一种面向癫痫脑电信号识别的智能诊断系统技术方案

本发明专利技术实现了一种面向癫痫脑电信号识别的智能诊断系统，它包括一套脑电数字信号处理程序和一个可视化的客户端界面；所述的一套脑电数字信号处理程序，其特征提取模块利用离散小波变换方法来提取原始脑电信号中的特征量，其模型训练模块利用径向基函数神经网络和最小最大概率机构建癫痫诊断模型，其诊断模块利用径向基函数神经网络和分类决策树对新输入的脑电信号做出诊断；所述可视化的客户端界面，其数据读取模块负责读取原始脑电信号数据，其数据通信模块负责向后台发起请求、发送数据信息，等待接收后台的响应和数据信息，其数据呈现模块负责以图表的方式显示原始脑电信号片段和提取的脑电信号特征量，最终显示后台返回的诊断结果。

An intelligent diagnosis system for epileptic EEG signal recognition

The invention realizes an intelligent diagnosis system for electrical signal recognition of epilepsy, which is composed of a digital EEG signal processing program and a visualization of the client interface; the set of EEG signal processing program, the feature extraction module using discrete wavelet transform method to extract feature original EEG in the model, using the training module and minimum maximum probability of radial basis function neural network to build diagnosis of epilepsy model, its diagnosis module based on RBF neural network and decision tree classification of EEG signal input in diagnosis; the visualization of the client interface, the data reading module is responsible for reading the original EEG data and the data communication module is responsible for initiating the request, sending data to the background, waiting to receive the background response and data information, the data is presented The module is responsible for displaying the original EEG signal segments and the extracted EEG signature quantities in a graphical way, and finally displays the diagnostic results returned by the background.

【技术实现步骤摘要】
一种面向癫痫脑电信号识别的智能诊断系统
本专利技术属于智能医疗应用领域，具体是一种面向癫痫脑电信号识别的智能诊断系统。
技术介绍
癫痫是由大脑神经元突发性异常过度放电引发的大脑短暂性功能障碍，年发病率较高。脑电图(Electroencephalogram，EEG)信号的检测和识别是诊断癫痫病最为重要的手段。多种特征提取和智能识别的方法已被应用于癫痫脑电信号的识别，主要包括傅里叶变换、小波分解等特征抽取方法和决策树、模糊系统、人工神经网络等分类方法。Inan等通过离散小波变换(DiscreteWaveletTransform，DWT)和统计方法来提取EEG信号片段中的特征量，并用自适应神经模糊推理系统构造了分类器。Aslan等将径向基函数神经网络用在癫痫EEG信号的分类识别中。径向基函数(RadialBasisFunction，RBF)神经网络具有一般神经网络的优点，如很强的非线性拟合能力及鲁棒性，此外，它还具有全局最佳逼近特性，不存在局部极小问题。但径向基函数神经网络的不足是其可解释性差，不易解释其推理过程和依据，因而不够透明。Polat等采用基于决策树和快速傅里叶变换的混合模型来对EEG信号进行分类。决策树分类器的优势正在于其可解释性和透明性，易于理解。然而，决策树是层次结构的，不可避免地存在自上而下的误差积累，即如果在某个节点上发生了分类错误，则会把错误延续到后续节点上。为了降低积累的误差，应当优先使用可靠性强的分类器，即先做把握大性的决策。在癫痫脑电信号识别和诊断过程中，这有益于降低误诊率。很多研究者针对癫痫脑电信号识别或涉及智能医疗应用领域而设计的算法，都有MATLAB的实现版。这意味着，这些算法的执行都要依赖于MATLAB环境。但是，在PC端部署MATLAB是昂贵的，导致这些算法的应用在实际生产环境中受阻。通常的应对方案包括：1)采用其他语言重写算法；2)利用MATLAB自带的编译器将实现的算法编译为其他语言版本；3)在服务器上部署MATLAB上。上述方案各有利弊，其中将MATLAB部署在服务器上的方案，是无需将MATLAB代码转化为其他语言版本的，可以直接利用现有的MATLAB代码，较为便捷。
技术实现思路
针对上述问题，本专利技术实现了一种面向癫痫脑电信号识别的智能诊断系统，其特征在于：它包括后台的一套脑电数字信号处理程序和一个可视化的客户端操作界面；所述的后台的一套脑电数字信号处理程序，其特征提取模块利用离散小波变换和统计方法来提取原始脑电信号片段中的特征量，其模型训练模块利用径向基函数神经网络和最小最大概率机构建可靠的癫痫诊断模型，其训练好的诊断模块利用径向基函数神经网络和分类决策树对新输入的脑电信号做出诊断；所述可视化的客户端操作界面，其数据读取模块负责读取原始脑电信号片段数据，其数据通信模块负责向后台发起请求、发送数据信息，等待接收后台的响应和数据信息，其数据呈现模块负责以图表的方式显示原始脑电信号片段和提取的脑电信号特征量，最终显示后台返回的诊断结果。所述的后台的一套脑电数字信号处理程序依赖于MATLAB环境来执行，可部署在远程服务器或本地计算机上；所述的一个可视化的客户端操作界面安装在PC端，独立于所述的后台的一套脑电数字信号处理程序；所述的后台的一套脑电数字信号处理程序和所述的一个可视化的客户端操作界面通过网络或进程间通信实现数据信息的交换。所述的后台的一套脑电数字信号处理程序，其特征提取模块利用离散小波变换和统计方法来提取原始脑电信号片段中的特征量；首先通过离散小波变换，将原始脑电信号层层分解，得到各层小波的近似系数带和细节系数带；再从各层小波细节系数带和最后一层的近似系数带中统计得到每个系数带的最大值、最小值、均值和标准差作为提取到的特征量。所述的后台的一套脑电数字信号处理程序，其模型训练模块利用径向基函数神经网络和最小最大概率机构建可靠的癫痫诊断模型，具体步骤为：1)利用离散小波变换和统计方法从大量已知癫痫诊断结果的脑电信号片段中提取特征量，得到训练样本集；2)为训练过程制定验证策略，为神经元个数等超参数制定参数寻优的网格范围；3)按验证策略划分出训练集和验证集，并从参数网格中取出一组超参数；4)利用模糊C均值聚类算法确定各径向基函数的中心和宽度；5)训练样本通过径向基函数网络，统一地映射到新的特征空间中；6)按照“一对一”的策略，利用最小最大概率机训练出各二元分类器；7)将得到的多个二元分类器构造成分类决策树，得到癫痫诊断模型；8)验证所得模型的有效性，重复步骤3)～8)，直至找到最佳的参数组合；9)完整地对步骤1)得到的训练样本集进行训练，构建出可靠的癫痫诊断模型。所述步骤7)中，采用排除法来构建分类决策树，并充分利用到了最小最大概率机中的分类正确概率下界指标α，保证可靠性更好的二元分类器排在前面，具体步骤为：(1)设有M类，记C(i:j)表示第i类对第j类所得二元分类器，α(i:j)表示与之对应的α指标；将α最大的分类器作为分类树的根节点；(2)假设当前节点所用分类器为C(i:j)，若分类结果为样本不属于第i类，则其子节点可用分类器集合为排除了所有与i有关的二分类器集合C＝C\i，然后采用的分类器为C中与j有关的α指标最大者；若分类结果为样本不属于第j类，则其子节点可用分类器集合为排除了所有与j有关的二分类器集合C＝C\j，然后采用的分类器为C中与i有关的α指标最大者；重复此步骤，直至用尽所有M(M-1)/2个分类器，构造出一棵M层的完全二叉树，其叶节点即为各类的类标签。所述的后台的一套脑电数字信号处理程序，其训练好的诊断模块利用径向基函数神经网络和分类决策树对新输入的脑电信号做出诊断，具体步骤为：1)通过网络或进程间通信，从客户端接收到固定格式的原始脑电信号片段；2)利用离散小波变换和统计方法从原始脑电信号片段中提取特征量，输入到径向基函数神经网络中；3)输入的特征量通过构造好的径向基函数神经网络的作用转化到新的特征空间中；4)转化后的数据通过构造好的最小最大概率分类树，按照排除法，一层一层往下，经历多次比较，由根节点到达叶节点，获得最终的类标签，即得到诊断结果。所述的可视化的客户端操作界面，包括数据读取模块、数据通信模块和数据呈现模块，具体步骤为：1)使用数据读取模块读取本地磁盘上的固定格式的一个或一组原始脑电信号片段的数据；2)选中其中一段原始脑电信号，其波形图将由数据呈现模块绘制出来；3)数据通信模块向后台发起请求和发送固定格式的原始脑电信号片段数据；4)数据通信模块拿到后台返回的数据处理和诊断的结果，交给数据呈现模块；5)数据呈现模块绘制离散小波变换得到的系数带、显示提取到的特征量和最终的诊断结果。所述的可视化的客户端操作界面，独立于所述的后台的一套脑电数字信号处理程序，通过网络或进程间通信实现数据信息的交换，具体步骤为：1)本地未安装MATLAB或未正确配置MATLAB环境时，所述数据通信模块选择网络通信，向指定的远程服务器发起请求和发送数据，等待远程服务器的响应(在远程服务器上启动一个MATLAB进程，完成计算，返回结果)；2)本地安装有MATLAB且正确配置了MATLAB环境时，所述数据通信模块选择进程间通信，在本地启动一个MATLAB进程，完本文档来自技高网...

【技术保护点】
一种面向癫痫脑电信号识别的智能诊断系统，其特征在于：它包括后台的一套脑电数字信号处理程序和一个可视化的客户端操作界面；所述的后台的一套脑电数字信号处理程序，其特征提取模块利用离散小波变换和统计方法来提取原始脑电信号片段中的特征量，其模型训练模块利用径向基函数神经网络和最小最大概率机构建可靠的癫痫诊断模型，其训练好的诊断模块利用径向基函数神经网络和分类决策树对新输入的脑电信号做出诊断；所述可视化的客户端操作界面，其数据读取模块负责读取原始脑电信号片段数据，其数据通信模块负责向后台发起请求、发送数据信息，等待接收后台的响应和数据信息，其数据呈现模块负责以图表的方式显示原始脑电信号片段和提取的脑电信号特征量，最终显示后台返回的诊断结果。

【技术特征摘要】
1.一种面向癫痫脑电信号识别的智能诊断系统，其特征在于：它包括后台的一套脑电数字信号处理程序和一个可视化的客户端操作界面；所述的后台的一套脑电数字信号处理程序，其特征提取模块利用离散小波变换和统计方法来提取原始脑电信号片段中的特征量，其模型训练模块利用径向基函数神经网络和最小最大概率机构建可靠的癫痫诊断模型，其训练好的诊断模块利用径向基函数神经网络和分类决策树对新输入的脑电信号做出诊断；所述可视化的客户端操作界面，其数据读取模块负责读取原始脑电信号片段数据，其数据通信模块负责向后台发起请求、发送数据信息，等待接收后台的响应和数据信息，其数据呈现模块负责以图表的方式显示原始脑电信号片段和提取的脑电信号特征量，最终显示后台返回的诊断结果。2.如权利要求1所述的一种面向癫痫脑电信号识别的智能诊断系统，其特征在于：所述的后台的一套脑电数字信号处理程序依赖于MATLAB环境来执行，可部署在远程服务器或本地计算机上；所述的一个可视化的客户端操作界面安装在PC端，独立于所述的后台的一套脑电数字信号处理程序；所述的后台的一套脑电数字信号处理程序和所述的一个可视化的客户端操作界面通过网络或进程间通信实现数据信息的交换。3.如权利要求1所述的一种面向癫痫脑电信号识别的智能诊断系统，其特征在于：所述的后台的一套脑电数字信号处理程序，其特征提取模块利用离散小波变换和统计方法来提取原始脑电信号片段中的特征量；首先通过离散小波变换，将原始脑电信号层层分解，得到各层小波的近似系数带和细节系数带；再从各层小波细节系数带和最后一层的近似系数带中统计得到每个系数带的最大值、最小值、均值和标准差作为提取到的特征量。4.如权利要求1所述的一种面向癫痫脑电信号识别的智能诊断系统，其特征在于：所述的后台的脑电数字信号处理程序，其模型训练模块利用径向基函数神经网络和最小最大概率机构建可靠的癫痫诊断模型，具体步骤为：1)按权利要求3所述方法从大量已知癫痫诊断结果的脑电信号片段中提取特征量，得到训练样本集；2)为训练过程制定验证策略，为超参数制定参数寻优的网格范围；3)按验证策略划分出训练集和验证集，并从参数网格中取出一组超参数；4)利用模糊C均值聚类算法确定各径向基函数的中心和宽度，这里C为类别数；5)训练样本通过径向基函数网络，统一地映射到新的特征空间中；6)按照“一对一”的策略，利用最小最大概率机训练出各二元分类器；7)将得到的多个二元分类器构造成分类决策树，得到癫痫诊断模型；8)验证所得模型的有效性，重复步骤3)～8)，直至找到最佳的参数组合；9)完整地对步骤1)得到的训练样本集进行训练，构建出可靠的癫痫诊断模型。5.如权利要求3所述的一种面向癫痫脑电信号识别的智能诊断系统，其特征在于：所述步骤7)中，采用排除法来构建分类决策树...

【专利技术属性】
技术研发人员：邓赵红，陈俊勇，许鹏，王士同，
申请(专利权)人：江南大学，
类型：发明
国别省市：江苏,32