CN118216934A - 小波散射变换与微分熵特征融合的脑电信号分类方法 - Google Patents
小波散射变换与微分熵特征融合的脑电信号分类方法 Download PDFInfo
- Publication number
- CN118216934A CN118216934A CN202410636512.0A CN202410636512A CN118216934A CN 118216934 A CN118216934 A CN 118216934A CN 202410636512 A CN202410636512 A CN 202410636512A CN 118216934 A CN118216934 A CN 118216934A
- Authority
- CN
- China
- Prior art keywords
- wavelet
- transformation
- signals
- differential entropy
- epileptic
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000009466 transformation Effects 0.000 title claims abstract description 53
- 230000004927 fusion Effects 0.000 title claims abstract description 34
- 230000001037 epileptic effect Effects 0.000 claims abstract description 36
- 239000006185 dispersion Substances 0.000 claims abstract description 30
- 210000004556 brain Anatomy 0.000 claims abstract description 21
- 238000005312 nonlinear dynamic Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 238000010219 correlation analysis Methods 0.000 claims abstract description 12
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 6
- 230000007787 long-term memory Effects 0.000 claims abstract description 6
- 230000006403 short-term memory Effects 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 28
- 238000001914 filtration Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 7
- 230000015654 memory Effects 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 239000000654 additive Substances 0.000 claims 1
- 230000000996 additive effect Effects 0.000 claims 1
- 238000012562 intraclass correlation Methods 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 238000007500 overflow downdraw method Methods 0.000 abstract description 3
- 206010010904 Convulsion Diseases 0.000 description 13
- 206010015037 epilepsy Diseases 0.000 description 11
- 230000000694 effects Effects 0.000 description 7
- 208000028329 epileptic seizure Diseases 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 239000012634 fragment Substances 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000000306 recurrent effect Effects 0.000 description 4
- 210000004761 scalp Anatomy 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 208000012902 Nervous system disease Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 208000025966 Neurological disease Diseases 0.000 description 1
- 208000031662 Noncommunicable disease Diseases 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000001314 paroxysmal effect Effects 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开小波散射变换与微分熵特征融合的脑电信号分类方法，属于脑电信号分类技术领域，用于脑电信号分类，包括导入采集的脑电波癫痫信号，将样本输入小波散射变换网络，对通道信号进行散射变换，提取二阶分解散射系数，获取通道信号的时频域特征；对通道信号进行微分熵计算，获取通道信号的非线性动力学特征，将时频域特征与非线性动力学特征进行判别相关分析，构建多模态融合特征；将融合特征输入长短期记忆神经网络进行训练学习，利用平均分类准确率对结果进行评估。本发明通过解析信号的时频域特征以及非线性动力学特征，通过特征融合方法降低特征维数，提高了分类准确率，更好地分辨癫痫患者与正常人脑电信号，为诊断治疗提供有效辅助。
Description
技术领域
本发明公开小波散射变换与微分熵特征融合的脑电信号分类方法，属于脑电信号分类技术领域。
背景技术
癫痫是一种由于脑部神经元阵发性异常超同步电活动导致的慢性非传染疾病，癫痫发作多呈突发性、不可控制性，是全球最常见的神经系统疾病之一。世界卫生组织报告称全球约有5000万癫痫患者，癫痫也被列为世界上最重要的五种神经和精神疾病之一。目前通过神经科医生目测脑电图是临床诊断癫痫的主要方法，然而这种传统方法不仅耗时、效率低，而且主观判断因素较强。因此，开发一种有效、可靠的癫痫自动检测方法已成为亟待解决的问题，也具有很强的临床意义。
脑电信号（EEG）是大脑表面电活动相对于时间的表征，由于脑部神经元异常放电，导致癫痫发作，因此可以通过记录头皮EEG信号来记录癫痫发作时期，从而获得大量数据用于对癫痫发作阶段的EEG信号识别进行研究。深度学习技术的发展为癫痫诊断提供了新方法、新思路。深度学习技术在处理复杂非线性问题方面比传统方法更具优势，可以大大降低人工参与，提高识别准确率。人们普遍认为，大脑的高级认知功能通常与脑电信号的时频和非线性动态特征相关。为了充分利用上述特征，分别使用小波散射变换方法提取时频域特征，计算脑电信号微分熵提取非线性动力学特征。小波散射变换是对小波变换的一个拓展，受卷积神经网络启发，通过使用一系列低通滤波器组对信号进行卷积操作，取模值与局部平均运算获得一系列不同阶次的小波散射系数。然后对信号进行微分熵特征提取，熵特征是对信号平均不确定和复杂性的度量，对于EEG这种典型的连续非平稳性信号，熵特征能很好地对信号不确定性进行表征，从而增加算法对不同类别癫痫EEG信号的分辨程度。
提取癫痫信号的时频域特征与非线性动力学特征之后，使用判别相关分析特征融合算法将两者进行特征融合，大量研究证明，融合特征比单一特征更加有助于提高分类模型的分类准确率。最后将多模态融合特征向量作为输入特征输入到长短期记忆递归神经网络（LSTM）里进行训练，对训练好的模型使用测试数据测试获得信号的分类准确率。
发明内容
本发明的目的在于提供小波散射变换与微分熵特征融合的脑电信号分类方法，以解决现有技术中，脑电信号分类不准确的问题。
小波散射变换与微分熵特征融合的脑电信号分类方法，包括：
S1导入采集的脑电波癫痫信号，进行滤波预处理操作；
S2对预处理过的脑电波癫痫信号进行分段操作，通过数据增强构建样本库；
S3将样本输入小波散射变换网络，对通道信号进行散射变换，提取二阶分解散射系数，获取通道信号的时频域特征；
S4对通道信号进行微分熵计算，获取通道信号的非线性动力学特征；
S5将时频域特征与非线性动力学特征进行判别相关分析，构建多模态融合特征；
S6将融合特征输入长短期记忆神经网络进行训练学习，利用平均分类准确率对结果进行评估。
滤波包括使用带通滤波器对脑电波癫痫信号进行滤波操作。
S2包括按照癫痫检测任务以h秒为一个窗口，将整段脑电波癫痫信号切分为数个h秒的片段，在截取片段时每段数据均进行50%的数据重叠。
S3包括使用小波散射变换，通过迭代多尺度复小波变换、模运算以及局部均值运算的级联方式对输入信号进行滤波分析，得到信号的多级散射变换系数；
对于输入的一维信号，使用复解析复带通滤波器对/>进行卷积，使用模算法后取模值，通过平均运算得到一阶散射系数/>：
；
式中，是复小波函数，/>为低通滤波器。
S3包括使用第二高频复小波恢复高频能量，再次将小波模值与不同尺度的带通滤波器进行卷积，将高频系数通过求局部平均，得到二阶散射系数/>：
；
式中，是/>的相邻细尺度的复小波函数。
S4包括微分熵为：
；
式中，表示连续信息的概率密度函数，/>表示信息取值的区间。
S4包括对于一段特定长度且服从高斯分布的脑电波癫痫信号，微分熵表示为：
；
式中，为高斯分布均值，/>为高斯分布方差，微分熵等于在特定频段上的能量谱的对数，/>表示样本输入。
S5包括通过判别相关分析降低特征维度，分析变量间相关关系增强类内的相关性，降低类间的相关性；
设小波散射变换系数特征矩阵为，微分熵特征矩阵为/>，分别计算矩阵/>、/>降维后的矩阵/>、矩阵/>：
；/>；
式中，、/>、/>、/>为转换矩阵，/>为/>的空间投影，/>为/>的最终变换矩阵，/>为/>的空间投影，/>为/>的最终变换矩阵。
S5包括以相加融合的方式获得最终输入特征向量：
。
使用长短期记忆神经网络作为分类器，将融合特征作为输入变量进行训练，以分类准确率作为评判标准验证分类器性能。
相对比现有技术，本发明具有以下有益效果：本发明通过解析EEG癫痫信号的时频域特征以及非线性动力学特征，通过特征融合方法降低特征维数，提高了分类准确率，从而更好地分辨癫痫患者与正常人脑电信号，为诊断治疗提供了有效辅助。
附图说明
图1是本发明的技术流程图；
图2是数据集信号滤波前结果图；
图3是数据集信号滤波后结果图；
图4是实施例结果图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
小波散射变换与微分熵特征融合的脑电信号分类方法，包括：
S1导入采集的脑电波癫痫信号，进行滤波预处理操作；
S2对预处理过的脑电波癫痫信号进行分段操作，通过数据增强构建样本库；
S3将样本输入小波散射变换网络，对通道信号进行散射变换，提取二阶分解散射系数，获取通道信号的时频域特征；
S4对通道信号进行微分熵计算，获取通道信号的非线性动力学特征；
S5将时频域特征与非线性动力学特征进行判别相关分析，构建多模态融合特征；
S6将融合特征输入长短期记忆神经网络进行训练学习，利用平均分类准确率对结果进行评估。
滤波包括使用带通滤波器对脑电波癫痫信号进行滤波操作。
S2包括按照癫痫检测任务以h秒为一个窗口，将整段脑电波癫痫信号切分为数个h秒的片段，在截取片段时每段数据均进行50%的数据重叠。
S3包括使用小波散射变换，通过迭代多尺度复小波变换、模运算以及局部均值运算的级联方式对输入信号进行滤波分析，得到信号的多级散射变换系数；
对于输入的一维信号，使用复解析复带通滤波器对/>进行卷积，使用模算法后取模值，通过平均运算得到一阶散射系数/>：
；
式中，是复小波函数，/>为低通滤波器。
S3包括使用第二高频复小波恢复高频能量，再次将小波模值与不同尺度的带通滤波器进行卷积，将高频系数通过求局部平均，得到二阶散射系数/>：
；
式中，是/>的相邻细尺度的复小波函数。
S4包括微分熵为：
；
式中，表示连续信息的概率密度函数，/>表示信息取值的区间。
S4包括对于一段特定长度且服从高斯分布的脑电波癫痫信号，微分熵表示为：
；
式中，为高斯分布均值，/>为高斯分布方差，微分熵等于在特定频段上的能量谱的对数，/>表示样本输入。
S5包括通过判别相关分析降低特征维度，分析变量间相关关系增强类内的相关性，降低类间的相关性；
设小波散射变换系数特征矩阵为，微分熵特征矩阵为/>，分别计算矩阵/>、/>降维后的矩阵/>、矩阵/>：
；/>；
式中，、/>、/>、/>为转换矩阵，/>为/>的空间投影，/>为/>的最终变换矩阵，/>为/>的空间投影，/>为/>的最终变换矩阵。
S5包括以相加融合的方式获得最终输入特征向量：
。
使用长短期记忆神经网络作为分类器，将融合特征作为输入变量进行训练，以分类准确率作为评判标准验证分类器性能。
目前通过脑电设备采集的信号通常会受到许多噪声干扰，如工频干扰、眼动伪迹等，通过脑电设备采集的癫痫信号也属于典型的非线性、非平稳信号，脑电信号的质量问题无疑为提高信号分类网络的准确率增加了难度，因此为了使分类网络获得更高的分类精度需要对脑电数据进行滤波等预处理操作，首先将工频干扰所在的频率范围消除，依据不同的采集设备，国外一般为60hz干扰，我国一般为50hz干扰，通过带通滤波器最终保留0.5-42Hz频率范围内数据。之后将头皮脑电信号按照任务检测需求划分时间段，由于癫痫脑电数据属于类不平衡数据，为了解决这个问题，增加数据的可用性，每段任务数据都有50%的数据重叠。对处理划分好的EEG信号数据同时进行小波散射变换与微分熵计算，获得信号的各级分解散射系数与微分熵系数，获得时频域特征与非线性动力学特征进行判别相关分析构建多模态融合特征向量，最后将融合特征向量作为训练数据输入长短期记忆递归神经网络（LSTM）中进行分类。该方法效果优秀，能够有效区分癫痫患者发作期、发作间期和健康人的脑电信号。
本发明通过置于患者头皮表层的电极采集获得，用于记录脑区活动所产生的电活动变化。实验数据库来自德国波恩大学癫痫脑电数据库，共包含5个子集，分别命名为A、B、C、D、E，数据使用标准的10-20电极放置系统记录，数据采集频率在173.61Hz，每个子集包含100个单通道段，分割成23.6s的时间段，每一个脑电时间序列由4096个样本组成。
使用带通滤波器对EEG信号进行滤波操作，其中低通滤波器截止频率为42hz，高通滤波器通过频率为0.5hz。按照癫痫检测任务以6s为一个窗口，将整段EEG数据切分为数个6秒钟的片段；经过散射变换后的信号具有平移不变性和局部稳定性。
为了恢复高频系数，使用第二高频复小波来恢复高频能量。具体做法是再次将小波模值与不同尺度的带通滤波器进行卷积，但是上述过程在恢复高频分量时会导致不变性能力的降低。为了确保高频的稳定性，获得具有局部平移不变性的输出系数，将高频系数求局部平均，得到二阶散射系数。
实施例中，德国波恩大学癫痫脑电数据库包含癫痫患者与正常人的脑电数据，分为5个子集，分别命名为A、B、C、D、E。其中A，B子集为正常人数据，C，D，E子集为癫痫患者数据。数据使用标准的10-20电极放置系统记录，数据采集频率为173.61Hz，采集时间为23.6s,每个子集包含100个单通道段，共409600个样本组成。本实施例依据癫痫检测任务划分4种不同的分类任务，分别为正常-癫痫发作期（A-E、B-E、AB-E）、癫痫发作间期-癫痫发作期（C-E、D-E、CD-E）、正常-癫痫（AB-CDE）、非癫痫发作-癫痫发作（ABCD-E）。
由于原始的EEG信号采集过程会受到50Hz或60Hz的工频信号影响，且极易受到外界不可控因素干扰，因此头皮EEG往往具有一定的随机性，为了后续对脑电信号的特征进行研究分析，需要在不丢失有效信息的前提下，对原始脑电信号进行一系列预处理操作，以降低分类错误率。脑电信号的有效信息大多集中于1-60Hz之间，因此带通滤波是一种常见的EEG信号预处理方法。本发明使用带通滤波器对EEG信号进行预处理操作，其中低通滤波器截止频率为42hz，高通滤波器通过频率为0.5hz，最终获得频率范围为0.5-42Hz的EEG信号。
按照癫痫检测任务目标要求，将6s的数据定义为一个窗口，一段23.6s的EEG癫痫信号数据被切分为4个6秒钟的片段，每个数据集划分为400个数据片段，每个片段样本数量为1024个；EEG信号属于类不平衡数据，非癫痫发作时间占据多数，数发作时间占据少数，样本数量的不平衡会导致分类效果的下降。为提高数据的利用效率，需要进行数据扩展，在步骤2-1种切分片段的基础上对每段数据进行50%的数据重叠，每6s的数据中有3s的数据会与之前的片段进行重复，对不平衡数据进行扩展重构，增加了样本量，使得每段23.6s的数据可以切分成7个有效片段，每个片段包含1024个样本。
通过对基础小波变换进行改进，小波散射变换通过迭代多尺度复小波变换、模运算以及局部均值运算的级联方式对输入信号进行滤波分析处理后可以得到信号的多级散射变换系数。经过散射变换后的信号具有平移不变性和局部稳定性。本实施例中小波散射变换设置一阶小波卷积每倍频程包含8个小波滤波器，二阶小波卷积每倍频程包含1个小波滤波器，不变性尺度设置为64。
将时频域特征与非线性动力学特征进行判别相关分析（DCA），构建多模态融合特征。特征融合方法能够将来自不同模块提取的低级或中级特征集成到单个表示中，从而捕获多个特征提供的综合性和判别性信息，以增强整体表示并改进后续处理任务。
在特征融合阶段根据DCA算法得到代表性更强的特征，并通过相加的方式组合在一起。DCA方法采用对角化散布矩阵对不同类别特征进行分离，并利用奇异值分解对两组特征进行转换来增加同类别特征之间的相关性，得到的融合特征既增强了同类特征之间的联系，又突出了不同类特征之间的差异。
使用LSTM网络作为分类器，将融合特征作为输入变量进行训练，以分类准确率作为评判标准验证分类器性能。LSTM网络利用时间序列对输入进行分析，可以解决一般递归神经网络中普遍存在的长期依赖问题，使用LSTM可以有效的传递时间序列中的信息并且不会忽略长时间序列前的有效信息，同时也可以解决RNN中梯度消失、梯度爆炸问题。本实施例中，将经过步骤5获得的融合特征作为输入样本，按照2:8的比例划分为测试集和训练集，LSTM网络隐层节点设置为100，学习率设置为0.01，使用五折交叉验证。同时比较了不同阶数的小波散射变换对分类结果的影响，表1列出了不同阶数的小波散射变换下的分类结果。
表1 测试集分类结果统计
；
表1中，Acc是分类准确率，由表1可以看出，随着小波散射系数阶数的提升，各任务的分类准确率也随之提高，尤其对于A-E、C-E、D-E、AB-E、ABCD-E任务能够达到100%的分类准确率。综合以上结果，看出小波散射变换的阶数选择对于实验结果十分重要，选取2阶系数结合微分熵特征并进行判别相关分析得到的结果取得了非常好的效果，说明模型对与癫痫信号与正常信号具有良好的区分效果，符合预期目标。需要特别说明的是，上述分类结果可用于辅助确定脑电信号类别，但并非直接用于疾病的诊断治疗目的，其分类结果可用于科学研究、模型测试等领域。
为解决样本数量不平衡的问题，本发明使用片段重叠方法扩展数据，有利于提高模型训练和分类能力；小波散射变换以及微分熵算法能够有效提取复杂非线性信号的特征，并且融合后的特征具有很好的鲁棒性；采用长短期记忆递归神经网络（LSTM）作为分类器，该网络能够捕捉时序性信号的长期依赖关系，有效提高EEG癫痫信号分类准确率。
本发明技术流程如图1，使用带通滤波器对采集的数据进行滤波处理并划分任务段，然后进行两条分支，一个分支利用小波散射变换，获得时频域特征，另一个分支计算信号的微分熵，获得非线性动力学特征，然后两个分支都使用判别相关分析算法进行特征融合，最后将得到的融合特征向量作为训练数据输入长短期记忆网络，并对癫痫数据信号进行分类。
图2是数据集信号滤波前结果图，对应数据集A的癫痫信号发作片段，横坐标为数据采集次数，纵坐标为信号幅值；图3是数据集信号滤波后结果图，对应数据集A的癫痫信号发作片段横坐标为数据采集次数，纵坐标为经过滤波操作后对应的信号幅值；图4是实施例结果图，横坐标为分类任务，纵坐标为8种分类任务对应的分类准确率，并且统计了在不同小波系数下的分类任务准确率。
以上实施例仅用于说明本发明的技术方案，而非对其限制，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换，而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.小波散射变换与微分熵特征融合的脑电信号分类方法，其特征在于，包括：
S1导入采集的脑电波癫痫信号，进行滤波预处理操作；
S2对预处理过的脑电波癫痫信号进行分段操作，通过数据增强构建样本库；
S3将样本输入小波散射变换网络，对通道信号进行散射变换，提取二阶分解散射系数，获取通道信号的时频域特征；
S4对通道信号进行微分熵计算，获取通道信号的非线性动力学特征；
S5将时频域特征与非线性动力学特征进行判别相关分析，构建多模态融合特征；
S6将融合特征输入长短期记忆神经网络进行训练学习，利用平均分类准确率对结果进行评估。
2.根据权利要求1所述的小波散射变换与微分熵特征融合的脑电信号分类方法，其特征在于，滤波包括使用带通滤波器对脑电波癫痫信号进行滤波操作。
3.根据权利要求1所述的小波散射变换与微分熵特征融合的脑电信号分类方法，其特征在于，S2包括按照癫痫检测任务以h秒为一个窗口，将整段脑电波癫痫信号切分为数个h秒的片段，在截取片段时每段数据均进行50%的数据重叠。
4.根据权利要求1所述的小波散射变换与微分熵特征融合的脑电信号分类方法，其特征在于，S3包括使用小波散射变换，通过迭代多尺度复小波变换、模运算以及局部均值运算的级联方式对输入信号进行滤波分析，得到信号的多级散射变换系数；
对于输入的一维信号，使用复解析复带通滤波器对/>进行卷积，使用模算法后取模值，通过平均运算得到一阶散射系数/>：
；
式中，是复小波函数，/>为低通滤波器。
5.根据权利要求4所述的小波散射变换与微分熵特征融合的脑电信号分类方法，其特征在于，S3包括使用第二高频复小波恢复高频能量，再次将小波模值与不同尺度的带通滤波器进行卷积，将高频系数通过求局部平均，得到二阶散射系数/>：
；
式中，是/>的相邻细尺度的复小波函数。
6.根据权利要求5所述的小波散射变换与微分熵特征融合的脑电信号分类方法，其特征在于，S4包括微分熵为：
；
式中，表示连续信息的概率密度函数，/>表示信息取值的区间。
7.根据权利要求6所述的小波散射变换与微分熵特征融合的脑电信号分类方法，其特征在于，S4包括对于一段特定长度且服从高斯分布的脑电波癫痫信号，微分熵表示为：
；
式中，为高斯分布均值，/>为高斯分布方差，微分熵等于在特定频段上的能量谱的对数，/>表示样本输入。
8.根据权利要求7所述的小波散射变换与微分熵特征融合的脑电信号分类方法，其特征在于，S5包括通过判别相关分析降低特征维度，分析变量间相关关系增强类内的相关性，降低类间的相关性；
设小波散射变换系数特征矩阵为，微分熵特征矩阵为/>，分别计算矩阵/>、/>降维后的矩阵/>、矩阵/>：
；/>；
式中，、/>、/>、/>为转换矩阵，/>为/>的空间投影，/>为/>的最终变换矩阵，为/>的空间投影，/>为/>的最终变换矩阵。
9.根据权利要求8所述的小波散射变换与微分熵特征融合的脑电信号分类方法，其特征在于，S5包括以相加融合的方式获得最终输入特征向量：
。
10.根据权利要求9所述的小波散射变换与微分熵特征融合的脑电信号分类方法，其特征在于，使用长短期记忆神经网络作为分类器，将融合特征作为输入变量进行训练，以分类准确率作为评判标准验证分类器性能。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410636512.0A CN118216934A (zh) | 2024-05-22 | 2024-05-22 | 小波散射变换与微分熵特征融合的脑电信号分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410636512.0A CN118216934A (zh) | 2024-05-22 | 2024-05-22 | 小波散射变换与微分熵特征融合的脑电信号分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118216934A true CN118216934A (zh) | 2024-06-21 |
Family
ID=91502864
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410636512.0A Pending CN118216934A (zh) | 2024-05-22 | 2024-05-22 | 小波散射变换与微分熵特征融合的脑电信号分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118216934A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10743809B1 (en) * | 2019-09-20 | 2020-08-18 | CeriBell, Inc. | Systems and methods for seizure prediction and detection |
| CN111956221A (zh) * | 2020-09-07 | 2020-11-20 | 南京医科大学 | 一种基于小波散射因子与lstm神经网络模型的颞叶癫痫分类方法 |
| US20210000426A1 (en) * | 2019-07-04 | 2021-01-07 | Peking University | Classification system of epileptic eeg signals based on non-linear dynamics features |
| CN113180696A (zh) * | 2021-04-28 | 2021-07-30 | 北京邮电大学 | 一种颅内脑电的检测方法、装置、电子设备及存储介质 |
| WO2022012653A1 (zh) * | 2020-07-17 | 2022-01-20 | 香港中文大学 | 预测婴幼儿的语言发展和交流能力的方法和工具 |
| DE202022103434U1 (de) * | 2022-06-20 | 2022-06-24 | Khyati Chopra | Ein auf einem Enzephalogramm (EEG) basierendes Gerät zur Erkennung von epileptischen Anfällen |
| CN115759186A (zh) * | 2022-11-29 | 2023-03-07 | 北京邮电大学 | 一种基于卷积神经网络的六类运动想象脑电信号分类方法 |
| US20230225665A1 (en) * | 2022-01-12 | 2023-07-20 | CeriBell, Inc. | Systems and methods for detection of delirium and other neurological conditions |
| CN117786497A (zh) * | 2023-12-28 | 2024-03-29 | 中电信数智科技有限公司 | 一种基于黏菌捕食优化算法的脑电情绪识别方法及系统 |
-
2024
- 2024-05-22 CN CN202410636512.0A patent/CN118216934A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210000426A1 (en) * | 2019-07-04 | 2021-01-07 | Peking University | Classification system of epileptic eeg signals based on non-linear dynamics features |
| US10743809B1 (en) * | 2019-09-20 | 2020-08-18 | CeriBell, Inc. | Systems and methods for seizure prediction and detection |
| CN114929094A (zh) * | 2019-09-20 | 2022-08-19 | 赛锐贝尓股份有限公司 | 用于癫痫发作预测及检测的系统及方法 |
| WO2022012653A1 (zh) * | 2020-07-17 | 2022-01-20 | 香港中文大学 | 预测婴幼儿的语言发展和交流能力的方法和工具 |
| CN111956221A (zh) * | 2020-09-07 | 2020-11-20 | 南京医科大学 | 一种基于小波散射因子与lstm神经网络模型的颞叶癫痫分类方法 |
| CN113180696A (zh) * | 2021-04-28 | 2021-07-30 | 北京邮电大学 | 一种颅内脑电的检测方法、装置、电子设备及存储介质 |
| US20230225665A1 (en) * | 2022-01-12 | 2023-07-20 | CeriBell, Inc. | Systems and methods for detection of delirium and other neurological conditions |
| DE202022103434U1 (de) * | 2022-06-20 | 2022-06-24 | Khyati Chopra | Ein auf einem Enzephalogramm (EEG) basierendes Gerät zur Erkennung von epileptischen Anfällen |
| CN115759186A (zh) * | 2022-11-29 | 2023-03-07 | 北京邮电大学 | 一种基于卷积神经网络的六类运动想象脑电信号分类方法 |
| CN117786497A (zh) * | 2023-12-28 | 2024-03-29 | 中电信数智科技有限公司 | 一种基于黏菌捕食优化算法的脑电情绪识别方法及系统 |
Non-Patent Citations (5)
| Title |
|---|
| 刘政;何峰;汤佳贝;万柏坤;明东;: "基于深度学习的头皮脑电信息解码研究进展", 中国生物医学工程学报, no. 02, 20 April 2020 (2020-04-20) * |
| 宋玉龙;赵冕;郑威;: "基于小波变换和样本熵的脑电信号癫痫特征提取", 计算机与数字工程, no. 06, 20 June 2020 (2020-06-20) * |
| 崔刚强;夏良斌;梁建峰;涂敏;: "基于小波多尺度分析和极限学习机的癫痫脑电分类算法", 生物医学工程学杂志, no. 06, 25 December 2016 (2016-12-25) * |
| 徐永红;李杏杏;赵勇;: "基于小波包和多元多尺度熵的癫痫脑电信号分类方法", 生物医学工程学杂志, no. 05, 25 October 2013 (2013-10-25) * |
| 柳长源;张付浩;韦琦;: "基于脑电信号的癫痫疾病智能诊断与研究", 哈尔滨理工大学学报, no. 03, 25 May 2018 (2018-05-25) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Aslan et al. | Automatic Detection of Schizophrenia by Applying Deep Learning over Spectrogram Images of EEG Signals. | |
| Hamad et al. | Feature extraction of epilepsy EEG using discrete wavelet transform | |
| Panda et al. | Classification of EEG signal using wavelet transform and support vector machine for epileptic seizure diction | |
| CN114266276B (zh) | 一种基于通道注意力和多尺度时域卷积的运动想象脑电信号分类方法 | |
| CN111956221B (zh) | 一种基于小波散射因子与lstm神经网络模型的颞叶癫痫分类方法 | |
| CN108959895B (zh) | 一种基于卷积神经网络的脑电信号eeg身份识别方法 | |
| CN104586387A (zh) | 一种时、频、空域多参数脑电特征提取与融合方法 | |
| CN113768519B (zh) | 基于深度学习和静息态脑电数据分析病人意识水平的方法 | |
| CN109431497A (zh) | 一种脑电信号处理方法及癫痫检测系统 | |
| CN112674782B (zh) | 癫痫患者发作间期痫样电活动检测装置和方法 | |
| CN114190944B (zh) | 基于脑电信号的鲁棒情绪识别方法 | |
| CN114366124A (zh) | 一种基于半监督深度卷积通道注意力单分类网络的癫痫脑电识别方法 | |
| CN113536882A (zh) | 一种多类运动想象脑电信号特征提取及分类方法 | |
| CN113378737A (zh) | 植入式脑机接口神经元锋电位分类方法 | |
| CN107045624B (zh) | 一种基于最大加权团的脑电信号预处理与分类方法 | |
| CN111067513A (zh) | 一种特征权重自学习的睡眠质量检测关键脑区判定方法 | |
| Jaffino et al. | Expectation-maximization extreme machine learning classifier for epileptic seizure detection | |
| CN114532994B (zh) | 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 | |
| CN110200624A (zh) | 基于卷积神经网络-循环神经网络-支持向量机混合模型的疾病识别算法 | |
| CN116491956A (zh) | 一种基于多域特征融合的异常脑电自动检测方法 | |
| CN118216934A (zh) | 小波散射变换与微分熵特征融合的脑电信号分类方法 | |
| CN115067878A (zh) | 基于EEGNet的静息态脑电意识障碍分类方法及系统 | |
| CN114947850A (zh) | 基于脉搏波高斯模型特征的脑力负荷等级客观检测方法 | |
| CN113208633A (zh) | 一种基于eeg脑波的情绪识别方法、系统 | |
| CN113180663A (zh) | 一种基于卷积神经网络的情绪识别方法、系统 |
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 |