[发明专利]采用新型能量算子和多尺度熵的癫痫检测方法及系统

说明书

本申请提供了一种采用新型能量算子和多尺度熵的癫痫检测方法及系统，从分解后的脑电信号中筛选出癫痫特征波频段的待检测信号，利用新型Teager能量算子计算，得出能量增强信号；采用多尺度熵对增强信号提取特征信息；将提取的特征信息输入训练好的极限学习机中，得出检测结果。采用新型Teager能量算子，不仅能够跟踪和反映被测信号的瞬时能量，还增强了对信号频率的敏感性，提高了能量算子算法的抗噪性；采用多尺度熵算法将信号扩展到多个时间尺度，提高检测的容错率和精确度；采用极限学习机作为数据训练分类模型，隐含层和输出层之间的连接权值也不需要迭代调整，而是通过解方程组一次性确定，极大的加快了算法运行速度。

技术领域

本发明涉及医学数据处理领域，具体涉及一种采用新型能量算子和多尺度熵的癫痫检测方法及系统。

背景技术

癫痫是一种常见的慢性精神性脑部疾病，是由于大脑神经元突发异常放电所引起的大脑短暂性异常障碍，具有反复性和突发性。脑电图是通过非侵入性电极从头皮采集，综合反映大脑的放电活动，是诊断癫痫的有效工具。在传统的癫痫检测中，医学专家通过观察脑电图，找出包含癫痫特征的脑电波形。这种方法不仅耗时耗力，具有强的主观性，而且脑电图中存在的大量噪声也会对医学专家的判断产生干扰。因此，近年来，癫痫自动检测和识别技术被广泛研究，以帮助医学专家简化诊断过程和提高诊断准确性。

随着对脑科学的探索，研究表明人类的大脑相当于一个复杂的非线性动力系统，因此，各种建立在非线性方法基础上的癫痫性发作自动检测被相继提出。

现阶段，癫痫检测中，2007年，Hasan Ocak发现正常EEG的近似熵大于癫痫发作期EEG的近似熵，可用近似熵对脑电信号进行特征提取并分类。2012年，Cheol Seung Yoo对近似熵算法进行优化，提出了样本熵，将其用于癫痫检测。2017年，Zahra Asmat利用多变量经验模态分解(MEMD)提取脑电信号特征，并使用CNN进行分类，得到了87.2％的分类准确度。2017年，Md Mursal in使用关联性特征选择(CFS)的提取方法，使用随机森林(RF)作为分类器，得到98％的检测准确率。2018年，Zhou等人提出基于快速傅里叶变换和卷积神经网络模型得到97.5％的癫痫检出率。

现有的脑电信号特征提取算法缺点：传统的近似熵、样本熵和模糊熵等非线性特征分类性能较差，所得到的分类结果精度较低；关联性特征选择(CFS)和完全集成经验模态分解不能在脑电信号未知的情况下有效的提取特征信息。

现有的数据训练分类模型缺点：BP算法的输入层到隐含层权值和隐含层到输出层权值全部需要迭代求解(梯度下降法)，算法运行时间长，耗时久。

发明内容

有鉴于此，本申请实施例致力于提供一种采用新型能量算子和多尺度熵的癫痫检测方法及系统，对Teager能量算子进行改进，不仅能够跟踪和反映被测信号的瞬时能量，还增强了对信号频率的敏感性，提高了能量算子算法的抗噪性；使用多尺度熵提取脑电信号的特征信息，它将脑电信号扩展到多个时间尺度，以便在时间尺度不确定时提供额外的观察视角；采用极限学习机作为数据训练分类模型，极限学习机输入层到隐含层的连接权值、隐含层的阈值可以随机确定，且设定完后不用再次调整；隐含层和输出层之间的连接权值也不需要迭代调整，而是通过解方程组一次性确定，极大的加快了算法运行速度。

为此，本发明的一个实施例中提供一种采用新型能量算子和多尺度熵的癫痫检测方法，包括：

S1、获取脑电信号，采用小波变化和多分辨率分析，对脑电信号进行分解；

S2、从分解后的脑电信号中筛选出癫痫特征波频段的待检测信号，利用新型Teager能量算子计算，得出能量增强信号；

S3、采用多尺度熵对增强信号提取特征信息；

S4、将提取的特征信息输入训练好的极限学习机中，得出检测结果。