[发明专利]一种基于S变换和深信度网络的脑电检测方法及装置

说明书

技术领域

本发明涉及一种利用S变换和深信度网络的脑电检测方法及装置，属于脑电检测技术领域。

技术背景

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。目前为止，癫痫检测主要通过医务工作者依靠经验对脑电图(EEG)进行目测来完成，查看EEG中是否含有癫痫样放电等特征波，其工作量大，容易造成医务工作者疲倦而产生误判。因此，脑电图的自动检测有着重要的作用，它不仅可以减轻医疗工作者的工作量，也能提高脑电检测精确度和效率。

自上世纪六十年代以来，众多学者提出了多种自动癫痫检测方法。常用的脑电处理方法有短时傅里叶变换和小波变换。短时傅里叶变换存在一定的局限性，不能多分辨率分析脑电信号的时频信息。小波变换虽实现了多分辨率分析，但它的计算复杂度高。常用的脑电分类算法有模板匹配、支持向量机(SVM)等。模板匹配选取典型的癫痫信号为模板，将检出的波形与模板进行病发识别，但脑电信号的多样性给样本的选取带来较大困难。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。

中国专利文献CN102429657A公开了一种癫痫脑电信号分类检测方法。该方法采用小波分析和近似熵相结合的方式提取脑电特征，并用Neyman-Pearson准则对脑电信号进行分类。小波分析虽实现了多分辨率分析，但它的计算复杂度高，分析精度取决于小波基的选择，具有一定的局限性。

发明内容

针对现有技术的不足，本发明提供了一种利用S变换和深信度网络的脑电检测方法；

本发明还提供了上述脑电检测方法的实现装置；

本发明中提出的运用了适宜处理非平稳信号的S变换，从中提取功率谱密度作为特征，节省了后续运用深信度网络(Deep Belief Network,DBN)训练和分类的时间，而且避免出现特征过拟合的情况。

发明概述：

本发明首先运用S变换提取脑电特征，然后将脑电特征进行线性归一化，并将线性归一化后的脑电特征送入深信度网络(DBN)，获得初步判别结果，经后处理，包括滑动平均滤波、阈值判断、通道融合，领子技术，最终获得脑电检测结果。

术语解释：

1、联合概率，是指在多元的概率分布中多个随机变量分别满足各自条件的概率。

2、通道融合，在本发明技术方案中，算法处理的是多个通道的脑电数据，在后处理阶段，将多个通道的处理结果综合起来，即如果多个通道中有两个或两个以上的通道被判做发作段，则此段脑电则被判为发作段，反之被判做非发作段。

3、领子技术，在本发明技术方案中，是指在后处理阶段，通道融合之后，将发作段两边各延展0-2段。癫痫发作的起始都是缓慢的过程，当病人刚刚呈现出发作病症的时候，脑电经过处理后还未达到阈值，但是已经是发作段了，因此用领子技术将这段补齐。

本发明的技术方案为：

一种利用S变换和深信度网络的脑电检测方法，包括：

1)采集脑电信号，将采集到的脑电信号进行A/D转换，存储A/D转换后的脑电信号；

2)对步骤1)存储的A/D转换后的脑电信号进行S变换，得到脑电特征；

3)对步骤2)得到的脑电特征进行线性归一化处理；

4)将步骤3)提取到的线性归一化处理后的脑电特征输入深信度网络中，获得初步判别结果；

5)将初步判别结果经过后处理，即对初步判别结果依次进行滑动滤波、阈值判断、通道融合、领子技术处理，获得脑电正常或异常的结果，并进行标记。

根据本发明优选的，通过脑电放大器和数据采集卡采集脑电信号；

进一步优选的，所述脑电放大器的型号Neurofile NT，所述数据采集卡为16位A/D转换数据采集卡，采样频率为256Hz。

根据本发明优选的，所述步骤2)，对A/D转换后的脑电信号进行S变换，得到脑电特征，包括步骤如下：

(1)对A/D转换后的脑电信号分为2s一段进行S变换，S变换如式(Ⅰ)所示：

式(Ⅰ)中，S(τ,f)为脑电信号的S变换，τ为时间轴上高斯窗的位置，f为频率，x(t)为A/D转换后的脑电信号，t为观测时间；