CN114983435A - 一种基于小脑多频带特征融合的mci分类算法 - Google Patents

一种基于小脑多频带特征融合的mci分类算法 Download PDF

Info

Publication number
CN114983435A
CN114983435A CN202210292852.7A CN202210292852A CN114983435A CN 114983435 A CN114983435 A CN 114983435A CN 202210292852 A CN202210292852 A CN 202210292852A CN 114983435 A CN114983435 A CN 114983435A
Authority
CN
China
Prior art keywords
data
mci
cerebellum
eeg
eeg data
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.)
Pending
Application number
CN202210292852.7A
Other languages
English (en)
Inventor
曲良承
尹奎英
石静萍
杜文韬
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.)
CETC 14 Research Institute
Original Assignee
CETC 14 Research Institute
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 CETC 14 Research Institute filed Critical CETC 14 Research Institute
Priority to CN202210292852.7A priority Critical patent/CN114983435A/zh
Publication of CN114983435A publication Critical patent/CN114983435A/zh
Pending legal-status Critical Current

Links

Images

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
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
    • A61B5/4064—Evaluating the brain
    • 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
    • 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
    • A61B5/7264—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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2503/00—Evaluating a particular growth phase or type of persons or animals
    • A61B2503/08—Elderly

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Neurology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Neurosurgery (AREA)
  • Psychology (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

阿尔兹海默症是一种病人表现出记忆力下降为突出、认知功能减低、伴有情绪人格改变的老年常发疾病，对于老年人群具有较高的发病率与致死率，早期轻度认知障碍(Mild cognitive impairment,MCI)是阿尔兹海默症发展的早期，是治疗效果最佳的时期。为克服现有技术中的不足，本发明提出了一种针对早期老年痴呆疾病人群分类下的基于小脑多频带特征融合的MCI分类算法，基于对小脑数据的分析，提供了一种小脑数据的预处理与特征提取新的模式。

Description

一种基于小脑多频带特征融合的MCI分类算法
技术领域
本发明属于信号处理技术领域，具体涉及一种EEG数据处理以及特征提取方法，适用于临床MCI病人的辅助诊断评估。
背景技术
阿尔兹海默症是一种病人表现出记忆力下降为突出、认知功能减低、伴有情绪人格改变的老年常发疾病，对于老年人群具有较高的发病率与致死率，MCI是阿尔兹海默症发展的早期，是治疗效果最佳的时期。对于该疾病的诊断最初只能依靠有创的生化检查，随着科技的发展，脑信息的获取手段也随之丰富，核磁共振技术与EEG图谱描记技术逐渐成为MCI疾病诊断的主要依据之一。EEG的信号采集与分析是MCI疾病诊断的辅助手段之一。
相较于核磁共振技术，EEG可以提供具有高时间分辨率的被试脑生理活动反馈，是作为判定MCI病人脑生理电活动异常的关键生物标志物之一，根据之前的研究目前，额叶、顶叶以及海马区域是MCI病人病变的主要脑区，针对MCI疾病的诊断、干预以及治疗也主要针对这些脑区进行。但随着近些年脑科学的发展，小脑的电活动逐渐进入人们的视野，且在MCI疾病发展过程中出现显著异常。
现阶段虽然联合额叶、顶叶以及海马区域的EEG分析可以覆盖大部分病人的脑异常电活动，但对于具有最强特异性表现的人类器官，部分病人异常的脑活动仍被与掩盖。小脑在MCI病人脑活动中的异常电活动为疾病的诊断、干预和治疗带来了新的思路。小脑作为非大脑皮层分布的脑组织，位于大脑后下方的颅窝内，相较传统分布于大脑皮层的EEG通道数据，电活动的物理深度较大，外加颅窝附近具有丰富的肌肉组织，会导致采集到的小脑EEG活动中混杂多种成分，且作为独立组织散发的电活动，与其他通道的EEG数据在时频域中也具有不同的特征分布。
我们采集大部分健康成年人、老年人以及MCI疾病患者带有小脑电通道分布的EEG信号，分析发现小脑电活动主要分布在中高频甚至更高频段，离散分布在不同频段中，具有一定的频段异性，且不同被试间的分布都具有一定的生物特异性，故对小脑数据的特征分析以及应用，需要引入被试特异性权值分布的多频带信息。
发明内容
为克服现有技术中的不足，本发明构建了一种针对早期老年痴呆疾病人群分类下的小脑脑电图谱(Electroencephalogram,EEG)多频带信息融合的分类方法，基于对小脑数据的分析，提供一种小脑数据的预处理与特征提取新的模式，该方法主要解决：(1)现阶段小脑EEG信息在早期轻度认知障碍(Mild cognitive impairment,MCI)患者群体中缺乏的有效性，提高MCI与健康人群分类问题的准确率；(2)高分类效果为EEG采集操作步骤复杂与时间冗长对患者的不友好问题带来解决方案；(3)小脑EEG分类的有效性为MCI疾病的诊断、干预以及治疗带来新的思路。方法具体包括：
步骤1：构建以epoch构成的小脑EEG数据：
采集符合生化指标的MCI患者与健康对照组受试者的静息态EEG数据；
将获取的静息态EEG数据通过Matlab工具包eeglab进行预处理；
使用肌电采集设备采集MCI患者与健康对照组受试者的颅后窝肌电数据；
使用FastICA算法对经过预处理的EEG数据进行成分剥离；
使用欧式距离计算经过剥离的EEG数据与肌电数据的距离，并去除阈值内的成分，得到小脑覆盖通道EEG数据Z；
步骤2：构建多频段权值融合的特征
构建中频、超伽马和超高频三个小脑电活动较大频段的带通滤波器；
将得到的小脑覆盖通道EEG数据Z输入三个滤波器中获得滤波后的数据，并以设定的时间间隔，将滤波后的数据分成多个epoch分段；分别计算三个数据在数据Z中的能量占比；
利用共空间模式计算三个频带成分中的最大差异，得到其特征值；
按照三个成分在数据Z中的占比，以权值的方式进行分配并融合，得到权值分配的多频带融合特征；
步骤3：将特征送入分类器训练：
将步骤2得到的多频带融合特征以epoch的长度L分段送入开源的支持向量机模型，以k折交叉验证的方式进行分类器训练；
设置分类器以非二值的形式输出数据的分类结果；
对每位被试者的epoch分段结果平均得到其MCI的评估概率结果。
本发明的有益效果在于：
第一，本发明将小脑数据成功构建成分类显著性较高生物标志物，在实验中获得较高的分类率，能够提供更多维度的疾病诊断辅助与参考；
第二，本发明为EEG诊断提供了新的特征，弥补了传统EEG诊断的不足之处，提高了EEG在MCI诊断的整体分类率。
附图说明
图1是本发明的模型结果图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要注意的是，以下描述仅仅用于解释本发明，并不用于限定本发明。
本发明提出的一种基于小脑的多频带特征融合的MCI分类算法，包括以下步骤：
(1)综合评估临床被试各项生化指标，精准选取MCI患者与健康被试者，这是特征高质量提取融合的数据基础；
(2)将用于采集眼电的电极放置于被试颅后窝，采集两组被试静息态下带有小脑生物电信息的EEG数据；
(3)EEG数据预处理：基于Matlab工具包eeglab对两类数据以相同的标准进行预处理：0.1以下的低频滤波、全脑平均重参考以及通道数据检查；
(4)采集符合生化指标的MCI群体与健康被试对照两组群体被试，位于颅后窝的肌电信息，并对肌电信息进行预处理；
(5)利用FastICA算法对经过预处理的EEG数据与肌电数据进行源成分剥离，经过数据剥离的数据记为X(x1,x2,x3......xn)与Yt，X为EEG数据中的源成分，Yt为t时刻的肌电源成分；
(6)利用欧式距离计算X中n个源成分与肌电源成分的距离，即C＝(c1,c2,c3......cn)，其中
Figure BDA0003560911940000031
i∈(1,n)，t代表数据采样时间，xit代表EEG中第i个源成分在时间t处的源信息；
(7)根据阈值结果置零与肌电接近的成分，选取小脑覆盖通道数据，记为Z；
(8)构建中频(30Hz-70Hz)，超伽马(80Hz-150Hz)以及超高频(160Hz-320Hz)三个二阶巴特沃斯带通滤波器；
(9)将Z分别送入三个带通滤波器中获得滤波后的数据z1，z2，z3，对z1，z2，z3分别以500ms的时间间隔得到epoch分段数据z1'，z'2，z'3，数据维度为2*500*(L*N)，L为被试数据的epoch长度((t-20)/500)，N为数据中被试个数；分别计算三个数据在数据Z的能量占比
Figure BDA0003560911940000041
(10)将数据z1'，z'2，z'3按照MCI患者与健康对照组分别记为N1与N2，使用共空间模式计算两类数据间的最大差异，得到其特征F(f1,f2,f3)；
(11)将特征F以占总有效特征输出比的形式融合得到特征
Figure BDA0003560911940000042
并将以列的形式串联得到融合后的特征F”；
(12)将得到的特征F”以epoch的长度L分段送入开源的支持向量机分类器进行k折交叉验证训练；
(13)设置分类器以非二值的形式输出数据的分类结果A(a1,a2,a3......aN·L)，代表分类器认为数据提供者是否为MCI患者，ai＝0时代表数据拥有者为HC，ai＝1时代表数据拥有者为MCI，N代表被试序号，i取值1～N；
(14)对每位被试者epoch结果平均得到其MCI的评估概率S(s1,s2,s3......sN)，si代表第i为被试为MCI的评估概率，i取值1～N。
参见图1，图中星形点1、2、3、4对应的点分别为额叶、顶叶、海马区以及本发明提出的小脑特征对应分类器对MCI病人的检测验证结果，小脑特征对应的分类器对数据分类的准确率为83.3％，表现较优；而圆形点1、2、3、4中，1、2、3为额叶、顶叶、海马区的特征添加小脑特征后送入分类器训练后的结果，而4代表所有特征全部送入分类器后的结果，由图1可见小脑特征和其他特征融合后，对分类器的效果带来提升，表面小脑特征是一种有效且与其他特征不重复的特征，对MCI疾病的诊断、干预和治疗的评估都有新的意义。
以上内容对本发明所进行了详细的介绍，但是具体实施方式的描述仅用于解释本发明的方法及其核心思想，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (1)

1.一种基于小脑多频带特征融合的MCI分类算法，其特征在于：包括以下步骤：
步骤1：构建以epoch构成的小脑EEG数据：
采集符合生化指标的MCI患者与健康对照组受试者的静息态EEG数据；
将获取的静息态EEG数据通过Matlab工具包eeglab进行预处理；
使用肌电采集设备采集MCI患者与健康对照组受试者的颅后窝肌电数据；
使用FastICA算法对经过预处理的EEG数据进行成分剥离；
使用欧式距离计算经过剥离的EEG数据与肌电数据的距离，并去除阈值内的成分，得到小脑覆盖通道EEG数据Z；
步骤2：构建多频段权值融合的特征
构建中频、超伽马和超高频三个小脑电活动较大频段的带通滤波器；
将得到的小脑覆盖通道EEG数据Z输入三个滤波器中获得滤波后的数据，并以设定的时间间隔，将滤波后的数据分成多个epoch分段，分别计算三个数据在数据Z中的能量占比；
利用共空间模式计算三个频带成分中的最大差异，得到其特征值；
按照三个成分在数据Z中的能量占比，以权值的方式进行分配并融合，得到权值分配的多频带融合特征；
步骤3：将特征送入分类器训练，得到评估结果
将步骤2得到的多频带融合特征以epoch的长度L分段送入开源的支持向量机模型，以k折交叉验证的方式进行分类器训练；
设置分类器以非二值的形式输出数据的分类结果；
对每位被试者的epoch分段结果平均得到其MCI的评估概率结果。
CN202210292852.7A 2022-03-23 2022-03-23 一种基于小脑多频带特征融合的mci分类算法 Pending CN114983435A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210292852.7A CN114983435A (zh) 2022-03-23 2022-03-23 一种基于小脑多频带特征融合的mci分类算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210292852.7A CN114983435A (zh) 2022-03-23 2022-03-23 一种基于小脑多频带特征融合的mci分类算法

Publications (1)

Publication Number Publication Date
CN114983435A true CN114983435A (zh) 2022-09-02

Family

ID=83024261

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210292852.7A Pending CN114983435A (zh) 2022-03-23 2022-03-23 一种基于小脑多频带特征融合的mci分类算法

Country Status (1)

Country Link
CN (1) CN114983435A (zh)

Similar Documents

Publication Publication Date Title
Khare et al. PDCNNet: An automatic framework for the detection of Parkinson’s disease using EEG signals
Lee et al. A deep convolutional-recurrent neural network architecture for Parkinson’s disease EEG classification
US9826914B2 (en) Functional analysis of neurophysiological data
Cassani et al. The effects of automated artifact removal algorithms on electroencephalography-based Alzheimer's disease diagnosis
CN112741638B (zh) 一种基于eeg信号的医疗诊断辅助系统
US20150245800A1 (en) Method for Detection Of An Abnormal Sleep Pattern In A Person
Stochholm et al. Automatic sleep stage classification using ear-EEG
Khoshnevis et al. Classification of the stages of Parkinson’s disease using novel higher-order statistical features of EEG signals
CN105342605A (zh) 一种去除脑电信号中肌电伪迹的方法
Höller et al. Do eeg-biometric templates threaten user privacy?
Varotto et al. Music and emotion: An EEG connectivity study in patients with disorders of consciousness
CN114569141A (zh) 一种基于特征通道融合和深度学习的癫痫预测系统
CN113729729A (zh) 基于图神经网络和脑网络的精神分裂症早期检测系统
CN117332259A (zh) 基于信息融合的运动想象脑机接口时频组合优化方法
Liu et al. Frequency-dependent Microstate Characteristics for Mild Cognitive Impairment in Parkinson’s Disease
Wang et al. Objective Neurophysiological Indices for the Assessment of Chronic Tinnitus Based on EEG Microstate Parameters
CN113558637B (zh) 一种基于相位传递熵的音乐感知下脑网络构建方法
CN116189903A (zh) 一种基于脑电微状态的失眠患者rTMS疗效预测方法
CN114983435A (zh) 一种基于小脑多频带特征融合的mci分类算法
CN113598792B (zh) 基于有监督特征融合算法的癫痫脑电分类方法
CN113545792B (zh) 一种基于tms-eeg的神经生物标记物的检测方法
CN115470821A (zh) 一种基于水声信号刺激的脑电响应深度学习分类识别方法
Qi Algorithms benchmarking for removing EOG artifacts in brain computer interface
Yazdanpour-Naeini Automatic detection of high frequency oscillations of neural signals in epileptic patients
Dubey et al. Digital analysis of EEG brain signal

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