[发明专利]棘波识别方法、装置、电子设备及计算机可读存储介质

权利要求书

1.一种棘波识别方法，其特征在于，包括如下步骤：

获取发作间期的头皮脑电信号中的待识别脑电信号段，所述待识别脑电信号段为棘波信号段或非棘波信号段，通过识别患者发作间期的头皮脑电信号，进而标注棘波信号段及非棘波信号段；利用三秒的时间窗将包含棘波与非棘波的多导联信号进行截取，随即在三秒的时间窗中，识别出棘波与非棘波所在的具体导联的位置，并利用一百毫秒的矩形窗将棘波段和非棘波段截取，从而获得单导联的棘波信号段与非棘波信号段，并通过概率密度函数，将棘波段与非棘波段中概率小于0.05的信号段剔除；

在所得到的单导联的棘波信号段与非棘波信号段进行后续步骤之前，需先经过预处理，预处理包括：采用巴特沃斯带通滤波器对所得到的单导联棘波信号段与非棘波信号段进行带通滤波，截取频率在0.5～64Hz的棘波信号段与非棘波信号段，并且借助五阶巴特沃斯陷波滤波器将50Hz周围的工频噪声滤除；

从所述待识别脑电信号段中提取用于表征所述待识别脑电信号段形态的形态学特征；

对所述待识别脑电信号段进行小波变换，并提取所述待识别脑电信号段的时频特征；

计算所述待识别脑电信号段中的非线性能量算子，以提取所述待识别脑电信号段的非线性动态特征；

将所述形态学特征、时频特征和所述非线性动态特征作为预先训练得到的检测模型的输入，利用所述检测模型确定所述待识别脑电信号段是否为棘波信号段；

在对检测模型进行训练时，利用交叉验证方法随机的将提取的单变量多视角特征向量分为训练集和测试集，将训练集作为检测模型的输入，对检测模型进行训练，形成训练后的检测模型，训练时使用的核函数为高斯径向基核函数，如下：

检测模型在训练时，高斯径向基核函数的宽度参数影响识别结果；宽度参数的选择范围为[2^-10, 2¹⁰]；利用网格搜索法搜索最优宽度参数，根据得到最优宽度参数设计的检测模型，得到训练后的最优检测模型；再将测试集作为最优检测模型的输入，得到基于机器学习方法的发作间期癫痫棘波检测结果，以此验证所训练得到的检测模型的准确率。

2.如权利要求1所述的棘波识别方法，其特征在于，所述从所述待识别脑电信号段中提取用于表征所述待识别脑电信号段形态的形态学特征，包括：

获取所述待识别脑电信号段中各采样点对应的幅值，并计算峰值与谷值的时间差；

利用所述采样点的数量、各采样点对应的幅值以及所述时间差计算得到所述形态学特征。

3.如权利要求2所述的棘波识别方法，其特征在于，所述形态学特征至少包括以下之一：所有采样点对应幅值的均值、标准差、中值、斜率、线长，通过以下公式计算得到形态学特征：

MN＝median(x_N)

其中，AM表示均值，SD表示标准差，MN表示中值，slope表示斜率，L表示线长，k表示所述待识别脑电信号段中第k个采样点，且k＝1，2，…，N；x_k表示所述待识别脑电信号段中第k个采样点所对应的幅值，Diffv表示所述待识别脑电信号段的峰峰值，D表示所述待识别脑电信号段中峰值与谷值的时间差。

4.如权利要求1所述的棘波识别方法，其特征在于，所述对所述待识别脑电信号段进行小波变换，并提取所述待识别脑电信号段的时频特征，包括：

利用离散小波变换将所述待识别脑电信号段进行多层小波变换，得到多个子频段及与每个子频段所对应的小波系数；

利用每个子频段所对应的小波系数，计算得到与每个子频段对应的小波能量；

将每个子频段对应的小波能量组成特征向量，作为所述时频特征。

5.如权利要求4所述的棘波识别方法，其特征在于，通过以下公式计算得到与每个子频段对应的小波能量：

其中，E_i表示第i子频段对应的小波能量，C_i表示第i子频段对应的小波系数，n表示第i子频段含有的小波系数数量，g＝1，2，…，n。