[发明专利]一种基于频谱能量图的癫痫脑电信号分类方法

说明书

本发明公开一种基于频谱能量图的癫痫脑电信号分类方法。具体步骤为将癫痫脑电信号经过小波消噪，先进行功率谱密度分析。通过对每个通道脑电信号进行PSD分析，并绘制二维图像功率谱能量图。进行四类癫痫状态的分类分别为发作间期，发作前30分钟，发作前10分钟和发作时。本发明基于深度卷积神经网络，利用Inception‑v3，提出基于深度卷积神经网络癫痫脑电信号的分类预测算法。本发明更进一步提高了癫痫脑电信号的分类准确率，增加了预测癫痫发作前的时间，能更准更快地对癫痫进行预测和分类。

技术领域

本发明涉及一种利用频谱能量图的癫痫脑电信号新型特征提取及分析方法，特别是基于癫痫患者多通道脑电信号(Electroencephalogram,EEG)的不同时期进行分类，属于智能模式识别技术领域。

背景技术

癫痫是一种突然、反复发作的大脑功能障碍慢性病，由于大脑异常电活动的起始部位及传播方式不同，导致癫痫临床表现复杂多样，包括短暂的感觉障碍、肢体抽搐、意识丧失、行为障碍等,对患者身体、精神带来严重损伤。脑电信号包含着大脑活动的重要信息，基于脑电信号的癫痫发作预测、诊断和治疗，已被证实其有效性和可行性。

癫痫EEG的特征可以通过时域、频域、时频域和非线性动力学分析提取，在癫痫患者的脑电信号中，不同时段的EEG具有不同的特征，所以可以通过找到这些不同的特征来判断某一时刻EEG的类别。

近年来，深度学习也越来越普遍的用于医学图像和生物电信号的处理，在拥有大量数据的情况下深度学习的表现超越了传统的特征提取加机器学习。虽然癫痫的研究已经比较广泛，也有深度学习对癫痫的分析，但考虑对脑电信号多通道分析的较少，对癫痫发作前预测的准确率较低，并且癫痫发作的预测不能对发作前的较远时间预测，虽然能够预测癫痫的发作，但因为距离发作时间太短，会延误病患的治疗时间。

发明内容

本发明针对现有技术的不足，为了提高现有癫痫EEG分类的准确率，以及预测癫痫发作前的时间，对发作前更早的时间进行预测，更早的预测可以使病患及医生得到更充足的时间对癫痫治疗；提出了一种基于频谱能量图的癫痫脑电信号分类方法。

本发明提出一种基于频谱能量图的癫痫脑电信号分类方法，步骤如下：

步骤(1)：采集癫痫患者的多通道头皮脑电信号；

步骤(2)：对癫痫EEG信号进行预处理：

记录采集的EEG数据中癫痫发作的时间，并将EEG数据分为四类，依次为发作间期、发作前30分钟、发作前10分钟、发作期；

对癫痫EEG信号先进行消噪处理；采用小波阈值消噪方法进行消噪；这里消噪处理采用了db6小波进行6层分解；消除消噪处理后的EEG数据中有电力线干扰的47-53Hz的信号；

步骤(3)：将消噪后的1维EEG数据转换为2维EEG多通道的矩阵数据：

通过功率谱密度(power spectral density,PSD)分析，将脑电数据为n维通道，通过对每个通道的脑电信号进行PSD分析得到脑电信号生成的生成“周期图”。并将脑电信号等分为32个频段，不同频段的PSD函数进行积分，组成一个n×32的二维矩阵；将得到的二维矩阵进行归一化处理，并生成图片；

(4)创建深度卷积神经网络：

使用Inception-v3网络，将大卷积核分解为小卷积核叠加来减少计算量，同时增强了特征的非线性表达。如将5×5的卷积核分解为两个3×3的卷积核，计算量变为原来的减少了7/25的计算量。此外，将n×n的卷积分解为1×n和n×1的卷积可以进一步减少计算量。

将Inception网络作为特征提取网络，将输入大小为299×299×3的图像转为2048维的特征向量，全连接层进行降维，并在每个全连接层后面添加dropout层，参数设置为0.5，防止过拟合，最后再接softmax分类器