【技术实现步骤摘要】
基于脑电信号特征的大脑异常放电检测方法及系统
本专利技术涉及计算机领域，且特别涉及一种基于脑电信号特征的大脑异常放电检测方法及系统。
技术介绍
大脑异常放电类疾病是大脑神经元突发性异常放电，导致短暂的大脑功能障碍的一种慢性疾病，癫痫就是一种由大脑异常放电引起的典型疾病。在全球超过六千五百万人患有癫痫病，中国的癫痫患者约有九百万人，并且这个数字还在以每年40万的速度增加。癫痫发作具有突发性、反复性和难预测性，并且在任何年龄段都有可能发病。脑电图(Electroencephalogram，EEG)是通过精密的电子仪器，从头皮上将脑部的自发性生物电位加以放大记录而获得的图形，是通过电极记录下来的脑细胞群的自发性、节律性电活动。在临床医学中，EEG仍然是诊断某些脑疾病的重要工具，而且还可以为某些脑疾病提供有效的治疗手段，并在由大脑异常放电引起的疾病的检测方面发挥着重要的作用。棘波是典型的大脑异常放电特征波形，通常被记录在脑电图中，相对于背景波形，棘波波形尖锐，具有高幅和瞬变的特性。目前临床上癫痫脑电的检查主要是通过人...
【技术保护点】
1.一种基于脑电信号特征的大脑异常放电检测方法，其特征在于，包括：/n采集原始脑电信号并进行数据处理；/n提取预处理后的脑电信号中的多域特征和棘波特征，所述多域特征包括时频特征和非线性特征；/n基于提取时频特征和非线性特征采用已训练完成的随机森林模型来得到脑电信号异常放电的第一检测结果；/n基于提取的棘波特征中棘波比和设定阈值的关系来获得脑电信号异常放电的第二检测结果；/n融合第一检测结果和第二检测结果以得到最终的大脑异常放电检测结果。/n
【技术特征摘要】
1.一种基于脑电信号特征的大脑异常放电检测方法，其特征在于，包括：
采集原始脑电信号并进行数据处理；
提取预处理后的脑电信号中的多域特征和棘波特征，所述多域特征包括时频特征和非线性特征；
基于提取时频特征和非线性特征采用已训练完成的随机森林模型来得到脑电信号异常放电的第一检测结果；
基于提取的棘波特征中棘波比和设定阈值的关系来获得脑电信号异常放电的第二检测结果；
融合第一检测结果和第二检测结果以得到最终的大脑异常放电检测结果。
2.根据权利要求1所述的基于脑电信号特征的大脑异常放电检测方法，其特征在于，提取预处理后的脑电信号中的多域特征包括：
对脑电信号进行统计分析以得到时域特征，所述时域特征包括波形的线长、峰度、偏度、最大值、最小值、均值和方差特征；
采用小波包变换从脑电信号提取出不同的节律波，同时将脑电信号分解成五个频段并将不同的节律波与五个频段相互对应以建立时频关系，所述五个频段分别为：0.5Hz～4Hz的δ波，4Hz～8Hz的θ波，8H～12Hz的α波，12Hz～23Hz的β1波以及23Hz～30Hz的β2波；
采用赫斯特指数计算大脑异常放电波形非线性特征。
3.根据权利要求2所述的基于脑电信号特征的大脑异常放电检测方法，其特征在于，不同的节律波与五个频段之间建立时频关系的步骤包括：
首先，选择db6作为小波基函数并定义每个epoch为5秒，；
其次，通过小波包变换从每个epoch中提取不同的节律波，其公式如下：
其中，Φ(t)为尺度函数；为小波基函数；i(0,1,2，...，2j-1)为小波包变换的节点数；j为分解层；h(n)和g(n)＝(-1)1-nh(1-n)为一对正交的图像滤波器；和为基于双尺度的小波基函数；n为滤波器的长度；
令第j层的第k个节点的脑电信号x(t)的小波包系数如下：
其中和分别为第j层的第k个节点的小波包分解的细节系数和近似系数；
之后，将五个频段的小波包系数归一化，公式如下：
其中Kl(r)为每个频段的小波包系数，pl(r)为归一化小波包系数；N为小波包系数的长度；l为频段数；
最后，对进行L层小波包分解，会产生2L个节点；在第j层分解时，信号会被分解成高频部分和低频部分，继续对分解后的高频部分和低频部分进行分解，得到新的高频部分和低频部分；重复上述分解，直到匹配五个频段所对应的节律波。
4.根据权利要求2所述的基于脑电信号特征的大脑异常放电检测方法，其特征在于，采用赫斯特指数计算大脑异常放电波形非线性特征的步骤包括：
采用R/S分析法进行估计，用X＝[x1；x2；:::；xC]表示脑电信号的epoch中的一个通道，R/S分析法计算公式如下：
其中H为赫斯特指数；...
【专利技术属性】
技术研发人员：董芳，刘俊飙，吴端坡，孙乐，
申请(专利权)人：浙江环玛信息科技有限公司，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。