基于集成分类的高频振荡节律检测方法及装置制造方法及图纸

本发明专利技术涉及癫痫脑电信号处理领域，提供一种基于集成分类的高频振荡节律检测方法，包括以下步骤：通过均方根算法对预处理后脑电信号进行计算，获得所述预处理后脑电信号中的疑似高频振荡节律；通过降噪自编码网络对所述疑似高频振荡节律的小波系数进行特征提取，获得所述疑似高频振荡节律的时频域特征；通过样本权重调节后的集成分类器对所述时频域特征进行检测，获得高频振荡节律。本发明专利技术基于样本权重调节进行集成分类，克服高频振荡节律与非高频振荡节律之间的类不平衡问题，提高高频振荡节律检测性能。律检测性能。律检测性能。

【技术实现步骤摘要】
基于集成分类的高频振荡节律检测方法及装置


[0001]本专利技术涉及癫痫脑电信号处理领域，尤其涉及一种基于集成分类的高频振荡节律检测方法及装置。

技术介绍

[0002]癫痫是一种常见的神经系统疾病，全球约有7000万癫痫患者。大部分癫痫患者通过服用抗癫痫药物(如苯妥英、乙琥胺、卡马西平、丙戊酸等)能有效抑制癫痫发作，但仍有约30％的患者对药物不敏感。这部分患者难以通过药物抑制癫痫发作，从而被确诊为难治癫痫患者。
[0003]手术切除癫痫病灶是治疗难治性癫痫的有效方法。近20年来，大量研究表明高频振荡节律是癫痫发作始发区的显著生物标志物，手术切除患者产生高频振荡节律的大脑组织可以根治癫痫。高频振荡节律是脑电图记录的反映神经元同步瞬变的脑电活动。根据频率范围，高频振荡节律通常分为涟波(ripples，80
‑
200Hz)和快速涟波(fast ripples，250
‑
500Hz)。精确检测脑电信号中的高频振荡节律是治疗性癫痫的术前关键。
[0004]目视检测高频振荡节律非常耗时(检测10分钟10导联的脑电数据需要10小时)。为了快速检测高频振荡节律，研究者提出了许多高频振荡节律自动检测算法。这些算法通常需要对癫痫脑电信号进行分类。支持向量机具有较强的鲁棒性和非线性处理能力，可用于癫痫脑电信号的分类，但其中影响分类性能的核参数和惩罚参数的调节过程非常耗时。基于自适应提升的支持向量机集成分类器通过构造一组基分类器(即支持向量机)，并将基分类器的输出进行加权组合，得到输入样本的分类结果，避免了支持向量机核参数和惩罚参数耗时的调节过程。
[0005]在高频振荡节律和非高频振荡节律这两类脑电信号中，前者的数量明显少于后者的数量，因此存在类不平衡。类不平衡会导致基于自适应提升的支持向量机集成分类器过度关注非高频振荡节律子类，从而易将高频振荡节律误判为非高频振荡节律，降低高频振荡节律检测性能。处理类不平衡的常用方法是利用欠采样来平衡不同类别的样本数量，即对非高频振荡节律子类进行欠采样，使采样后高频振荡节律数量与非高频振荡节律数量相近或相同。该方法在一定程度上减少了类不平衡的影响，但降低了脑电数据的利用率。现有技术无法解决高频振荡节律与非高频振荡节律之间的类不平衡问题。
[0006]上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是现有技术。

技术实现思路

[0007]本专利技术的主要目的在于，解决现有技术中无法解决高频振荡节律与非高频振荡节律之间的类不平衡问题。
[0008]为实现上述目的，本专利技术提供一种基于集成分类的高频振荡节律检测方法，包括以下步骤：
[0009]通过均方根算法对预处理后脑电信号进行计算，获得所述预处理后脑电信号中的疑似高频振荡节律；
[0010]通过降噪自编码网络对所述疑似高频振荡节律的小波系数进行特征提取，获得所述疑似高频振荡节律的时频域特征；
[0011]通过样本权重调节后的集成分类器对所述时频域特征进行检测，获得高频振荡节律。
[0012]优选地，所述通过均方根算法对预处理后脑电信号进行计算，获得所述预处理后脑电信号中的疑似高频振荡节律的步骤之前，还包括：
[0013]对所述脑电信号进行带通滤波操作，去除所述脑电信号中通频带以外的信号，获得预处理后脑电信号。
[0014]优选地，所述通过均方根算法对预处理后脑电信号进行计算，获得所述预处理后脑电信号中的疑似高频振荡节律，具体为：
[0015]对所述预处理后脑电信号进行移动窗处理，计算所述预处理后脑电信号的均方根值RMS(t)，具体的计算公式为：
[0016][0017]其中，s(k)表示预处理后脑电信号的第k个数据点的幅值，k表示第k个数据点；L表示窗长；N
l
L表示预处理后脑电信号的总长度，N
l
是移动窗的数量；t表示均方根的编号；
[0018]设置均方根阈值Threshold＝E+3SD，其中E和SD分别是均方根的平均值和标准差；
[0019]将所述均方根值大于所述均方根阈值的预处理后脑电信号认为是疑似事件；
[0020]将时间间隔小于5ms的两个所述疑似事件合并为一个所述疑似事件；
[0021]判断各所述疑似事件的持续时间，若所述疑似事件的持续时间大于30ms，则将该疑似事件前后100ms的预处理后脑电信号认为是疑似高频振荡节律。
[0022]优选地，所述通过降噪自编码网络对所述疑似高频振荡节律的小波系数进行特征提取，获得所述疑似高频振荡节律的时频域特征，具体为：
[0023]计算所述疑似高频振荡节律的小波系数，具体计算公式为：
[0024][0025]s
EOI
(kT)是疑似高频振荡节律，a是频率伸缩因子，b是时间平移因子，T是脑电信号的采样周期，ψ
*
是Morlet母小波函数的共轭函数，Morlet母小波函数为f
b
是频率带宽，f
c
是中心频率；
[0026]将所述疑似高频振荡节律的小波系数输入降噪自编码网络；所述疑似高频振荡节律的时频域特征为所述降噪自编码网络各隐藏层的激活值。
[0027]优选地，所述样本权重调节后的集成分类器的训练过程包括以下步骤：
[0028]获取样本权重调节因子；
[0029]根据所述样本权重调节因子训练集成分类器，训练完成后获得样本权重调节后的集成分类器。
[0030]优选地，所述样本权重调节因子包括：间隔内的样本权重调节因子和间隔外分类错误的高频振荡节律样本权重调节因子；
[0031]所述间隔内的样本权重调节因子的表达式具体为：
[0032][0033]其中，表示第t+1次迭代时第n个样本的样本权重调节因子，和分别表示第t次迭代后分类间隔内高频振荡节律样本数量和非高频振荡节律样本数量，t＝1,2,L,T，T是最大迭代次数，y
n
表示样本的标签，y
n
＝
‑
1表示对应的样本是非高频振荡节律，y
n
＝+1表示对应的样本是高频振荡节律；且当时，高频振荡节律的样本权重调节因子大于1，非高频振荡节律的样本权重调节因子小于1；和相差越大，高频振荡节律的样本权重调节因子越大，非高频振荡节律的样本权重调节因子越小；
[0034]所述间隔外分类错误的高频振荡节律样本权重调节因子的表达式具体为：
[0035][0036]其中，和分别表示高频振荡节律样本总数量和第t次迭代时间隔外分类错误的高频振荡节律样本数量；且式中e为常数，其值约等于2.7；样本权重调节因子随着间隔外分类错误的高频振荡节律样本数量的增加而增加；当高频振荡节律样本全部分类正确时当高频振荡节律样本全部分类错误时
[0037]优选地，所述根据所述样本权重调节因子训练集成分类器，训练完成后获得样本权重调节后的集成分类器，具体为：
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于集成分类的高频振荡节律检测方法，其特征在于，包括以下步骤：通过均方根算法对预处理后脑电信号进行计算，获得所述预处理后脑电信号中的疑似高频振荡节律；通过降噪自编码网络对所述疑似高频振荡节律的小波系数进行特征提取，获得所述疑似高频振荡节律的时频域特征；通过样本权重调节后的集成分类器对所述时频域特征进行检测，获得高频振荡节律。2.根据权利要求1所述的基于集成分类的高频振荡节律检测方法，其特征在于，所述通过均方根算法对预处理后脑电信号进行计算，获得所述预处理后脑电信号中的疑似高频振荡节律的步骤之前，还包括：对所述脑电信号进行带通滤波操作，去除所述脑电信号中通频带以外的信号，获得预处理后脑电信号。3.根据权利要求1所述的基于集成分类的高频振荡节律检测方法，其特征在于，所述通过均方根算法对预处理后脑电信号进行计算，获得所述预处理后脑电信号中的疑似高频振荡节律，具体为：对所述预处理后脑电信号进行移动窗处理，计算所述预处理后脑电信号的均方根值RMS(t)，具体的计算公式为：其中，s(k)表示预处理后脑电信号的第k个数据点的幅值，k表示第k个数据点；L表示窗长；N
l
L表示预处理后脑电信号的总长度，N
l
是移动窗的数量；t表示均方根的编号；设置均方根阈值Threshold＝E+3SD，其中E和SD分别是均方根的平均值和标准差；将所述均方根值大于所述均方根阈值的预处理后脑电信号认为是疑似事件；将时间间隔小于5ms的两个所述疑似事件合并为一个所述疑似事件；判断各所述疑似事件的持续时间，若所述疑似事件的持续时间大于30ms，则将该疑似事件前后100ms的预处理后脑电信号认为是疑似高频振荡节律。4.根据权利要求1所述的基于集成分类的高频振荡节律检测方法，其特征在于，所述通过降噪自编码网络对所述疑似高频振荡节律的小波系数进行特征提取，获得所述疑似高频振荡节律的时频域特征，具体为：计算所述疑似高频振荡节律的小波系数，具体计算公式为：s
EOI
(kT)是疑似高频振荡节律，a是频率伸缩因子，b是时间平移因子，T是脑电信号的采样周期，ψ
*
是Morlet母小波函数的共轭函数，Morlet母小波函数为f
b
是频率带宽，f
c
是中心频率；将所述疑似高频振荡节律的小波系数输入降噪自编码网络；所述疑似高频振荡节律的时频域特征为所述降噪自编码网络各隐藏层的激活值。
5.根据权利要求1所述的基于集成分类的高频振荡节律检测方法，其特征在于，所述样本权重调节后的集成分类器的训练过程包括以下步骤：获取样本权重调节因子；根据所述样本权重调节因子训练集成分类器，训练完成后获得样本权重调节后的集成分类器。6.根据权利要求5所述的基于集成分类的高频振荡节律检测方法，其特征在于，所述样本权重调节因子包括：间隔内的样本权重调节因子和间隔外分类错误的高频振荡节律样本权重调节因子；所述间隔内的样本权重调节因子的表达式具体为：其中，表示第t+1次迭代时第n个样本的样本权重调节因子，和分别表示第t次迭代后分类间隔内高频振荡节律样本数量和非高频振荡节律样本数量，t＝1,2,L,T，T是最大迭代次数，y
n
表示样本的标签，y
n
＝
‑
1表示对应的样本是非高频振荡节律，y
n
＝+1表示对应的样本是高频振荡节律；且当时，高频振荡节律的样本权重调节因子大于1，非高频振荡节律的样本权重调节因子小于1；和相差越大，...

【专利技术属性】
技术研发人员：吴敏，覃宏振，万雄波，杜玉晓，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：