[发明专利]基于多尺度径向基函数和改进粒子群优化算法的脑电信号时频分析方法

说明书

技术领域

本发明涉及一种脑电信号时频分析方法，尤其涉及一种基于多尺度径向基函数和改进粒子群优化算法的时频分析方法，属于信号分析与处理技术领域。

背景技术

癫痫是由大脑神经细胞反复超同步放电，引起的自发性、突发性的脑功能紊乱的神经系统疾病，目前癫痫治疗的主要手段—手术切除病灶和药物治疗存在一些问题，对有些患者可能带来并发症和一些不良反应，如果能在癫痫发作前进行早期确诊，提前采取保护措施，就可极大的减少患者受伤的风险，并可对认识癫痫的发病机制和研究新的治疗方法起到促进作用。脑电图(Electroencephalogram，EEG)是一种评估脑的状态和疾病的重要形式。通过脑电图检查并及时分析脑电信号,从癫痫患者的脑电信息中提取出能够反映大脑功能状态的特征参数,提前对这些人进行临床干预。因此，脑电图检查并提取脑电信号特征对于癫痫的诊断和研究有着重要的意义。

脑电信号是一种非平稳信号。由于非平稳信号的频率随时间变化，需对其进行时频分析，即描述信号频谱含量在时间上分布的分析方法，提取其时频特征。脑电信号按频率可划分为4个波段：δ波(0.5-4Hz)、θ波(4-8Hz)、α波(8-13Hz)、β波(13-30Hz)。

目前时频分析方法主要有两类：非参数方法和参数方法。非参数方法如短时傅里叶变换是基于对信号时频联合分布的非参数表示，根据海森堡测不准原理，该方法的主要缺点是时间分辨率和频率分辨率不能同时达到最优。参数方法对信号进行建模及参数进行估计，能够同时得到较高的时频分辨率。

时变参数模型方法的主要任务是对其时变参数进行辨识。目前主要采用的基函数扩展法。基函数扩展法的主要思想将时变参数表示为一组已知基函数的线性加权组合(陈宇,陈怀海,李赞澄,等.基于时变AR模型和小波变换的时变参数识别[J].国外 电子测量技术,2011,30(7):20-23.)，将时变问题转化为关于基函数的时不变参数辨识问题，通过对时不变参数的辨识进而得到时变参数。目前可供选择的基函数有傅里叶基、径向基函数(Li Y,Wei H L,Billings S A,etal.Time-varying model identification for time–frequency feature extraction from EEG data[J].Journal of Neuroscience Methods,2011,196:151–158.)等。每种基函数都有各自逼近特性，如傅里叶基函数和勒让德多项式可以有效辨识变化缓慢且平滑的时变参数，而径向基函数可以同时辨识平滑及变化剧烈的时变参数。因而本发明采用径向基函数进行时变参数辨识。

脑电信号是一种微弱的生物信号，因其噪声大，能量低及非平稳强等特点，因而很难提取潜在的具有生物特性的瞬时特征。在此背景下，研究一种基于时变参数建模的时频分析方法，并采用径向基函数辨识时变参数能同时获得较高的时频分辨率，能够有效提取脑电时频特征，对于癫痫脑电信号的准确时频特征提取及辅助癫痫疾病的诊断具有重要意义。

发明内容

本发明提供了一种基于时变参数模型的脑电时频分析方法，采用多尺度径向基函数(Multi-scale radial basis function，MRBF)对时变参数进行展开，将时变参数估计问题转化为时不变模型，然后对时不变参数进行辨识。其中，径向基函数具有多尺度和多分辨率特性，对变化快速和缓慢的时变参数都能有效识别与跟踪，已广泛应用于具有多种动态特征的时变参数辨识。径向基函数的最优尺度由改进粒子群优化算法(Particle swarm optimization，PSO)决定。PSO算法是一种群体智能算法，能够根据启发性信息—适应度值在众多粒子中寻到最优解(李秀英,韩志刚.一种基于粒子群优化的非线性系统辨识方法[J].控制与决策,2011,26(11):1627-1631.)。本发明通过对癫痫脑电信号和正常脑电信号进行时频特征提取分析，准确提取了癫痫脑电信号和正常脑电信号的时频特征，能够对癫痫脑疾病的辅助诊断提供定量的技术支持。

为实现上述目的，本发明提供了：

一种基于多尺度径向基函数和改进粒子群优化算法的非平稳信号时频分析方法，包括如下步骤：

1.时变参数建模；

2.时变参数展开，时变模型转化为时不变参数模型；

3.选择径向基函数的中心及尺度；

4.时不变参数估计；

5.时变参数估计；

6.时频分析，由时变参数估计值求信号时频分布特征。