[发明专利]面向癫痫脑电信号的特征提取与自动识别方法

说明书

技术领域

本发明涉及非平稳信号的时频分析、模式分类及机器学习，属于信号处理和模式识别技术领域。

背景技术

癫痫是一种常见多发病症，它极大地危害着人们的健康，严重时可导致人死亡。脑电(Electroencephalogram，EEG)信号是诊断癫痫的必要依据，目前，癫痫诊断主要是通过医生对脑电图的视觉检查来完成。视觉检查存在较大的主观因素问题，不同医生或者同一医生在不同时刻对同一波形的判断可能不一致。因此，脑电信号的癫痫特征提取与自动识别技术，将能在很大程度上减轻医生的负担和提高脑电图诊断效率。

脑电信号的分析和处理一直是个世界难题，不但在于其信号的非平稳性，还在于其信号波形的多样性。如果单纯地从时域或者频域考虑，效果并不是很理想。主要原因在于这些方法都是试图用单纯时域或者频域的特征来表征信号，忽略了脑电信号的非平稳性，因而不能充分明显的区分癫痫信号的特征。

时频分析能保留信号的时间和频率信息，是EEG研究及临床应用的重要分析方法。时频分析在EEG分析与研究方面，主要有短时傅里叶变换、小波变换、希尔伯特黄变换等。短时傅里叶变换使用一个固定的窗函数，因此分辨率是确定的，不能根据信号的变化而变化。希尔伯特黄变换对于多频率成分信号，往往会出现高频区频率分辨率不够，低频区出现不合理的频率成分和容易掩盖低能量频率成分问题。小波变换继承和发展了短时傅里叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的“时间-频率”窗口，在低频处有较高的频率分辨率，在高频处有较高的时间分辨率，能自动适应时频信号分析的要求，聚焦到信号的任意细节。

基于癫痫脑电的时频分析，可以提取出与癫痫脑电相关的众多特征。但往往提取的初始特征在表征癫痫脑电与正常脑电差异方面存在冗余或者不相关。因此，为了自动识别最能表征癫痫脑电特征的最优特征子集，提出了各种不同的特征选择方法。其中，典型的方法有t检验、皮尔逊相关法、方差分析法、特征加权算 法(ReliefF)、支持向量机递归特征消除法(Support Vector Machine-Recursive Feature Elimination，SVM-RFE)等。t检验和方差分析法基于的统计思想为检验特征统计量在两类样本上的差异。其中，t检验还需满足样本近似正态分布及方差齐性两个先验条件。皮尔逊相关系数法可以检验样本特征与对应类别的相关程度，但这种相关性只是线性相关性。ReliefF可以检验出与类别相关性较大的特征，且这种相关性并不局限于线性相关。上述t检验法、方差分析法、皮尔逊相关法、ReliefF方法都是一种过滤式的特征选择算法，特征选择与具体的分类算法无关，具有计算简单，速度快等特点，但缺乏考虑特征间的相关性及冗余性。SVM-RFE作为典型的封装式特征选择方法，考虑到多个特征间对表征样本差异和模式分类的影响，引用模式分类的指标如准确率来反映特征的重要性，选择的特征能取得较好的模式分类效果。基于过滤式和封装式的组合特征选择方法，能有效结合两类特征选择方法的优势，首先能基于过滤式特征选择方法选取一定程度上表征样本差异的特征，再基于封装式特征选择方法选取使得模式分类效果最优的特征子集。

本发明将时频分析信号处理方法中连续小波变换应用于癫痫脑电信号中，并基于一个组合式的特征选择方法，实现癫痫脑电特征的提取与自动识别，对辅助临床癫痫识别诊断，减轻医生的负担和提高脑电图诊断效率具有重要实际意义。

发明内容

根据本发明的一个方面，本发明将时频分析信号处理方法应用于癫痫脑电信号中，提供了一种提取识别癫痫脑电特征的方法。所提特征在癫痫模式分类识别上取得了优良的分类效果并且分类模型具有良好的泛化性能。

为实现上述目的，本发明提供了面向癫痫脑电信号的特征提取与自动识别方法，包括如下步骤：

(1)对脑电信号进行连续小波变换(Continuous wavelet transform，CWT)，获得同时反映时间和频域信息的时频图；

(2)将时频图按照具有临床意义的脑电信号δ、Θ、α、β、γ波段分割成A、B、C、D、E五个时频子图；

(3)应用混合高斯模型分别对时频子图A、B、C、D、E能量密度的概率分布进行估计，提取表征脑电信号的备选特征集S₀；

(4)从备选特征集S₀中选择表征脑电信号的最优特征子集S₁；

(5)基于最优特征子集S₁训练支持向量机；