一种基于EEG信号的医疗诊断辅助系统技术方案

本发明专利技术提供一种基于EEG信号的医疗诊断辅助系统，属于医疗器械领域。该系统包括用于病人EEG信号采集、传输的EEG信号采集装置以及EEG信号处理、分析以及精神疾病预测的上位机医疗诊断辅助系统。本发明专利技术使用自制的EEG信号采集装置对病人的EEG信号进行采集、处理、传输，在上位机医疗诊断辅助系统上提取EEG信号的时域特征、频域特征以及非线性特征，基于这些特征采用训练好的随机森林模型对病人患有癫痫、精神分裂症、抑郁症、自闭症等精神疾病的概率进行预测，为医生诊断精神疾病提供明确的辅助依据。

【技术实现步骤摘要】
一种基于EEG信号的医疗诊断辅助系统
本专利技术涉及EEG信号处理分析、医疗辅助器械领域，具体是一种基于EEG信号的医疗诊断辅助系统。
技术介绍
脑电(EEG，Electroencephalogram)是人脑神经元突触后电位的综合结果，是脑神经细胞电生理活动在大脑皮层或头皮表面的总体反映。在不受外界刺激的自然状态下，人脑产生的自发脑电信号一般被看作是非平稳性比较突出的随机信号。自发脑电信号中包含了大量的生理与疾病信息，在临床医学方面，自发脑电信号可为某些脑疾病提供诊断依据。例如，经临床研究发现，癫痫病人即使在没有癫痫发作的情况下，大脑也会发出棘波、尖波、棘慢波、慢散波等异常波；精神分裂症患者的脑电具有异常放电的情况，例如比正常人波幅更大或更小，波长更长或更短；抑郁症患者的脑电波一般表现为基本电活动变慢，慢活动变多，偶见尖波等；自闭症患者脑电表现为非药物性快波增多，局灶性放电，节律慢化及节律失调等。因此，通过监测病人的EEG信号，对大脑异常放电结果进行处理和分析，能够为医生提供临床诊断之外的辅助依据，帮助医生快速精确的诊断精神疾病，极大限度的提高诊断准确率。因此，本专利技术从脑电信号的提取出发，设计了EEG信号采集装置，构建了一套完整的精神疾病医疗诊断辅助系统，旨在对病人的EEG信号进行处理分析，通过随机森林模型预测病人患有癫痫、精神分裂症、抑郁症、自闭症等精神疾病的概率，为医生诊断精神疾病提供辅助依据。
技术实现思路
本专利技术的目的在于提供一种基于EEG信号的医疗诊断辅助系统，通过对病人的EEG信号进行采集、处理，对病人的精神健康进行诊断分析，帮助医务人员准确诊断病人是否患有精神疾病以及可能患有哪种精神疾病。本系统基于EEG动态特征信号进行设计，可实现对病人脑电波的监测，通过对脑电波的特征提取及分类，对病人患有癫痫、精神分裂症、抑郁症、自闭症等精神疾病的概率进行预测，能够为医生提供可靠的医疗诊断辅助。本专利技术提出如下技术方案：一种基于EEG信号的医疗诊断辅助系统。本专利技术包括对病人EEG信号的采集、处理、传输、分析、精神疾病分类预测等过程。本专利技术包含EEG信号采集装置以及上位机医疗诊断辅助系统，EEG信号采集装置实现EEG信号的采集、初步处理及信号传输，将EEG信号传输到上位机；上位机医疗诊断辅助系统实现对EEG信号的进一步处理、分析和精神疾病分类预测并进行可视化显示。本专利技术首先基于自制的EEG信号采集装置实现对病人EEG信号的采集、处理与传输，具体步骤为：步骤一：通过自制的EEG信号采集装置采集病人一段时间内的EEG信号；步骤二：对采集的EEG信号进行放大、滤波等处理，并将其转化为数字信号，传输到上位机医疗诊断辅助系统。在上位机医疗诊断辅助系统上，实现EEG信号的后续处理，包括数据降噪、特征提取、分类器训练、精神疾病分类预测等。具体步骤为：步骤一：上位机医疗诊断辅助系统对EEG信号进行滤波、去噪等预处理；步骤二：提取EEG信号的时域特征、频域特征和非线性特征；步骤三：使用随机森林算法训练分类器，构建多分类系统；步骤四：基于提取到的特征，使用训练好的随机森林模型进行病人精神疾病分类预测，为医生诊断提供明确的辅助依据。优选的，所述自制的EEG信号采集装置具有如下特征：(1)EEG信号采集装置为头戴式设计，整体基于集成芯片设计，具有两个采集电极以及两个参考电极，两个采集电极分别位于左右前额，两个参考电极分别位于左右耳附近；(2)采集电极和参考电极可配置为多种不同的导联采集方式：1)一侧耳朵处参考电极对应同侧前额采集电极；2)左右耳处的参考电极连接在一起作为参考电极，再与一个/两个采集电极配合使用；3)一侧耳朵处采集电极对应另一侧前额采集电极；(3)通过不同的导联方式，医生可以自主选择EEG信号采集区域，灵活的记录下不同额区的EEG信号变化的绝对值；(4)EEG信号采集装置集成有放大模块以及硬件滤波模块，能够对采集电极采集的EEG信号进行信号放大、低通滤波、高通滤波等初步处理；(5)EEG信号在经过初步处理后，通过模数转换器转化为数字信号，再将该数字信号通过无线传输技术传送到上位机医疗诊断辅助系统。优选的，所述EEG信号采集和传输的具体流程为：步骤一：为病人佩戴自制的EEG信号采集装置，配置电极导联模式，设置采样率，开始EEG信号采集；步骤二：对EEG信号进行初步的处理，包括信号放大、高通滤波、低通滤波等；步骤三：将预处理过的EEG信号转换为数字信号，通过蓝牙、WiFi等无线传输技术传输到上位机等待进一步的处理分析。优选的，所述上位机医疗诊断辅助系统进行EEG信号处理和分类器训练、预测的具体流程为：步骤一：对EEG信号采集装置传送来的EEG信号进行软件滤波以去除硬件滤波器电容、电阻不匹配等引入的噪声以及50Hz工频干扰，得到较为纯净的EEG信号；步骤二：将EEG信号采用滑动窗口切分成固定时间长度，采用独立成分分析法去除肌电、眼电伪迹等，同时利用统计分析、功率谱估计以及样本熵估计等方法对EEG数据进行处理，提取EEG信号的时域特征、频域特征及非线性特征；步骤三：训练随机森林分类器，基于袋外估计误差(outofbagerror)构建最优的随机森林分类模型；步骤四：基于步骤二中提取到的病人的EEG信号的时域特征、频域特征及非线性特征，使用最优的随机森林分类模型对这段时间内病人的EEG信号进行预测，预测其患有癫痫、精神分裂症、抑郁症、自闭症等精神疾病的概率，并进行可视化显示；步骤五：医生根据预测结果并结合医疗经验做出准确判断。优选的，所述上位机医疗诊断辅助系统步骤三和步骤四进行随机森林分类器的训练和预测的具体流程如下：步骤一：采集大量的正常人与患有癫痫、精神分裂症、抑郁症、自闭症等精神疾病病人的EEG信号；步骤二：由专业医生选取一段时间内特征明显的EEG波段，并分别对正常人、癫痫患者、精神分裂症患者、抑郁症患者、自闭症患者等的EEG信号打上“0”，“1”，“2”，“3”，“4”，…，“J”等类别标签；步骤三：对步骤二中的每个EEG信号进行去噪预处理，将其切分成一定时间长度的EEG信号分段，提取EEG信号分段的时域特征、频域特征及非线性特征，用这些EEG特征构造训练样本，设训练集合的样本数为N，每个训练样本的特征数为M；优选的，在该步骤中对EEG信号分段提取的时域特征包括：EEG信号的幅值(最大值、最小值、均值和方差等)、波形(峰度、偏度、波宽等)。当脑部受到损伤或是有神经疾病时，人的脑电中会出现异常脑电信号，通过统计分析方法获取这些异常脑电信号的时域特征，作为第一特征向量。优选的，在该步骤中对EEG信号分段提取的频域特征为EEG功率谱：EEG信号的功率谱把幅度随时间变化的时域脑电信号通过变换，转化为幅度随频率变化的脑电功率谱图，功率谱反映了EEG信号的频率成分以及各成分的相对强弱，从频域上揭示EE本文档来自技高网...

【技术保护点】
1.一种基于EEG信号的信息处理系统，包括：EEG信号采集装置与计算机；EEG信号采集装置实现EEG信号的采集、放大、滤波及信号传输，将EEG信号传输到计算机；计算机实现对EEG信号的去噪、特征提取和分类预测并进行可视化显示。/n

【技术特征摘要】
1.一种基于EEG信号的信息处理系统，包括：EEG信号采集装置与计算机；EEG信号采集装置实现EEG信号的采集、放大、滤波及信号传输，将EEG信号传输到计算机；计算机实现对EEG信号的去噪、特征提取和分类预测并进行可视化显示。


2.根据权利要求1所述的信息处理系统，其中EEG信号采集装置为头戴式设计，整体基于集成芯片设计，包括探测电极、前置放大器、低通滤波器、高通滤波器、模数转换器、微控制器以及无线传输模块，实现EEG信号的采集、放大、低通滤波、高通滤波以及模数转换，并将数字化的EEG信号通过无线传输传送到计算机。


3.根据权利要求2所述的信息处理系统，其中所述探测电极包括两个参考电极和两个采集电极；左耳处电极为第一参考电极，左前额处电极为第一采集电极，相应的，右耳处电极为第二参考电极，右前额处电极为第二采集电极；采集电极和参考电极可配置的多种导联采集方式包括：
第一配置方式，一侧耳朵处参考电极对应同侧前额采集电极；
第二配置方式，左右耳处的参考电极连接在一起作为参考电极，再与一个/两个采集电极配合使用；或者
第三配置方式，一侧耳朵处采集电极对应另一侧前额采集电极；
所述前置放大器为差分放大器，用于放大采集电极与参考电极的EEG信号之差；
所述低通滤波器为经典的二阶有源低通滤波器，用于滤除高频干扰，高频干扰包括肌电和/或电子器件固有噪声；
所述高通滤波器为经典的二阶有源高通滤波器，用于滤除低频干扰，低频干扰包括极化电压；
所述模数转换器将经过放大、滤波预处理的EEG信号转换为数字信号；
所述微控制器通过无线传输模块将数字化的EEG信号传输到计算机。


4.根据权利要求1所述的信息处理系统，所述计算机包括处理器与存储器；所述处理器通过执行软件来实施如下方法：
对EEG信号采集装置传送来的EEG信号进行软件滤波以去除硬件滤波器电容、电阻不匹配所引入的噪声以及50Hz工频干扰；采用滑动窗口将其切分成具有指定时间长度的EEG信号分段，对每个EEG信号分段提取其时域特征、频域特征及非线性特征；基于这些特征构造推断样本，使用训练好的随机森林分类器对一个或多个推断样本预测其分类，得到一个或多个推断样本属于指定类别的概率，并进行可视化显示；
其中，通过统计分析方法获取所述EEG信号分段的时域特征，所述时域特征包括EEG信号的最大值、最小值、均值、方差、峰度、偏度和/或波宽，所获取的时域特征作为第一特征向量。


5.根据权利要求4所述的信息处理系统，其中，通过周期图法获取所述EEG信号分段的频域特征，所述频域特征包括EEG信号分段的功率谱，计算功率谱的过程如下：
将所述EEG信号分段包括的S点观察数据X(n)＝{x(1)，x(2)，...，x(S)}作为能量有限的信号，其中S是正整数，n＝1，2，...，S，对x(n)(n＝1，2，...，S)做快速傅立叶变换(FFT)后得到频域信号序列XS(w)，其中w为频域变量，然后再取XS(w)的模平方，并除以S作为对EEG信号分段功率谱的估计，以PPER(w)来表示用周期图法估计出来的功率谱，公式如下：



通过如下处理为EEG节律与EEG信号分段的功率谱建立时频关系：
1)将EEG信号分段分解成4个频带：δ(1-3Hz)、θ(4-7Hz)、α(8-13Hz)、β(14-30Hz)；
2)用所述计算功率谱的过程分别提取4个频带的功率谱特征；
3)将4个频带的功率谱特征组合成一个功率谱向量，该功率谱向量从能量的角度刻画了EEG节律之间的相对强弱；
将所获取的功率谱向量作为所述EEG信号分段的第二特征向量。


6.根据权利要求4或5所述的信息处理系统，其中，所述EEG信号分段的非线性特征通过样本熵估计获取，计算样本熵的过程如下：
对于EEG信号分段包括的S点序列X(n)＝{x(1)，x(2)，...，x(S)}，其中S是正整数，n＝1，2，...，S，计算样本熵的过程如下：
1)重构l维向量序列：Xl(i)＝{x(i)，x(i+1)，...，x(i+l-1)}，其中，1≤i≤S-...

【专利技术属性】
技术研发人员：王磊，梁锦威，刘洋，石岩，张书源，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11