基于缺项特征的脑电图分类检测装置

摘要

一种基于缺项特征的脑电图分类检测装置，属于脑电图自动检测技术领域。包括依次电路连接的多路脑电放大器、数据采集卡、计算机，所述计算机中内置有信号预处理模块、信号分段模块、缺项特征提取模块、贝叶斯线性判别分析分类模块和阈值判断模块；本装置先由多路脑电放大器对脑电图信号进行放大，然后由数据采集卡采集脑电图信号并送入计算机中，最后通过计算机内的模块分别对脑电图信号进行预处理、分段、计算缺项特征、利用贝叶斯线性判别分析分类器对脑电缺项特征进行分类、利用阈值判断对分类进行标记并获取结果。本发明装置具有以下的优点：特征运算简单，训练和分类速度快，分类准确率高。能达到较好的分类检测效果。

说明书

技术领域

本发明涉及一种基于缺项特征的脑电图分类检测装置，属于脑电图信号特征提取和检测技术领域。

技术背景

大脑皮层神经元活动所产生的电位变化，可以通过大脑这个容积导体，反映到大脑头皮表面。脑电图(electroencephalogram,EEG)是从颅外头皮或颅内电极记录到的脑神经元群的自发性、节律性的电活动。脑电信号含有大量的脑神经功能信息和病理信息。癫痫是一种由于大量神经元突发性异常放电，导致短暂的大脑功能障碍的慢性疾病，其特征为突发性和复杂性。癫痫发病率约为0.5%～2%，发病人群主要为青少年，其对患者身心都造成严重的伤害，严重时甚至危及生命。诊断癫痫最有效的方法是脑电图检查，主要通过专家依据经验分析脑电图信号，长时脑电图的回放分析不仅枯燥乏味而且费时费力，不可避免的导致人为误差的出现。脑电图自动检测不仅可以大幅度的减轻医疗工作者的劳动量，同时也可以提高检测精度，但自动检测却非常困难，主要在于脑电信号是时变、非平稳和非线性的信号。例如：基于模糊规则的癫痫自动检测，检测灵敏度为68.9%，无法满足癫痫自动检测的需求(参见A.Aarabi,R.Fazel-Rezai and Y.Aghakhani,“A fuzzy rule-based system for epilepticseizure detection in intracranial EEG,”Clinical Neurophysiology,vol.120,pp.1648-1657,2009.)。CN1255320(CN99124210.6)公开了一种自动确定人工神经网络识别癫痫样放电阈值的方法及装置,该方法需要确定多个网络参数和大量的样本训练，算法复杂，难于实际应用。当前脑电特征多通过小波变换、短时傅里叶变换后选取其线性特征，而忽略了脑电的非线性特征。

常用的分类器如支持向量机和人工神经网络，需要大量样本训练优化分类器参数，需花费较长的训练时间，难于满足在线分类的要求。

发明内容

为了克服现有技术的缺陷和不足，本发明提出了一种基于缺项特征的脑电图分类检测装置。

本发明的技术方案是按以下方式实现的：

一种基于缺项特征的脑电图分类检测装置，包括依次电路连接的多路脑电放大器、数据采集卡、计算机，所述计算机中内置有信号预处理模块、信号分段模块、缺项特征提取模块、贝叶斯线性判别分析分类模块和阈值判断模块；本装置先由多路脑电放大器对脑电图信号进行放大，然后由数据采集卡采集脑电图信号并送入计算机中，最后通过计算机内的模块分别对脑电图信号进行预处理、分段、计算缺项特征、利用贝叶斯线性判别分析分类器对脑电缺项特征进行分类、利用阈值判断对分类进行标记；其中：

所述的多路脑电放大器，对脑电图(EEG)信号进行放大；

所述的数据采集卡，采集脑电图信号，并存储到计算机中；

所述的信号预处理模块,对脑电图信号进行0.5-30Hz带通滤波的处理，以滤除脑电图信号中肌电信号和工频干扰；

所述的信号分段模块，对带通滤波处理后的脑电图信号进行分段，将每1024个不重复的点分为一段；

所述的缺项特征提取模块，对每段脑电图信号计算其缺项特征向量，缺项特征向量s计算如下：

s=[LA(1),LA(2),...,LA(L)]^T，其中T是转置符号，L为导联数，l表示导联编号（l=1,2,…,L），LA(l)是导联l脑电图信号的缺项特征；$>\mathrm{LA}\left(l\right)=\frac{M^2\left(l\right)-{\left[M\left(l\right)\right]}^2}{{\left[M\left(l\right)\right]}^2},$>这里$>M\left(l\right)=\underset{m=A}{\overset{B}{\Sigma }}\mathrm{mp}(m,l),$>A表示该段信号的最小幅度值，B表示该段信号的最大幅度值，m为后验分布的均值，p(m,l)表示在导联l上幅度值等于m的概率；

所述的贝叶斯线性判别分析分类模块，对缺项特征向量进行贝叶斯线性判别分析分类，得到分类输出值；

所述的阈值判断模块，将分类输出值与阈值进行比较并标记，阈值取Th=0，如果分类输出值大于阈值Th，则标记为1，分类输出值小于等于阈值Th，则标记为-1；

上述的基于缺项特征的脑电图分类检测装置，所述的贝叶斯线性判别分析分类模块，对缺项特征向量进行贝叶斯线性判别分析分类，得到分类输出值，步骤如下：

①假定贝叶斯回归中的目标值x和缺项特征向量s与叠加的高斯白噪声n线性相关：x＝w^Τs+n，其中w为权值向量，w^Τ中的T是转置符号，得到权值向量w的似然函数p(Y_SX|β,w)：

$>p\left(Y_{\mathrm{SX}}\right|\beta ,w)={\left(\frac{\beta }{2\pi }\right)}^{\frac{N}{2}}\exp (-\frac{\beta }{2}{\left|\right|S^{T}w-x\left|\right|}^2)$>

上式中，x是目标向量，S表示训练集特征向量水平堆砌组成的矩阵，S^Τ是S的矩阵转置，β表示噪声方差的逆，N表示训练集中的样本数，Y_SX表示集合{S,x}，运算符号|| ||²表示欧式距离的平方；

②求权值向量w的先验分布p(w|α)：

$>p\left(w\right|\alpha )={\left(\frac{\alpha }{2\pi }\right)}^{\frac{M}{2}}{\left(\frac{ϵ}{2\pi }\right)}^{\frac{1}{2}}\exp (-\frac{1}{2}{w}^{T}I\left(\alpha \right)w)$>

式中α为先验分布参数，I(α)是一个M+1维的对角方阵，M是特征向量的维数：

π为圆周率，w为权值向量，w^Τ是w的矩阵转置，ε为充分小的常数；

③求权值向量w的后验分布p(w|β,α,Y_SX)，由贝叶斯公式可得：

$>p\left(w\right|\beta ,\alpha ,Y_{\mathrm{SX}})=\frac{p\left(Y_{\mathrm{SX}}\right|\beta ,w)p\left(w\right|\alpha )}{\int p\left(Y_{\mathrm{SX}}\right|\beta ,w)p\left(w\right|\alpha )\mathrm{dw}}$>

式中β表示噪声方差的逆，α为先验分布参数，Y_SX表示集合{S,x}，S表示训练集特征向量水平堆砌组成的矩阵，x是目标向量，p(Y_SX|β,w)是w的似然函数，p(w|α)是w的先验分布；

④由于先验和似然函数都服从高斯分布，因此后验分布也服从高斯分布，可得后验分布的均值m：

m＝β(βSS^Τ+I(α))^-1Sx

其中，x是目标向量，S表示训练集特征向量水平堆砌组成的矩阵，β表示噪声方差的逆，α为先验分布参数；

⑤对于新测试数据的缺项特征向量s_new，贝叶斯线性判别分析分类器的输出y等于：

y＝m^Ts_new

其中m为后验分布的均值。

贝叶斯线性判别分析是Fisher线性判别分析的扩展和改进。与Fisher线性判别分析相比，贝叶斯线性判别分析利用正则化来防止对高维和带噪的数据集的过拟合。通过贝叶斯分析，可以自动而快速地从训练数据估计出正则化的阶数，避免了费时的交叉验证。

本发明具有以下的优点：缺项能提取脑电的非线性特征，无需相空间重构，运算简单快速；贝叶斯线性判别分析分类器训练和分类速度快，分类准确率高；本装置可满足脑电在线分类的要求，具有良好的实时性。

附图说明

图1为本发明的方框示意图。

其中：1、多路脑电放大器，2、数据采集卡，3、计算机。

图2为实施例所述脑电信号的缺项示意图，其中横坐标表示脑电信号的时间，纵坐标表示缺项的幅度值，两条竖线间为异常脑电信号持续时间；

图3为实施例所述脑电信号的分类结果，其中+1表示正常脑电，-1为异常脑电，两条竖线间为异常脑电信号持续时间。

具体实施方式

下面结合附图与实例对本发明做进一步说明，但不限于此。

实施例:

如图1所示,一种基于缺项特征的脑电图分类检测装置，包括依次电路连接的多路脑电放大器1、数据采集卡2、计算机3，所述计算机3中内置有信号预处理模块、信号分段模块、缺项特征提取模块、贝叶斯线性判别分析分类模块和阈值判断模块；本装置先由多路脑电放大器1对脑电图信号进行放大，然后由数据采集卡2采集脑电图信号并送入计算机3中，最后通过计算机内的模块分别对脑电图信号进行预处理、分段、计算缺项特征、利用贝叶斯线性判别分析分类器对脑电缺项特征进行分类、利用阈值判断对分类进行标记；其中：

所述的多路脑电放大器1，对脑电图(EEG)信号进行放大；

所述的数据采集卡2，采集脑电图信号，并存储到计算机3中；

所述的信号预处理模块,对脑电图信号进行0.5-30Hz带通滤波的处理，以滤除脑电图信号中肌电信号和工频干扰；

所述的信号分段模块，对带通滤波处理后的脑电图信号进行分段，将每1024个不重复的点分为一段；

所述的缺项特征提取模块，对每段脑电图信号计算其缺项特征向量，缺项特征向量s计算如下：

s=[LA(1),LA(2),...,LA(L)]^T，其中T是转置符号，L为导联数，l表示导联编号（l=1,2,…,L），LA(l)是导联l脑电图信号的缺项特征；$>\mathrm{LA}\left(l\right)=\frac{M^2\left(l\right)-{\left[M\left(l\right)\right]}^2}{{\left[M\left(l\right)\right]}^2},$>这里$>M\left(l\right)=\underset{m=A}{\overset{B}{\Sigma }}\mathrm{mp}(m,l),$>A表示该段信号的最小幅度值，B表示该段信号的最大幅度值，m为后验分布的均值，p(m,l)表示在导联l上幅度值等于m的概率；

所述的贝叶斯线性判别分析分类模块，对缺项特征向量进行贝叶斯线性判别分析分类，得到分类输出值；

所述的阈值判断模块，将分类输出值与阈值进行比较并标记，阈值取Th=0，如果分类输出值大于阈值Th，则标记为1，分类输出值小于等于阈值Th，则标记为-1；

上述的基于缺项特征的脑电图分类检测装置，所述的贝叶斯线性判别分析分类模块，对缺项特征向量进行贝叶斯线性判别分析分类，得到分类输出值，步骤如下：

①假定贝叶斯回归中的目标值x和缺项特征向量s与叠加的高斯白噪声n线性相关：x＝w^Τs+n，其中w为权值向量，w^Τ中的T是转置符号，得到权值向量w的似然函数p(Y_SX|β,w)：

$>p\left(Y_{\mathrm{SX}}\right|\beta ,w)={\left(\frac{\beta }{2\pi }\right)}^{\frac{N}{2}}\exp (-\frac{\beta }{2}{\left|\right|S^{T}w-x\left|\right|}^2)$>

上式中，x是目标向量，S表示训练集特征向量水平堆砌组成的矩阵，S^Τ是S的矩阵转置，β表示噪声方差的逆，N表示训练集中的样本数，Y_SX表示集合{S,x}，运算符号|| ||²表示欧式距离的平方；

②求权值向量w的先验分布p(w|α)：

$>p\left(w\right|\alpha )={\left(\frac{\alpha }{2\pi }\right)}^{\frac{M}{2}}{\left(\frac{ϵ}{2\pi }\right)}^{\frac{1}{2}}\exp (-\frac{1}{2}{w}^{T}I\left(\alpha \right)w)$>

式中α为先验分布参数，I(α)是一个M+1维的对角方阵，M是特征向量的维数(这里M=6)，

π为圆周率，w为权值向量，w^Τ是w的矩阵转置，ε为充分小的常数，这里取ε=10^-8；

③求权值向量w的后验分布p(w|β,α,Y_SX)，由贝叶斯公式可得：

$>p\left(w\right|\beta ,\alpha ,Y_{\mathrm{SX}})=\frac{p\left(Y_{\mathrm{SX}}\right|\beta ,w)p\left(w\right|\alpha )}{\int p\left(Y_{\mathrm{SX}}\right|\beta ,w)p\left(w\right|\alpha )\mathrm{dw}}$>

式中β表示噪声方差的逆，α为先验分布参数，Y_SX表示集合{S,x}，S表示训练集特征向量水平堆砌组成的矩阵，x是目标向量，p(Y_SX|β,w)是w的似然函数，p(w|α)是w的先验分布；

④由于先验和似然函数都服从高斯分布，因此后验分布也服从高斯分布，可得后验分布的均值m：

m＝β(βSS^Τ+I(α))^-1Sx

其中，x是目标向量，S表示训练集特征向量水平堆砌组成的矩阵，β表示噪声方差的逆，α为先验分布参数；

⑤对于新测试数据的缺项特征向量s_new，贝叶斯线性判别分析分类器的输出y等于：

y＝m^Ts_new

其中m为后验分布的均值。

本发明所述的脑电放大器采用Neurofile NT脑电放大器,数据采集卡为16位的A/D转化数据采集卡，采样频率为256Hz。

利用本发明对6小时脑电数据进行分类检测，得到正确识别率为92%。