[发明专利]一种聚类非对称互信息的脑电信号癫痫分类方法及系统

说明书

本发明公开了一种聚类非对称互信息的脑电信号癫痫分类方法及系统，采集多通道脑电数据，并对多通道脑电数据进行固定时间窗口切分；计算同一时间窗口内的各通道的脑电数据两两之间的聚类非对称互信息，并将各聚类非对称互信息组成特征矩阵；计算不同时间窗口对应的特征矩阵，将所有时间窗口对应的特征矩阵组成特征矩阵集合；将特征矩阵集合中的元素输入癫痫分类模型，训练癫痫分类模型；癫痫分类模型训练完成后，将新的多通道脑电数据按上述步骤组成特征矩阵后输入癫痫分类模型，癫痫分类模型判断新的多通道脑电数据中是否有癫痫发作期。实现对脑电信号的相干性进行分析，解决了现有技术中的信号分析方法不适合对脑电信号进行分类的技术问题。

技术领域

本发明涉及人工智能领域，尤其是涉及一种聚类非对称互信息的脑电信号癫痫分类方法及系统。

背景技术

在理解大脑功能与脑疾病的发生机制中，一方面，脑电信号之间的同步模式分析发挥了重要的作用。同时，寻求多变量间的同步模式是表征不同大脑区域的动态演化的重要特征，在分析和理解大脑功能中发挥了重要的作用。基于信息理论，互信息是度量变量间相互依赖性强度，不同于相关系数，互信息不局限于实值随机变量，它决定着联合分布和分解的边缘分布的乘积之间的相似程度，因此在多变量脑电信号分析中常采用互信息来进行信号分析。在近年的研究中，针对多变量脑电信号的非平稳性，研究者们引入互信息同步矩阵来进行分析处理。

现有的互信息算法主要有以下几种：第一是基于事件相关性互信息计算方法，比如计算两个文本之间的互信息，计算公式中的自信息熵和联合信息熵的计算往往基于特定含义的划分来计算，由于其事件是确定的，所以其划分也是确定的，它能通过基于特定含义的划分度量出两个变量间特定含义条件下的互信息，这种方法只适用于度量离散随机变量之间的互信息。第二是基于均匀分布划分的连续随机变量互信息计算方法，比如在度量两幅图像的互信息时，一般对两幅图像的连续像素值上进行等间距划分后再计算自信息熵和联合信息熵，进而计算两幅图像的互信息。

上述方法虽然能够对信息互信息度量取得不错的效果，但不适合对多变量脑电信号进行分类。

另一方面，理解基于互信息的非线性、非平稳同步模式对理解脑功能起着重要作用，可以对同步模式利用机器学习方法对脑状态、脑模式进行分类和预测。最近提出很多关于癫痫发作期的分类研究方法。研究表明，通过提取病人相关的先验知识，Piotr等人对与病人相关的同步模式进行分类并预测癫痫发作期。他们经过提取互相关、非线性独立和小波同步等信息，最终获得的EEG时空同步模式被组织成矩阵后，进行癫痫发病期预测，取得了71％的敏感度。采用相锁/幅度锁值方法对癫痫发作期进行预测，获得77％的敏感度，88％的精确度。Orosco等人研究表明通过平稳小波变换的癫痫探测算法可以提高敏感度到87.5％和93％的精确度。

深度学习算法旨在模拟人脑神经元的通信模式的多层神经网络，它主要投影原始数据在多个神经网络层上的多层表达。有关神经网络性能的一个误区是神经网络的层数越多，分类器的性能越优。然而，一个层数非常高的神经网络总是面临梯度爆炸、梯度消失等问题。如果一个较低层次的神经网络能获取和深度神经网络相同精度级别的分类性能，就具有如下更多的优点：(1)更有效的分布式训练；(2)较低的负载和(3)容易在资源有限的嵌入式平台中进行部署。

目前，针对癫痫脑电数据的分类处理方法，主要还是基于时频分析进行特征提取，然后通过传统分类器(SVM，LDA等)进行分类。相比于传统的分类技术，深度学习技术具有如下方面的性质及能力：(1)非线性处理能力，非线性神经网络由多个线性和非线性神经元所组成；(2)自适应性，神经网络能自适应调整连接权值以适应外部环境的变化；(3)容错能力，神经网络总是缓慢的性能退化，而不是坍塌式毁坏，主要是因为错误总是分布式的分散到所有神经元中，而整体网络受到较小的影响。

发明内容

本发明的目的在于克服上述技术不足，提出一种聚类非对称互信息的脑电信号癫痫分类方法及系统，解决现有技术中的上述技术问题。