基于EWT和改进CSP的癫痫信号分类方法技术

本发明专利技术提出基于EWT和改进CSP的癫痫信号分类方法。该方法包括：对信号进行预处理、利用相关性分析择优选择信号通道、提取癫痫脑电信号发作间期和发作前期的时域、频域以及空域三个特征域的特征，最后将三个特征域的合并特征矩阵输入基于支持向量机分类器，实现癫痫脑电信号发作间期和发作前期的有效识别。其中，时域特征包括均方值根、绝对平均值以及过零点数；频域特征的提取运用经验小波变换进行多模态分解和韦尔奇功率谱进行单模态选择，再对每个通道的单模态使用希尔伯特变换方法提取信号的瞬时振幅和瞬时频率；利用改进的CSP算法提取空域特征。本发明专利技术中，经验小波变换克服了EMD方法的局限性，此外，改进的CSP算法具有较高的识别率和计算效率。

【技术实现步骤摘要】
基于EWT和改进CSP的癫痫信号分类方法
本专利技术属于模式识别领域，涉及一种脑电信号模式识别方法，特别涉及一种癫痫脑电信号的分类方法。
技术介绍
癫痫是最常见的神经系统疾病之一，是一种脑功能障碍病症，脑部神经元突然异常放电引起。癫痫的发作一般都很突然，而且每次发作的持续时间都不一样，所以癫痫发作具有很强的不确定性。癫痫发作时，患者一般会出现意识丧失，全身抽搐，口吐白沫等现象，甚至还会威胁到患者的生命。目前，根据世界卫生组织(WHO)调查显示，全球大概有5千万人患有癫痫疾病，其中中国患者就有9百万。长期反复的癫痫发作，不仅使患者遭受身体和精神上的折磨，还会带来巨大的经济损失。此外，癫痫发作还会严重影响患者的日常活动，比如外出开车，游泳等。目前，虽然大多数癫痫患者能够通过药物和手术来控制和治疗癫痫，但是依然有一部分患者的癫痫无法根治，所以如果能够发现发作前癫痫信号的特征，就能够提前对癫痫发作进行预测，这样的话可以提前对癫痫患者进行提醒和保护，不但可以避免患者因癫痫发作而带来的伤害，而且对癫痫疾病的防治和研究有一定的帮助。目前，脑电图(EEG)是进本文档来自技高网...

【技术保护点】
1.一种基于EWT和改进CSP的癫痫信号分类方法，其特征在于：该方法包括以下步骤：/n步骤一、数据预处理；/n将选择的脑电数据以发病起始时间为节点分为正常数据和发病数据；将发病起始时间前30～120分钟的数据作为正常数据；再将正常数据的前一半作为数据发作间期数据，后一半作为发作前期数据；选定训练集和测试集后，使用窗口大小为a秒的非重叠滑动窗口对集合中的正常数据进行分割，以一个窗口的数据作为一个实验样本；将训练集中发作间期的样本标记为类别1，发作前期的样本标记为类别2；/n步骤二、选择脑电通道；/n对处理后的样本数据，使用相关性的计算方法对其中的脑电信号进行计算，根据计算结果对样本中的脑电通道进...

【技术特征摘要】
1.一种基于EWT和改进CSP的癫痫信号分类方法，其特征在于：该方法包括以下步骤：
步骤一、数据预处理；
将选择的脑电数据以发病起始时间为节点分为正常数据和发病数据；将发病起始时间前30～120分钟的数据作为正常数据；再将正常数据的前一半作为数据发作间期数据，后一半作为发作前期数据；选定训练集和测试集后，使用窗口大小为a秒的非重叠滑动窗口对集合中的正常数据进行分割，以一个窗口的数据作为一个实验样本；将训练集中发作间期的样本标记为类别1，发作前期的样本标记为类别2；
步骤二、选择脑电通道；
对处理后的样本数据，使用相关性的计算方法对其中的脑电信号进行计算，根据计算结果对样本中的脑电通道进行删选；如果计算得到不同通道之间的皮尔逊相关系数高，就说明两个通道间有信息重复；皮尔逊相关系统的计算公式为：



cov(X,Y)为两个变量之间的协方差，σXσY为两个变量之间的标准差；
根据公式(1)的计算结果得到两两通道间的相关性系数，从而得出相关性矩阵；设置一个阈值b，两个通道间的相关系数大于该阈值表示其相关，反之表示其不相关；根据相关性系数对脑电通道进行选择，选择过程为：
(1)选择全部不具有相关通道的通道；
(2)对于相互等价的通道，选择其中通道序号小的那个通道；
(3)从剩余通道中选择能包含最多通道的通道；
步骤三、提取时域特征；
提取步骤二选中的通道的脑电信号的均方值根、绝对平均值以及过零点数，作为信号的时域特征，得到时域训练集矩阵f1train和时域测试集矩阵f1test；
步骤四、提取频域特征；
提取步骤二选中的通道的脑电信号的频域特征，具体包括以下步骤：
4.1、对选中的每个通道分别利用EWT算法得到了x个模态，具体步骤为：
(1)进行快速傅立叶变换，得到0～π范围内的傅里叶谱；
(2)采用经验法则确定一个阈值T，对于任意一个傅里叶谱的局部极小值点，只要其生成的尺度空间曲线Oi的长度满足Li>T，则该局部极小值点对应频率ωi变为其傅里叶谱分割的边界频率；找到傅里叶谱的所有边界频率后，将傅里叶谱分割成连续的N个连续段；
(3)确定了傅里叶谱中的边界频率后，根据Littlewood–Paley和Meyer小波的构造思想，构建经验小波函数经验小波函数即为每个连续段上的带通滤波器，表达式为：



式中，ωn为第n-1个和第n个滤波器的边界频率，γ为过度带系数，应该满足β(x)为示性函数，通常定义为：



(4)与传统的小波变换相似，经验小波函数的细节系数Wf(n,t)可计算为：



分解得到经验模态fn(t)为：



式中，f为被分解函数，t为时间，τ为积分变量，*为卷积运算，∧为复共轭运算，∨为傅里叶逆变换，-为共轭运算；
4.2、通过韦尔奇功率谱密度分析方法计算x个模态的频谱密度，获取频谱密度值最大的模态，作为各通道选择的单模态；
4.3、对每个通道的单模态使用希尔伯特变换方法提取信号的瞬时振幅和瞬时频率分量作为信号的频域特征；得到了频域训练集矩阵f2train，和频域测试集矩阵f2test；
步骤五、提取空域特征；
利用一种改进的CSP算法，即加权正则化共空间模式算法，提取步骤二中选中通道的脑电信息的空域特征；具体包括以下步骤：
5.1、获得正则化共空间模式算法
为了克服CSP算法对噪声和过拟合的敏感性，向目标函数加入Tikhonov正则化项，获得正则化共空间模式算法，以惩罚不满足先验信息的解，目标函数表示为：



式中C1和C2分别是类别1和类别2的协方差矩阵，P(w)表示的是惩罚函数，用来度量空间滤波器w满足给定先验条件的程度；滤波器...

【专利技术属性】
技术研发人员：孟明，刘欣，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33