基于瞬时频率和功率谱熵融合特征的脑电信号分析方法技术

本发明专利技术公开了一种基于瞬时频率和功率谱熵融合特征的脑电信号分析方法，包括以下步骤：(1)提取慢波睡眠期的正常脑电信号和早期帕金森病的脑电信号，分别计算其瞬时频率和功率谱熵，从而构成一个二维的时序特征；(2)将二维时序特征作为LSTM神经网络的输入并进行训练学习；(4)利用训练学习号的神经网络对待评估脑电信号进行分析。该方法效果良好，能区分帕金森病病人与正常人的脑电信号。

An EEG Signal Analysis Method Based on Fusion Characteristics of Instantaneous Frequency and Power Spectrum Entropy

【技术实现步骤摘要】
基于瞬时频率和功率谱熵融合特征的脑电信号分析方法
本专利技术涉及一种基于瞬时频率和功率谱熵融合特征的脑电信号分析方法，特别涉及一种基于瞬时频率和功率谱熵的特征提取与LSTM神经网络模型相结合的脑电信号分析方法。
技术介绍
帕金森病(Parkinson’sDisease,PD)又名震颤麻痹，是目前老年人中第三位常见的神经性疾病，震颤、肌强直及运动减少是其主要临床特征。然而当观测到患者的各种临床特征时往往已经处于帕金森病的中晚期，为了不错过前期的最佳治疗时机，帕金森病的早期诊断就显得极其重要。近年来，研究者们除了关注帕金森病患者运动症状的改变之外，也越来越开始关注其他非运动症状，其中睡眠障碍已被认为是帕金森病的普遍症状之一，并且可以先于(帕金森病中晚期的)临床运动症状发生。有研究表明帕金森病初期患者已出现局部的脑电(electroencephalogram,EEG)活动改变，因此，针对上述现象展开研究，以期发现帕金森病初期患者在睡眠脑电方面的特征亟待进行。由于脑电信号是一种非平稳的，非线性的复杂信号，且帕金森病患者有大脑活动减缓的特点，而瞬时频率(InstantaneousFrequency,IF)是一种用来描述非平稳脑电信号的频率随时间变化的方法，功率谱熵(PowerSpectralEntropy,PSE)不仅可以体现脑电时序信号的谱结构特征，而且可以作为非线性脑电序列信号复杂性的指标。
技术实现思路
为了寻找睡眠期的帕金森病脑电和正常脑电的差异性的问题，本专利技术提供一种基于瞬时频率和功率谱熵的特征提取与LSTM神经网络模型相结合的脑电信号分析方法。该方法从脑电信号的非平稳性、非线性、时频域和复杂度等特征上，找出帕金森病脑电与正常脑电的异同性，从而区分帕金森病脑电和正常脑电，为帕金森病的早期诊断打下基础。本专利技术为解决上述技术问题采用以下技术方案：本专利技术提供一种基于瞬时频率和功率谱熵融合特征的脑电信号分析方法，包括以下步骤：(1)获取若干组慢波睡眠期的正常脑电信号，并分别提取其瞬时频率和功率谱熵作为正常脑电信号的二维时序特征；(2)获取若干组早期帕金森病人的慢波睡眠期的脑电信号，并分别提取其瞬时频率和功率谱熵作为病期脑电信号的二维时序特征；(3)以(1)和(2)中正常脑电信号的二维时序特征和病期脑电信号的二维时序特征作为训练样本，对LSTM神经网络进行训练学习；(4)提取待分析脑电信号的瞬时频率和功率谱熵作为其二维时序特征，输入(3)中训练完成的LSTM神经网络，完成该脑电信号的分析。作为本专利技术的进一步技术方案，构造脑电信号α(t)的解析信号则α(t)的瞬时频率为其中，为解析脑电信号的相位分量。作为本专利技术的进一步技术方案，脑电信号α(t)的功率谱熵为其中，为α(t)的频域功率谱密度。作为本专利技术的进一步技术方案，(1)和(2)中的脑电信号时间长度为50s，滑动窗窗口长度为1s。作为本专利技术的进一步技术方案，(1)和(2)中提取的瞬时频率和功率谱熵还分别进行z-score归一化处理。本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：本专利技术提取脑电信号的瞬时频率和功率谱熵作为二维时序特征，并送入LSTM神经网络进行学习，能够找出早期帕金森病脑电信号与正常脑电信号上的差异性并取得很好的区分度，从而为帕金森病患者的早期诊断提供了新思路。附图说明图1为本专利技术公开的方法流程图；图2为隐层节点数为50时，PD脑电与正常脑电分类的网络训练过程，其中(a)是准确率的变化，(b)是Loss曲线的变化；图3为隐层节点数为50时，正常脑电之间分类的网络训练过程，其中(a)是准确率的变化，(b)是Loss曲线的变化。具体实施方式下面结合附图对本专利技术的技术方案做进一步的详细说明：如图1所示，为本专利技术公开的基于瞬时频率和功率谱熵融合特征的脑电信号分析方法的流程图，具体包括以下步骤：(1)提取若干组慢波睡眠期的正常脑电信号和早期帕金森病人的脑电信号，计算其瞬时频率和功率谱熵。(1-1)以慢波睡眠期(SWS)的脑电EEG信号做样本，每个样本的时间长度为50s，滑动窗窗口长度为1s。(1-2)每个样本的瞬时频率的定义方法如下：考虑解析信号其频谱为：时频分布的一个性质就是信号的能量沿瞬时频率集中，由于逗留相位原理，该积分会在某一频率(fs)取得最大值，则：即：fs(t)即为瞬时频率，是时间t的函数，它体现了随时间变化的信号能量值在不同频率的集中情况。(1-3)功率谱熵的定义方法如下：设随机变量X的取值为X＝{x1,x2,...,xn}(n≥1)，与之对应的概率为根据香农信息熵的定义法，此非确定性系统的信息量表示为：将上式中时域的状态概率pi替换为基于短时傅立叶变换定义的频域功率谱密度由此引出功率谱熵的定义：(2)将样本的二维时序特征输入LSTM神经网络进行学习，具体步骤为：(2-1)将(1-2)和(1-3)提取到的脑电信号的瞬时频率和功率谱熵进行z-score归一化处理，z-score的归一化公式为：其中，σ为数据的标准差，μ为样本的平均值，则归一化之后各维度的数据均值为0，方差为1。(2-2)将(2-1)经归一化处理后的早期帕金森病脑电信号与正常脑电的瞬时频率和功率谱熵的二维时序特征作为LSTM神经网络的输入，送入网络进行学习。(3)提取待分析脑电信号的瞬时频率和功率谱熵作为其二维时序特征，输入(3)中训练完成的LSTM神经网络，输出该脑电信号的分析结果。(4)利用F1值和分类准确率对网络学习结果进行评估，包括如下步骤：(4-1)本专利技术是一个二分类模型，采用F1值和准确率作为评估指标；(4-2)分析对比不同参数条件下的F1值和准确率的效果。实施例步骤(1)：对正常脑电信号和早期帕金森病人的脑电信号进行睡眠分期。在本实施例中，对睡眠期的脑电信号做短时傅立叶变换，脑电长度为Nx，采样频率f取1000Hz，选取window长度为256的Hamming窗对每一段进行加窗，相邻窗之间重叠点数overlap取窗长的50％，移动步长step为窗长的一半，计算离散傅立叶变换的点数nfft取256，则经过短时傅立叶变换后的时间维长度为(Nx-overlap)/(window-overlap)，频率维大小为nfft/2+1。经过睡眠分期后，将脑电信号分为清醒(AWAKE)期、慢波睡眠(slowwavesleep，SWS)期、快速眼动睡眠(rapideyemovements，REM)期。步骤(2)，提取慢波睡眠期的正常脑电信号和早期帕金森病人的脑电信号，分别计算其瞬时频率和功率谱熵。步骤(3)，将二维时序特征输入LSTM神经网络进行学习。首先，将脑电信号的瞬时频率和功率谱熵进行z-score归一化处理后，构成正常脑电信号和病期脑电信号的二维时序特征。LSTM神经网络输入层的大小参数为EEG序列的维度，此处为1，LSTM层可学习到不同步长的时间序列数据中的长期依赖关系，输出模式为last代表此网络为针对序列-标签的分类，全连接层的大小为2即为分类的种类数，通过softmax层输出各类的概率，最后的分类层输出最后的分类结果。其中，网络的隐层节点数与样本量的多少以及分类的要求都有直接关系，隐层节点数太多会延长网络的学习时间，隐层节点数过少会导致网络的容错性低，在本文档来自技高网...

【技术保护点】
1.基于瞬时频率和功率谱熵融合特征的脑电信号分析方法，其特征在于，包括以下步骤：(1)获取若干组慢波睡眠期的正常脑电信号，并分别提取其瞬时频率和功率谱熵作为正常脑电信号的二维时序特征；(2)获取若干组早期帕金森病人的慢波睡眠期的脑电信号，并分别提取其瞬时频率和功率谱熵作为病期脑电信号的二维时序特征；(3)以(1)和(2)中正常脑电信号的二维时序特征和病期脑电信号的二维时序特征作为训练样本，对LSTM神经网络进行训练学习；(4)提取待分析脑电信号的瞬时频率和功率谱熵作为其二维时序特征，输入(3)中训练完成的LSTM神经网络，完成该脑电信号的分析。

【技术特征摘要】
1.基于瞬时频率和功率谱熵融合特征的脑电信号分析方法，其特征在于，包括以下步骤：(1)获取若干组慢波睡眠期的正常脑电信号，并分别提取其瞬时频率和功率谱熵作为正常脑电信号的二维时序特征；(2)获取若干组早期帕金森病人的慢波睡眠期的脑电信号，并分别提取其瞬时频率和功率谱熵作为病期脑电信号的二维时序特征；(3)以(1)和(2)中正常脑电信号的二维时序特征和病期脑电信号的二维时序特征作为训练样本，对LSTM神经网络进行训练学习；(4)提取待分析脑电信号的瞬时频率和功率谱熵作为其二维时序特征，输入(3)中训练完成的LSTM神经网络，完成该脑电信号的分析。2.根据权利要求1所述的基于瞬时频率和功...

【专利技术属性】
技术研发人员：杨淳沨，骆春桃，伍家松，孔佑勇，陈阳，杨冠羽，舒华忠，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏,32