CN115089114A - 一种基于信号形态特征的癫痫高频振荡信号检测方法 - Google Patents

一种基于信号形态特征的癫痫高频振荡信号检测方法 Download PDF

Info

Publication number
CN115089114A
CN115089114A CN202210555697.3A CN202210555697A CN115089114A CN 115089114 A CN115089114 A CN 115089114A CN 202210555697 A CN202210555697 A CN 202210555697A CN 115089114 A CN115089114 A CN 115089114A
Authority
CN
China
Prior art keywords
signal
frequency oscillation
frequency
signals
oscillation signal
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
CN202210555697.3A
Other languages
English (en)
Inventor
蒋宇皓
宋浩彦
冯炳源
晏舟
田银
赵德春
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202210555697.3A priority Critical patent/CN115089114A/zh
Publication of CN115089114A publication Critical patent/CN115089114A/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
    • A61B5/40—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
    • A61B5/24—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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • 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
    • A61B5/7264—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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Neurology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Neurosurgery (AREA)
  • Psychology (AREA)
  • Power Engineering (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

本发明涉及一种基于信号形态特征的癫痫高频振荡信号检测方法，属于脑电检测技术领域。该方法包括：S1：信号输入：输入癫痫发作周期的脑电信号；S2：对输入的脑电信号预处理；S3：潜在高频振荡信号事件提取：对信号进行时频分析，然后根据癫痫高频振荡的时频特征，获取潜在的高频振荡信号事件；S4：特征提取：首先获取高频振荡信号事件间的交叉相关性、波形上升段和下降段的能量比值、信号熵；S5：聚类分析：采用高斯混合模型进行无监督式聚类分析。本发明解决了传统检测方法无法区分生理性高频振荡信号和病理性高频振荡信号的问题，且该方法具有较高的特异性。

Description

一种基于信号形态特征的癫痫高频振荡信号检测方法
技术领域
本发明属于脑电检测技术领域，涉及一种基于信号形态特征的癫痫高频振荡信号检测方法。
背景技术
癫痫是仅次于脑卒中的第二大最常见的神经系统疾病，癫痫患者以幼儿和老年人居多。头表脑电具有价格便宜、无创、高时间分辨率和长时间持续监测等优点，脑电隐含丰富的大脑活动信息，高频振荡信号是高γ节律下(>80Hz)的脑电活动，高频振荡信号与癫痫有密切的关系，是一种可靠的癫痫发生的生物标志物，可以反应癫痫的严重程度，用于评价癫痫治疗的疗效、判断癫痫的易感性、预测癫痫发作有一定的帮助。
但是在脑电信号中检测高频振荡信号是一项难度较大的任务，因此目前检测癫痫高频振荡信号的黄金标准依然是人工视觉识别。人工视觉识别非常消耗时间且带有一定的主观性，而自动检测癫痫高频振荡信号的方法没有统一的流程方法。近年来，研究学者们开发了多种自动高频振荡信号检测算法，但是这些方法无法区分假阳性高频振荡信号，另外假阴性的高频振荡信号也无法区分。机器学习等人工智能技术也已被应用于高频振荡信号的自动检测，但是由于目前机器学习模型的泛化能力不强，且不具有可解释性。
由于高频振荡信号不仅可以由癫痫性脑组织产生，也可以由非癫痫性部位产生，通常包括运动皮层、视觉皮层和语言区。病理性高频振荡信号和生理性高频振荡信号的共同出现可能会干扰致病性的划分，增加功能区损伤的风险，因为生理性高频振荡信号的空间分布可能与不负责癫痫发作但功能重要的脑区相关，需要在切除时保留。但是目前的检测方法均没有解决生理性高频振荡信号和病理性高频振荡信号区分的问题。
现今的癫痫高频振荡信号检测的研究主要以能量阈值、时频分析以及机器学习为主，这些方法仅仅是针对特殊数据进行优化，导致其算法的特异性很低。另外，这些算法也忽略了对于生理性高频振荡信号和病理性高频振荡信号区分的问题。
因此，目前亟需一种能同时解决上述问题的癫痫高频振荡信号检测方法。
发明内容
有鉴于此，本发明的目的在于提供一种基于信号形态特征的癫痫高频振荡信号检测方法。
为达到上述目的，本发明提供如下技术方案：
一种基于信号形态特征的癫痫高频振荡信号检测方法，该方法具体包括以下步骤：
S1：信号输入：输入癫痫发作周期的脑电信号；
S2：对输入的脑电信号预处理；
S3：潜在高频振荡信号事件提取：对信号进行时频分析，然后根据癫痫高频振荡的时频特征，获取潜在的高频振荡信号事件：
S4：特征提取：首先获取高频振荡信号事件间的交叉相关性、波形上升段和下降段的能量比值、信号熵；
S5：聚类分析：采用高斯混合模型进行无监督式聚类分析。
可选的，所述S2中，对选择的信号预处理，具体包括以下步骤：
S21：对选择的脑电信号进行80-500hz的滤波；
S22：对滤波后信号的幅值平方获得功率样本，并对同类信号的功率样本做叠加平均。
可选的，所述S3中，提取潜在高频振荡信号事件，具体是采用短时傅里叶变换获取癫痫高频振荡的时频特征，具体包括以下步骤：
S31：对脑电时间序列信号x(t)进行短时傅里叶变换，变换后的信号x(t,f)表示为：
Figure BDA0003652333060000021
其中，h(τ-t)为窗函数，τ是时移因子，τ＝5×10-4秒；ω＝2πf，f表示频率；
S32：设置阈值条件提取潜在高频振荡信号事件，具体阈值条件为：
HFOdua≥N/HFOfre，HFOdua为高频振荡信号的持续时间，N为最小振荡次数N＝4；
HFOamp≥4*Cthr，HFOamp为高频振荡信号的振幅，Cthr为250-500Hz频率范围内的小波变换系数平均数，其表达式为：
Figure BDA0003652333060000022
S33：根据设置的条件阈值获取相对应的潜在高频振荡信号si(t),i＝0,1,2,3…。
可选的，所述S4中，提取高频振荡信号事件间的交叉相关性、波形上升段和下降段的能量比值、信号熵特征，具体包括以下步骤：
S41：将获取的潜在高频振荡信号求平均得到
Figure BDA0003652333060000023
S42：计算每组潜在高频振荡信号与平均信号间的交叉相关性；
Figure BDA0003652333060000024
S43：计算潜在高频振荡信号波形上升段和下降段的能量比值；
Figure BDA0003652333060000031
其中k为波形顶点对应的点；
S44：计算每组潜在高频振荡信号的信号熵H
Figure BDA0003652333060000032
其中p(xi)是归一化后的信号频谱。
可选的，所述S5中，具体包括将每组潜在高频振荡信号与平均信号间的交叉相关性、波形上升段和下降段的能量比值、信号熵特征输入高斯混合模型进行聚类分析：
高斯混合模型的特征分布由k个高斯分量的加权组合呈现，其概率密度分布的特征为
Figure BDA0003652333060000033
其中πk代表的是每个成分的权重，μk和∑k是对应的均值和协方差；πk需要满足
Figure BDA0003652333060000034
模型参数是通过期望最大化EM方法确定的；在每次迭代中，参数被更新以最大化对数pi：
Figure BDA0003652333060000035
整个过程重复进行，直到模型参数收敛；每个观测值将被分配给提供最高后验概率的高斯分量；根据聚类后的波形，获取癫痫高频振荡信号。
本发明的有益效果在于：本发明获取潜在高频振荡信号与平均信号间的交叉相关性、波形上升段和下降段的能量比值、信号熵作为波形形态特征，并进行聚类分析。该特征反映了潜在高频振荡信号的形态特征，通过其形态特征的相似性，能够区分出生理性高频振荡信号和病理性高频振荡信号。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为本发明流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
请参阅图1，本发明提供了一种基于信号形态特征的癫痫高频振荡信号检测方法，具体包括以下步骤：
步骤1：脑电信号输入：输入癫痫发作周期的脑电信号：
该部分主要选择包含癫痫发作的脑电数据。由于采样频率是分析频段的4倍，换句话说，想要分析高γ频段的信息，则需要采样率达到2000Hz。
步骤2：信号预处理：
该部分主要对获取的脑电进行去除工频干扰、静电干扰、伪迹、重参考、基线校准等预处理。由于数据采集时受实验环境、设备的影响。因此采集的数据中有大量的高斯的噪声和各种伪迹(比如心电、肌电、眼电等)。根据癫痫高频振荡频段特点，进行80-500hz滤波。
步骤3：潜在高频振荡信号事件提取：
该部分主要对预处理后的脑电进行时频分析，获取潜在高频振荡信号事件。采用短时傅里叶变换获取其时频图谱，根据其信号持续时间和振幅获取潜在高频振荡信号事件。
步骤4：特征提取：
该部分为本发明的核心内容，主要对提取的潜在高频振荡信号进行形态特征的提取。首先对潜在高频振荡信号事件间的交叉相关性提取，作为特征一；然后对波形上升段和下降段的能量比值提取，作为特征二；对信号熵特征进行提取，作为特征三。
步骤5：聚类分析：
该部分是对上一个步骤中得到的三个特征输入高斯混合模型进行聚类分析，根据聚类后的波形，获取癫痫高频振荡信号。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.一种基于信号形态特征的癫痫高频振荡信号检测方法，其特征在于：该方法具体包括以下步骤：
S1：信号输入：输入癫痫发作周期的脑电信号；
S2：对输入的脑电信号预处理；
S3：潜在高频振荡信号事件提取：对信号进行时频分析，然后根据癫痫高频振荡的时频特征，获取潜在的高频振荡信号事件：
S4：特征提取：首先获取高频振荡信号事件间的交叉相关性、波形上升段和下降段的能量比值、信号熵；
S5：聚类分析：采用高斯混合模型进行无监督式聚类分析。
2.根据权利要求1所述的一种基于信号形态特征的癫痫高频振荡信号检测方法，其特征在于：所述S2中，对选择的信号预处理，具体包括以下步骤：
S21：对选择的脑电信号进行80-500hz的滤波；
S22：对滤波后信号的幅值平方获得功率样本，并对同类信号的功率样本做叠加平均。
3.根据权利要求1所述的一种基于信号形态特征的癫痫高频振荡信号检测方法，其特征在于：所述S3中，提取潜在高频振荡信号事件，具体是采用短时傅里叶变换获取癫痫高频振荡的时频特征，具体包括以下步骤：
S31：对脑电时间序列信号x(t)进行短时傅里叶变换，变换后的信号x(t,f)表示为：
Figure FDA0003652333050000011
其中，h(τ-t)为窗函数，τ是时移因子，τ＝5×10-4秒；ω＝2πf，f表示频率；
S32：设置阈值条件提取潜在高频振荡信号事件，具体阈值条件为：
HFOdua≥N/HFOfre，HFOdua为高频振荡信号的持续时间，N为最小振荡次数N＝4；
HFOamp≥4*Cthr，HFOamp为高频振荡信号的振幅，Cthr为250-500Hz频率范围内的小波变换系数平均数，其表达式为：
Figure FDA0003652333050000012
S33：根据设置的条件阈值获取相对应的潜在高频振荡信号si(t),i＝0,1,2,3…。
4.根据权利要求1所述的一种基于信号形态特征的癫痫高频振荡信号检测方法，其特征在于：所述S4中，提取高频振荡信号事件间的交叉相关性、波形上升段和下降段的能量比值、信号熵特征，具体包括以下步骤：
S41：将获取的潜在高频振荡信号求平均得到
Figure FDA0003652333050000021
S42：计算每组潜在高频振荡信号与平均信号间的交叉相关性；
Figure FDA0003652333050000022
S43：计算潜在高频振荡信号波形上升段和下降段的能量比值；
Figure FDA0003652333050000023
其中k为波形顶点对应的点；
S44：计算每组潜在高频振荡信号的信号熵H
Figure FDA0003652333050000024
其中p(xi)是归一化后的信号频谱。
5.根据权利要求1所述的一种基于信号形态特征的癫痫高频振荡信号检测方法，其特征在于：所述S5中，具体包括将每组潜在高频振荡信号与平均信号间的交叉相关性、波形上升段和下降段的能量比值、信号熵特征输入高斯混合模型进行聚类分析：
高斯混合模型的特征分布由k个高斯分量的加权组合呈现，其概率密度分布的特征为
Figure FDA0003652333050000025
其中πk代表的是每个成分的权重，μk和∑k是对应的均值和协方差；πk需要满足
Figure FDA0003652333050000026
模型参数是通过期望最大化EM方法确定的；在每次迭代中，参数被更新以最大化对数pi：
Figure FDA0003652333050000027
整个过程重复进行，直到模型参数收敛；每个观测值将被分配给提供最高后验概率的高斯分量；根据聚类后的波形，获取癫痫高频振荡信号。
CN202210555697.3A 2022-05-19 2022-05-19 一种基于信号形态特征的癫痫高频振荡信号检测方法 Pending CN115089114A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210555697.3A CN115089114A (zh) 2022-05-19 2022-05-19 一种基于信号形态特征的癫痫高频振荡信号检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210555697.3A CN115089114A (zh) 2022-05-19 2022-05-19 一种基于信号形态特征的癫痫高频振荡信号检测方法

Publications (1)

Publication Number Publication Date
CN115089114A true CN115089114A (zh) 2022-09-23

Family

ID=83288111

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210555697.3A Pending CN115089114A (zh) 2022-05-19 2022-05-19 一种基于信号形态特征的癫痫高频振荡信号检测方法

Country Status (1)

Country Link
CN (1) CN115089114A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115470833A (zh) * 2022-11-14 2022-12-13 博睿康科技（常州）股份有限公司 信号检测方法、信号检测装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115470833A (zh) * 2022-11-14 2022-12-13 博睿康科技（常州）股份有限公司 信号检测方法、信号检测装置

Similar Documents

Publication Publication Date Title
Sangaiah et al. An intelligent learning approach for improving ECG signal classification and arrhythmia analysis
Fraser et al. Automated biosignal quality analysis for electromyography using a one-class support vector machine
Wilson et al. Spike detection: a review and comparison of algorithms
Halford Computerized epileptiform transient detection in the scalp electroencephalogram: Obstacles to progress and the example of computerized ECG interpretation
CN110338786B (zh) 一种癫痫样放电的识别与分类方法、系统、装置和介质
CN109758145B (zh) 基于脑电信号因果关系的自动睡眠分期方法
Islam et al. EEG mobility artifact removal for ambulatory epileptic seizure prediction applications
Shoka et al. Literature review on EEG preprocessing, feature extraction, and classifications techniques
CN110575164B (zh) 脑电信号伪迹去除方法及计算机可读存储介质
CN113786204A (zh) 基于深度卷积注意力网络的癫痫颅内脑电信号预警方法
CN110942103A (zh) 分类器的训练方法和计算机可读存储介质
Du et al. A method for detecting high-frequency oscillations using semi-supervised k-means and mean shift clustering
CN110251124B (zh) 一种有效性脑网络的确定方法及系统
Lopes et al. Automatic electroencephalogram artifact removal using deep convolutional neural networks
WO2006072150A1 (en) Muscle artifact removal from encephalograms
Rahul et al. An overview on biomedical signal analysis
CN104173046A (zh) 一种色彩标记振幅整合脑电图的提取方法
CN112971795B (zh) 心电信号质量评估方法
CN114391846A (zh) 一种基于过滤式特征选择的情绪识别方法及系统
Ren et al. MUAP extraction and classification based on wavelet transform and ICA for EMG decomposition
CN115089114A (zh) 一种基于信号形态特征的癫痫高频振荡信号检测方法
Jose et al. Robust classification of intramuscular EMG signals to aid the diagnosis of neuromuscular disorders
CN111887811B (zh) 基于脑电信号特征的大脑异常放电检测方法及系统
CN114532993A (zh) 一种癫痫患者脑电高频振荡信号的自动检测方法
Fathima et al. Wavelet based features for classification of normal, ictal and interictal EEG signals

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