[发明专利]一种利用小波神经网络的脑电检测方法及装置

说明书

技术领域

本发明属于检测分析技术领域，具体涉及一种利用小波神经网络的脑电检测方法及装置。

背景技术

癫痫是一种以脑部神经元反复突然过度放电所致的间歇性中枢神经系统功能失调为特征的脑部疾患。患者癫痫发作时肢体活动和精神状态会出现混论，甚至会失去意识。脑电图中包含了丰富的生理和病理学信息，所以目前为止，癫痫检测主要是医务工作者依靠经验对脑电图(EEG)进行目测来完成。但是，一些资历浅，经验不足的医生有可能会误判。而且癫痫的发作时间和持续时间都无法确定，使查看EEG中是否含有癫痫样放电等特征波等工作量大，也容易造成医务工作者疲倦而产生误判。因此，计算机辅助的癫痫自动检测系统准确性有着越来越重要的地位，它可极大提高对EEG的检测效率。

自上世纪六十年代起，自动癫痫检测技术就受到了广泛的关注，这一领域的众多学者提出了多种自动检测脑电的方法。其主流算法有支持向量机(SVM)和神经网络等。而支持向量机是借助二次规划来求解支持向量，求解二次规划将涉及高阶矩阵的计算，矩阵的存储和计算将耗费大量的机器内存和运算时间。CN1253762A(99124032.4)所公开的一种全自动定量检测脑电图中癫痫样放电的装置采用了神经网络及前馈逆传播(BP)学习算法。神经网络必须进行多次重复学习，训练速度缓慢，计算效率低。同时由于BP算法是一种局部搜索的优化算法，用它来解决复杂非线性函数的全局极值，很有可能陷入局部极值从而导致训练失败。

发明内容

针对现有技术的不足，本发明的目的在于提供一种利用小波神经网络的脑电检测方法及装置。

为实现前述发明目的，本发明采用的技术方案包括：

一种利用小波神经网络的脑电检测方法，其包括以下步骤：

1)采集脑电信号，将采集到的脑电信号通过A/D转换，存储到计算机中；

2)对计算机中存储的脑电信号进行滤波和去噪；

3)提取步骤2)处理后的脑电信号中各通道各频段的相对幅度和相对波动指数；

4)将步骤3)提取到的相对幅度和相对波动指数的训练数据部分输入分类器进行训练，计算得到前后两次训练的误差平方和之差，当误差平方和之差达到预设值时，保存训练所得权值系数和小波系数；

5)根据步骤4)所得权值系数和小波系数，将步骤3)提取到的相对幅度和相对波动指数的测试数据部分输入分类器进行测试，计算得到输出预测值，并将输出预测值与预设阈值进行比较，获得脑电检测结果并标记：

若输出预测值大于预设阈值，则判断检测脑电为异常，标记为0；

若输出预测值小于或等于预设阈值，则判断检测脑电为正常，标记为1。

在一些实施方案之中，利用脑电放大器和数据采集卡采集脑电信号，所述的脑电放大器至少选自Neurofile NT脑电放大器，和/或所述的数据采集卡至少选自16位A/D转换数据采集卡，采样频率为256Hz。

在一些实施方案之中，步骤2)中所述的对计算机中存储的脑电信号进行滤波和去噪的方法包括：采集一段长度为LEN的脑电信号，之后利用滤波器进行滤波，将所述的脑电信号分成4-8Hz、8-13Hz和13-30Hz 3个连续的频段，该3个连续的频段分别对应着θ波，α波和β波。

优选的，所述的LEN＝1024。

在一些实施方案之中，步骤3)中所述的提取脑电信号各通道各频段的相对幅度和相对波动指数的方法包括：

a)利用公式(1)计算步骤2)处理后的脑电信号中各个频段的相对幅度A_r，

其中，A_E为步骤2)处理后脑电信号的幅度均值，A_B是一段120s长的脑电信号的幅度均值；

b)利用公式(2)、(3)、(4)和(5)计算脑电信号的相对波动指数F_irel(n)，

其中，a_i为第n段脑电数据滤波后第i层的幅度，LEN为信号的长度，

F_irel(n)＝F_i'(n)/F_iave (5)

其中，N为脑电信号的段数。

在一些实施方案之中，步骤4)中所述的通过分类器计算误差平方和的方法包括：将步骤3)中的相对幅度A_r和相对波动指数F_irel(n)组成的特征向量w送入分类器F,利用公式(6)计算第i次训练理想输出和实际输出差的平方和error(i)为：