本發明涉及一種癲癇腦電信號識別法。特別是涉及一種基于最優核時頻分布可視圖的癲癇腦電信號識別方法。

背景技術：

癲癇是指大腦神經元突發性異常放電，導致短暫的大腦功能障礙的一種慢性疾病。在臨床上的表現為發作性運動、感覺、自主神經、意識及精神障礙。癲癇作為一種慢性疾病，雖然短期內對患者沒有太大的影響，但是長期頻繁的發作可導致患者的身心、智力產生嚴重影響。腦電信號是腦神經細胞電生理活動在大腦皮層或頭皮表面的總體反映。腦電信號中包含了大量的生理與疾病信息，分析癲癇患者與健康人的腦電信號，可以更深入的認識癲癇疾病并獲得大量的功能與疾病信息，從而可以根據這些信息對癲癇疾病診斷提供有效的方法。但由于腦電信號是不具備各態歷經性的非平穩隨機信號，而且其背景噪聲很強，因此腦電信號的分析和處理一直是非常吸引人但又是具有相當難度的研究課題。

可視圖建網從其被創立之初至今已在多領域得到廣泛應用，為時間序列分析提供了一個新視角。自適應最優核時頻分布在時域內實現了對信號特征緊密的“跟蹤”，可有效抑制交叉項產生的干擾，具有很強的信號細節刻畫能力。本發明的一種基于自適應最優核時頻分布可視圖的癲癇腦電信號識別方法將時頻分析與可視圖理論結合，實現了對不同腦電信號的準確分類。

技術實現要素：

本發明所要解決的技術問題是，提供一種基于最優核時頻分布可視圖的癲癇腦電信號識別法及應用。

本發明所采用的技術方案是：一種基于自適應最優核時頻分布可視圖的癲癇腦電信號識別法，包括如下步驟：

1)獲得原始腦電數據，計算預處理后的腦電信號的自適應最優核時頻分布，包括：

(1)自適應最優核時頻分布P_AOK(t,f)表示為：

P_AOK(t,f)＝∫∫A(t,τ,υ)Φ(τ,υ)e^{-j2π(tυ+τf)}dτdυ

其中，υ為頻偏，τ為時延，t為時間，f為頻率，Φ(τ,υ)為用于產生自適應最優核時頻分布的核函數，形式為二維高斯函數形式：

其中，r²＝τ²+υ²，ψ＝arctan(τ/θ),σ(ψ)為控制核函數在ψ方向上的擴展，A(t,τ,υ)為自適應最優核時頻分布的短時模糊函數，以時間t為中心，表示為：

其中，z為所要計算的自適應最優核時頻分布的腦電信號，ω為以時間t為中心，長度為T的對稱窗函數，自適應最優核時頻分布的短時模糊函數只在[t-T,t+T]范圍內計算，u表示時間變量，自適應最優核核函數在極坐標下表示為Φ(r,ψ)，所述核函數由以下的最優化條件來決定：

約束條件為：

式中，α為核參數，A(r,ψ)和Φ(r,ψ)分別是極坐標下的短時模糊函數和核函數；

(2)根據第(1)步所得到的自適應最優核時頻分布P_AOK(t,f)，得到腦電信號的能量時間序列

所述的預處理包括：對原始腦電數據進行帶通濾波，去除高低頻干擾成分；手動剔除剩余偽跡數據，最終得到預處理后的腦電數據用于后續的分析；

2)進行癲癇狀態的分類，包括：

(1)對于每一個得到的時間能量序列進行可視化分析，得到能量時間序列可視圖復雜網絡，具體是：

如果能量時間序列內的任意兩個點(t_a,E_a)和(t_b,E_b)可視，也就是兩點之間有連邊，則這兩點間的任意一點(t_c,E_c)都要滿足:

(2)提取獲得能量時間序列可視圖復雜網絡的特征指標：

全局聚集系數C：

局部聚集系數均值

聚集系數熵E_C：

節點度的均值

其中，τ_△表示的是一個可視圖網絡中閉三元組的數目，一個三角由三個封閉的三元組構成，τ表示一個可視圖網絡中的開三元組數目，開三元組即為三個節點由兩條連邊連接，τ_i表示一個可視圖網絡中以節點i為中心的開三元組數目，τ_i,△表示的是一個可視圖網絡中以節點i為中心的閉三元組數目，C_i表示節點i的局部聚集系數，k_i是節點i的度，即節點i的連邊數，N表示網絡的節點數；

(3)提取自適應最優核時頻分布指標：

時頻分布偏差值P_std：

其中，m和n分別是時頻分布的行數和列數，P_mean表示時頻分布均值，自適應最優核時頻分布的頻率范圍為(f₀-F)；

(4)結合支持向量機分類癲癇EEG信號，包括：組合自適應最優核時頻分布指標和能量時間序列可視圖復雜網絡的特征指標，構成三維指標向量，分別采用留一法交叉驗證和支持向量機分類器，對所有的三維指標向量進行分類，以及采用十折交叉驗證和支持向量機分類器，對所有的三維指標向量進行分類。

步驟2)中的第(4)步所述的采用留一法交叉驗證和支持向量機分類器，對所有的三維指標向量進行分類，是將步驟2)中得到的每一個多尺度水平有限穿越可視圖復雜網絡的節點平均聚集系數和聚集系數熵E_C構成一個三維指標向量，采用留一法交叉驗證和支持向量機分類器，對所有的三維指標向量進行分類，即依次將一個三維指標向量作為測試集，將其余的指標向量作為訓練集，并提供對應的訓練集標簽，遍歷所有的三維指標向量作為測試集，其余的指標向量作為訓練集后，從而得到所有的三維指標向量的分類結果。

步驟2)中的第(4)步所述的采用十折交叉驗證和支持向量機分類器，對所有的三維指標向量進行分類，包括：

(1)將所有的三維指標向量隨機的分為等長的十份子集；

(2)將十份子集中的一個子集作為測試集，剩余的九份子集作為訓練集，提供對應的訓練集標簽，得到作為測試集的子集中的三維指標向量的分類結果；

(3)重復第(2)步，直至分別得到十份子集的三維指標向量的分類結果，構成一次的十折交叉驗證分類結果；

(4)重復第(1)步～第(3)步十次，得到十次的十折交叉驗證分類結果；

(5)對十次的十折交叉驗證分類結果取均值作為所有三維指標向量的分類結果。

本發明的基于最優核時頻分布可視圖的癲癇腦電信號識別方法，結合自適應最優核時頻分布理論與可視圖思想構建能量時間序列可視圖復雜網絡，提取復雜網絡指標，實現對癲癇腦電信號的識別。

附圖說明

圖1是本發明基于最優核時頻分布可視圖的癲癇腦電信號識別法的流程圖；

圖2是本發明應用于區分癲癇患者癲癇發作時期和健康人腦電信號的二維指標分布圖；

圖3是本發明應用區分癲癇患者癲癇發作時期與正常時期腦電信號的二維指標分布圖。

具體實施方式

下面結合實施例和附圖對本發明的基于最優核時頻分布可視圖的癲癇腦電信號識別方法做出詳細說明。

本發明的基于最優核時頻分布可視圖的癲癇腦電信號識別方法，通過計算不同大腦狀態下的腦電信號的自適應最優核時頻分布，得到時間能量序列，對能量時間序列構建可視圖復雜網絡，提取復雜網絡特征指標，結合機器學習實現對癲癇發作狀態的辨別與分析。

本發明的基于最優核時頻分布可視圖的癲癇腦電信號識別法，如圖1所示，包括如下步驟：

1)獲得原始腦電數據，計算預處理后的腦電信號的自適應最優核時頻分布，包括：

(1)自適應最優核時頻分布P_AOK(t,f)表示為：

P_AOK(t,f)＝∫∫A(t,τ,υ)Φ(τ,υ)e^{-j2π(tυ+τf)}dτdυ

其中，υ為頻偏，τ為時延，t為時間，f為頻率，Φ(τ,υ)為用于產生自適應最優核時頻分布的核函數，形式為二維高斯函數形式：

其中，r²＝τ²+υ²，ψ＝arctan(τ/θ),σ(ψ)為控制核函數在ψ方向上的擴展，A(t,τ,υ)為自適應最優核時頻分布的短時模糊函數，以時間t為中心，表示為：

其中，z為所要計算的自適應最優核時頻分布的腦電信號，ω為以時間t為中心，長度為T的對稱窗函數，自適應最優核時頻分布的短時模糊函數只在[t-T,t+T]范圍內計算，u表示時間變量，自適應最優核核函數在極坐標下表示為Φ(r,ψ)，所述核函數由以下的最優化條件來決定：

約束條件為：

式中，α為核參數，A(r,ψ)和Φ(r,ψ)分別是極坐標下的短時模糊函數和核函數，自適應最優核時頻分布算法對許多種多分量信號均具有較好的效果，自適應核在時域內實現了對信號特征緊密的“跟蹤”，因此該算法具有更強的信號細節刻畫能力，研究表明自適應最優核算法能夠在保持較高的聚集性的前提下，有效的消除視頻平面內交叉項的干擾；

所述的預處理包括：對原始腦電數據進行帶通濾波，去除高低頻干擾成分；手動剔除剩余偽跡數據，最終得到預處理后的腦電數據用于后續的分析。

(2)根據第(1)步所得到的自適應最優核時頻分布P_AOK(t,f)，得到腦電信號的能量時間序列

2)進行癲癇狀態的分類，包括如下步驟：

(1)對于每一個得到的時間能量序列進行可視化分析，得到能量時間序列可視圖復雜網絡，具體是：

如果能量時間序列內的任意兩個點(t_a,E_a)和(t_b,E_b)可視，也就是兩點之間有連邊，則這兩點間的任意一點(t_c,E_c)都要滿足:

(2)提取獲得能量時間序列可視圖復雜網絡的特征指標：

全局聚集系數C：

局部聚集系數均值

聚集系數熵E_C：

節點度的均值

其中，τ_△表示的是一個可視圖網絡中閉三元組的數目，一個三角由三個封閉的三元組構成，τ表示一個可視圖網絡中的開三元組數目，開三元組即為三個節點由兩條連邊連接，τ_i表示一個可視圖網絡中以節點i為中心的開三元組數目，τ_i,△表示的是一個可視圖網絡中以節點i為中心的閉三元組數目，C_i表示節點i的局部聚集系數，k_i是節點i的度，即節點i的連邊數，N表示網絡的節點數；

(3)提取自適應最優核時頻分布指標：

時頻分布偏差值P_std：

其中，m和n分別是時頻分布的行數和列數，自適應最優核時頻分布的頻率范圍為(f₀-F)；

(4)結合支持向量機分類癲癇EEG信號，包括：組合自適應最優核時頻分布指標和能量時間序列可視圖復雜網絡的特征指標，構成三維指標向量，分別采用留一法交叉驗證(leave-one-out cross-validation)和支持向量機分類器，對所有的三維指標向量進行分類，以及采用十折交叉驗證(ten-fold cross-validation)和支持向量機分類器，對所有的三維指標向量進行分類。其中：

所述的采用留一法交叉驗證和支持向量機分類器，對所有的三維指標向量進行分類，是將步驟2)中得到的每一個多尺度水平有限穿越可視圖復雜網絡的節點平均聚集系數和聚集系數熵E_C構成一個三維指標向量，采用留一法交叉驗證和支持向量機分類器，對所有的三維指標向量進行分類，即依次將一個三維指標向量作為測試集，將其余的指標向量作為訓練集，并提供對應的訓練集標簽，遍歷所有的三維指標向量作為測試集，其余的指標向量作為訓練集后，從而得到所有的三維指標向量的分類結果。

所述的采用十折交叉驗證和支持向量機分類器，對所有的三維指標向量進行分類，包括：

(1)將所有的三維指標向量隨機的分為等長的十份子集；

(2)將十份子集中的一個子集作為測試集，剩余的九份子集作為訓練集，提供對應的訓練集標簽，得到作為測試集的子集中的三維指標向量的分類結果；

(3)重復第(2)步，直至分別得到十份子集的三維指標向量的分類結果，構成一次的十折交叉驗證分類結果；

(4)重復第(1)步～第(3)步十次，得到十次的十折交叉驗證分類結果；

(5)對十次的十折交叉驗證分類結果取均值作為所有三維指標向量的分類結果。

下面給出具體實例：

從10個人中采集5類腦電信號，其中A類：五個健康人眼睛睜開時的腦電數據，B類：同樣的五個健康人眼睛閉上時候的腦電信號，C類：五個患有癲癇疾病的患者癲癇未發作時的非癲癇病灶區的腦電信號，D類：同樣的五個患有癲癇疾病的患者癲癇未發作時的癲癇病灶區的腦電信號，E類：同樣的五個患有癲癇疾病的患者癲癇發作時的癲癇病灶區的腦電信號。每個人的電極放置方式均采用10-20國際標準放置，采樣頻率為173.61Hz，采樣時間為23.6秒。對采集到的原始腦電數據進行預處理后可得到去噪處理后的腦電數據。采用如下兩個示例驗證本方法的有效性：(1)A、B類與E類數據的區分，通過區分正常腦電信號與癲癇腦電信號，實現癲癇疾病診斷的目的。(2)C、D類與E類數據的區分，通過區分癲癇患者癲癇發作時期與正常時期的腦電信號，實現癲癇患者癲癇發作時預警的目的。從而可知：

(a)正常腦電信號與癲癇腦電信號的區分，實現癲癇疾病診斷的目的，結合聚集系數熵、局部聚集系數均值和時頻分布偏差值這三個特征指標構成三維指標向量，結合支持向量機分類方法與留一法交叉驗證，依次將每個三維指標向量作為測試集，將剩余的指標向量作為訓練集，并提供對應的訓練集標簽，遍歷所有的指標向量作為測試集后可實現對癲癇患者和健康人腦電數據的準確分類,分類準確率達100％，結合支持向量機分類方法與十折交叉驗證，對所有的三維指標向量進行分類，即將所有的三維指標向量隨機的分為等長的十份子集，依次將其中的一個指標向量子集作為測試集，剩余的九份指標向量子集作為訓練集，可得到對所有的三維指標向量的分類結果，最后取獨立的十次十折交叉驗證分類結果的均值作為所有三維指標向量的分類結果，可實現對癲癇患者和健康人腦電數據的準確分類，分類準確率達100％。本發明方法應用于區分正常腦電信號與癲癇腦電信號的二維指標向量分布圖如圖2所示；

(b)癲癇患者癲癇發作時期與正常時期的腦電信號，實現癲癇患者癲癇發作時預警的目的，結合全局聚集系數、節點度的均值和時頻分布偏差值這三個特征指標構成三維指標向量，結合支持向量機分類方法與留一法交叉驗證，依次將每個三維指標向量作為測試集，將剩余的指標向量作為訓練集，并提供對應的訓練集標簽，遍歷所有的指標向量作為測試集后可實現對癲癇患者癲癇發作時期與正常時期腦電數據的準確分類,分類準確率達98％，結合支持向量機分類方法與十折交叉驗證，對所有的三維指標向量進行分類，即將所有的三維指標向量隨機的分為等長的十份子集，依次將其中的一個指標向量子集作為測試集，剩余的九份指標向量子集作為訓練集，可得到對所有的三維指標向量的分類結果，最后取獨立的十次十折交叉驗證分類結果的均值作為所有三維指標向量的分類結果，可實現對癲癇患者癲癇發作時期與正常時期腦電數據的準確分類，分類準確率達98.27％。本發明方法應用于區分癲癇患者癲癇發作時期與正常時期腦電信號的二維指標向量分布圖如圖3所示；

以上對本發明和實施例的描述，并不局限于此，實施例中的描述僅是本發明的實施方式之一，在不脫離本發明創造宗旨的情況下，任何不經創造性的設計出與該技術方案類似的結構或實施例，均屬本發明的保護范圍。