[发明专利]基于脑功能网络特征的癫痫发作预测方法

摘要

本发明公开了一种基于脑功能网络特征的癫痫发作预测方法，本发明采用NPDC作为脑功能网络连通性的测量，并分析了癫痫发作时相关脑区的活动信息。此外，通过结合脑功能网络特征提取和ELM，开发了一种新的预测方法来预测癫痫发作的时间。结果表明，该方法在所有受试者的所有脑电图频段均取得了良好的表现，准确率高达84.0％，平均预测时间高达1325.59秒，优于目前的研究方法。本研究的结果表明，所提出的预测方案更适合于实际癫痫发作预测。

主权项

1.基于脑功能网络特征的癫痫发作预测方法，其特征在于，该方法包括如下步骤：步骤(1)采集脑电数据及预处理，所有的信号均由国际标准的10‑20电极分布系统采样得到；数据预处理包括小波去噪、心电、眼电剔除等；步骤(2)将采集的信号预处理；步骤(3)多轨道自回归建模并计算非线性定向相干值在处理多通道EEG信号时，采用多变量自回归MVAR模型可描述通道间的相互作用；线性自回归模型如下：其中，X(t)＝[x₁(t),x₂(t),...,x_p(t)]^T表示在采样时间t时采样值，e(t)表示具有零均值高斯白噪声的估计误差，p是模型阶数，c_p,q表示系数矩阵；作为线性MVAR表达式的扩展，关于输出Y的非线性MVAR表示为：其中n表示系统的阶数,最大阶数为M；p和q是y和x的回归模型阶数,并且p+q＝n,K表示最大滞后阶数,e_y(t)是模型预测误差,c_p,q表示模型的系数矩阵；运用频率响应函数，关于非线性MVAR模型的y的整体频谱表示为“内部”功率和“因果”功率：其中，H_x→y(f)描述频域中的无噪声系统的输入‑输出关系，即输入X和输出Y；现在系数矩阵包括线性和非线性因果信息；基于非线性系统的线性矩阵表示，从X到Y的非线性部分相关相干性NPDC表示为线性PDC的直接泛化：其中,表示误差驱动的频率响应函数；此时，求得值表示从通道间信号源的相互作用和相对耦合强度；当其为0时，表示两通道间没有任何联系，值越大表示耦合关系越强，但都不超过1；，利用此式求解癫痫患者脑电信号在γ波、β波、α波、θ波、δ波频段内的NPDC；步骤(4)将相干矩阵转换为阈值内的稀疏邻接矩阵计算NPDC矩阵并基于显著性水平方法选择阈值T；当NPDC值大于T时，认为两个通道是相关的，表示为1；当NPD值小于T时,认为两个信道之间没有相关性，其由0表示；这使得EEG信道的连通性结果变为二值化矩阵；分析邻接矩阵元素的值，判断是否在功能节点之间存在连接关系，以及构建脑功能网络FBN模型；步骤(5)网络特征提取及分类使用图论从获得的二值化矩阵中提取连通性特征，以描述由EEG信号表示的网络节点之间的关系；采用度和聚类系数来衡量网络的全局和局部属性；对于由NPDC建立的定向网络，每个节点保持一个度值，描述各个节点的属性，它表示连接到该节点的其它节点的数量；网络的聚类系数定义为每个节点的聚类系数的平均值，用于描述网络中节点之间连接的紧密性；计算每个NPDC连通矩阵中每个节点的度和聚类系数作为特征；最后，ELM分类器根据每个NPDC连通矩阵中每个节点的度和聚类系数作为的特征，区分发作间期和正常期；步骤(6)建立癫痫发作预测系统ELM分类器首先用于训练和分类样本是否属于癫痫发作期或正常状态，基于从癫痫发作和正常状态提取的图论特征；应用训练的ELM分类器连续检测每个输入样本的状态，定义如果在癫痫发作开始之前触发警报，则预测是正确的；由于在正常和癫痫发作状态下为每个受试者记录了多个信号，我们采用了留一法交叉验证进行训练和测试ELM分类器，其中一个EEG被选为测试集，其余被视为训练集；个体受试者的预测准确性被定义为正确预测的数量除以总预测的数量；距离发作的时间Time如下：Time＝s‑w*Num其中S表示EEG信号的总持续时间，w表示滑动窗口的步长，Num是滑动窗口的数量；对于每个受试者，将预测时间定义为属于受试者的所有预测时间的平均值。