

其中，a表示EEG数据的所有观测值，p(a)表示值出现在整个EEG序列中的概率。

光谱熵：

p_f是频率为f的分量的相对功率。

奇异分解熵：

Y＝[y₁，y₂，…，y_(N-(r-1)τ)]^T

y_i＝[x_i，x_i+τ，...，x_i+(r-1)τ]

其中M表示嵌入矩阵Y的奇异值的数量。σ₁,σ₂,…,σ_M表示Y的归一化奇异值，r表示排列熵的顺序，τ表示时间延迟。

进一步地，步骤3所述的分类方法具体为：将每30s的脑电窗口计算的熵组合成一个特征向量做为卷积神经网络的输入，经过训练学习，最终实现癫痫脑电发作前期和发作间期的分类。

进一步地，步骤6所述的评价模型性能指标为：

准确率：

其中，真阳性TP定义如下：癫痫发作前期的脑电图被判断为发作前期。假阳性FP是指发作间期被判定为发作前期。真阴性TN是发作间期的脑电图被判定为发作间期。假阴性FN是指发作前期被判定为发作间期。准确率是预测正确的结果占总样本的百分比。采用准确率Accuracy作为模型的评价指标。

附图说明

图1为癫痫发作预测方法流程；

图2为特征向量的提取流程图；

图3为卷积神经网络CNN模型图

具体实施方式

下面结合附图对本发明做进一步说明：

如图1所示，本发明方法主要包括以下步骤：

步骤1、数据预处理

采用CHB-MIT癫痫脑电数据集进行测试，首先将癫痫脑电的发作间期和发作前期按照数据集描述进行分类存储，并用30s脑电窗口对两类数据进行分段处理。

步骤2、特征提取

通过将分段后的脑电数据进行经验模态分解后，取其中的前三个分量计算其熵特征，得到特征向量。特征向量的形成由图2所示，首先将30s脑电信号个5段，然后对这5段脑电片段进行经验模态分解并取其中的前三段分量提取它的6种熵特征，最终得到长度为5*3*6＝90的特征序列，并将该特征序列转化成(15,6)的特征向量。

步骤3、分类

将特征提取得到的特征向量输入到卷积神经网络模型中进行训练，最终是实现脑电信号的分类。

我们采用的卷积神经网络如图3所示，此模型中有2个卷积块，分别具有16和32个滤波器，每个卷积块都由带有整流线性(ReLU)激活函数的二维卷积层、最大池化层以及一个批归一化层组成。对于每个卷积块，卷积核大小都为2*2，数量分别为16和32，最大池化层尺寸为2*2，BatchNormalization将各层的输入进行归一化，使训练过程更快、更稳定。之后，将两个卷积块提取的特征平面化并连接到两个全连接层，输出大小分别为256和2，使用的激活函数分别为sigmoid和softmax，dropout rate为0.5。

步骤6、评价模型。

准确率：

其中，真阳性(TP)定义如下：癫痫发作前期的脑电图被判断为发作前期。假阳性(FP)是指发作间期被判定为发作前期。真阴性(TN)是发作间期的脑电图被判定为发作间期。假阴性(FN)是指发作前期被判定为发作间期。准确率是预测正确的结果占总样本的百分比。采用准确率(Accuracy)作为模型的评价指标。

如前所述，本发明的优势在于：

1.与传统的发作预测方法不同，该方法通过一种有效的结合时频和非线性分析的特征提取方法对脑电图进行分析，提取癫痫脑电发作间期和发作前期的特征。

2.结合深度学习的方法对癫痫脑电信号进行分类，提高了医生的读图效率，而且通过癫痫的发作预测也可以给医生和患者一个缓冲时间，使得他们在癫痫发作来临前能够做好充分准备，更加有效的治疗癫痫，也可以缓解患者在发作来临时的痛苦。

以上实施例仅为本发明的示例性实施例，不用于限制本发明，本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明的保护范围内。

Claims (5)

1.一种基于脑电信号的癫痫发作预测方法，其特征在于，该方法包括如下步骤：

步骤1：数据预处理。对癫痫脑电数据采用重叠滑动窗口对发作前期和发作间期进行分类。

步骤2：特征提取。采用经验模态分解的方法将发作前期和发作间期的脑电信号进行分解，并分别取分解后的前三个分量计算六种熵特征。

步骤3：分类。首先将特征提取得到的输入数据作为卷积神经网络的输入，然后利用CNN进行训练将癫痫脑电信号进行分类。

步骤4：评价模型。使用模型评价指标评价模型性能。

2.根据权利要求1所述的一种基于脑电信号的癫痫发作预测方法，其特征在于：步骤1所述的数据预处理方法，其步骤具体包括：

步骤1-1：将癫痫脑电信号分别根据发作前期和发作间期进行读取分类；

步骤1-2：由于癫痫发作前期与发作间期数据不平衡，先用30s滑动窗口对发作间期的数据进行分段，然后再采用30s重叠滑动窗口的方法对发作前期的数据进行分段以平衡数据集。

3.根据权利要求1所述的一种基于脑电信号的癫痫发作预测方法，其特征在于：步骤2所述的特征提取方法，其步骤具体包括：

步骤2-1：将分段后的癫痫脑电信号采用经验模态分解的方法进行分解；

步骤2-2：将分解后得到的前三个分量分别分为5段，并分别对每段数据计算他的熵特征，包括排列熵、近似熵、样本熵、香农熵、光谱熵和奇异分解熵。

排列熵：

其中，N表示分解信号的长度，t_k表示第k个符号的出现，s_k表示时间序列中第k个置换出现的概率，K表示K≥2的置换顺序，m代表嵌入维数。

近似熵：

其中，m、r、τ和n分别表示嵌入维数、相似系数、时间延迟和数据点数。以m为窗长，将每段脑电序列分为N-(m+1)个序列，其中i，j分别表示第i与第j个分割后的序列，d(x(i),x(j))代表两个序列间的距离。

样本熵：

其中，B^l(r)表示匹配l个点的两个序列的概率，而A^l(r)表示匹配l+1个点的两个序列的概率。

香农熵：

其中，a表示EEG数据的所有观测值，p(a)表示值出现在整个EEG序列中的概率。

光谱熵：

p_f是频率为f的分量的相对功率。

奇异分解熵：

Y＝[y₁,y₂,…,y_(N-(r-1)τ)]^T

y_i＝[x_i,x_i+τ,…，x_i+(r-1)τ]

其中M表示嵌入矩阵Y的奇异值的数量。σ₁,σ₂,…,σ_M表示Y的归一化奇异值，r表示排列熵的顺序，τ表示时间延迟。

4.根据权利要求1所述的一种基于脑电信号的癫痫发作预测方法，其特征在于：步骤3所述的分类方法具体为：将每30s的脑电窗口计算的熵组合成一个特征向量做为卷积神经网络的输入，经过训练学习，最终实现癫痫脑电发作前期和发作间期的分类。

5.根据权利要求1所述的一种基于脑电信号的癫痫发作预测方法，其特征在于：步骤6所述的评价模型性能指标为：

准确率：

其中，真阳性TP定义如下：癫痫发作前期的脑电图被判断为发作前期。假阳性FP是指发作间期被判定为发作前期。真阴性TN是发作间期的脑电图被判定为发作间期。假阴性FN是指发作前期被判定为发作间期。准确率是预测正确的结果占总样本的百分比。采用准确率Accuracy作为模型的评价指标。

Images