[发明专利]基于多通道多维特征优化的脑电眨眼伪迹检测方法

说明书

本发明公开了一种基于多通道多维特征优化的脑电眨眼伪迹检测方法，首先对多通道脑电EEG信号进行滤波处理以及类别划分；然后对处理后的多通道脑电EEG信号进行16维特征提取；针对提取到的16维特征，采用方差过滤式方法做特征选择；再通过支持向量机算法构建针对眨眼伪迹和非眨眼伪迹样本数据集的伪迹检测模型；最后通过建立的伪迹检测模型进行脑电眨眼伪迹检测。本发明既可以克服临床脑电EEG信号多通道数据损坏问题，又可以解决现有模型复杂性高实时性低的问题，还能够实现眨眼伪迹的精准自动化检测。

技术领域

本发明属于脑电信号处理及智慧医疗领域，涉及一种针对实时多通道强噪声脑电信号的基于支持向量机并融合多通道多维特征表示(FE)与特征优化(FO)的眨眼伪迹检测方法，本发明是基于多通道脑电EEG数据的眨眼伪迹自动化检测方法。

背景技术

脑电图在患者健康检测与诊断等方面应用广泛，然而眨眼伪迹会严重污染采集的脑电信号，并会曲解潜在的神经信号信息而严重阻碍脑电信号后续的分析研究和应用。有效的眨眼伪迹检测算法对脑科学研究和临床应用都具有重大的理论和实际意义。传统的眨眼伪迹检测模型通常是利用多通道脑电EEG信号借助独立成分分析(ICA)方法来构造，其建模的前提往往都假设脑电数据所有通道是干净无其他外部因素干扰、多通道数据线性混合、伪迹成分是非高斯源的。而在实际临床应用中，脑电信号并不满足这些基本假设，并且由于患者的年龄和个体差异导致很多通道数据噪声极大，无法反映真实脑电情况。针对单个个体尤其是儿童来说，多通道脑电信号采集会受到各种因素干扰，多数通道无法使用。并且还会由于年龄差异等原因导致针对个体化的特征失效。传统的基于单一特征的检测算法无法解决这类问题。针对这个问题，本发明提出了一种针对实时多通道强噪声脑电信号的融合多通道多维特征表示(FE)与特征优化(FO)的眨眼伪迹检测方法；同时，针对传统眨眼伪迹检测算法复杂性高、非自动化的弊端，利用支持向量机(SVM)算法实现脑电信号中眨眼伪迹的自动化精准检测。

发明内容

针对现有技术中存在的不足，本发明提供一种基于多通道多维特征优化的脑电眨眼伪迹检测方法。

本发明针对脑电信号中包含大量眨眼伪迹并主要出现在前额通道以及多数通道噪声信号大这一特点，可以利用少数通道数据处理该通道数据损坏问题，提出了可以在少数通道下实现的多维特征表示(FE)与特征优化(FO)方法，并结合支持向量机(SVM)算法构建了眨眼伪迹和非眨眼伪迹信号的精准分类模型。

本发明的技术方案主要包括如下步骤：

步骤1、对多通道脑电EEG信号进行滤波处理以及类别划分。

步骤2、对步骤1处理后的多通道脑电EEG信号进行16维特征提取。

步骤3、针对提取到的16维特征，采用方差过滤式方法做特征选择。

步骤4、通过支持向量机算法构建针对眨眼伪迹和非眨眼伪迹样本数据集的伪迹检测模型。

步骤5、通过建立的伪迹检测模型进行脑电眨眼伪迹检测。

所述步骤1，具体步骤如下：

将21通道、1000Hz的原始脑电EEG信号进行滤波处理。每通道分别经过50Hz陷波滤波器和0.5-30Hz带通滤波器，得到滤波信号；由于眨眼伪迹电位信号持续时间为0.5s，故采用滑动窗口方法进行数据切割，窗口大小设置为1s，步长为0.5s。由此得到切割实验信号。然后将每个切割信号进行类别划分。将包含眨眼伪迹的信号记为eyeblink类，类别标签为1；将不包含眨眼伪迹的信号记为normal类，类别标签为0，并从两类样本中各取出20％作为测试样本，剩下的80％为训练样本。

所述步骤2，具体步骤如下：