基于最优模板匹配和形态特征提取的BECT棘波检测方法技术

本发明专利技术提供了一种基于最优模板匹配和形态特征提取的BECT棘波检测方法，主要分为以下步骤：(1)采集脑电信号(EEG)，建立数据库；(2)EEG信号预处理：(3)通用模板匹配：使用一个固定的模板进行模板匹配；(4)棘波聚类检测：用K

【技术实现步骤摘要】
基于最优模板匹配和形态特征提取的BECT棘波检测方法


[0001]本专利技术涉及计算机领域，尤其涉及一种基于最优模板匹配和形态特征提取的BECT棘波检测方法。

技术介绍

[0002]儿童良性癫痫伴中央颞区棘波(Benign epilepsy with centro
‑
temporal spikes,BECT)又称儿童良性Rolandic癫痫，是儿童最常见的局灶性癫痫，5
‑
8岁是高峰发病期。在学龄儿童的癫痫中，本病约占15％～25％。越来越多的研究表明患有BECT的儿童在智力和心理等方面的表现比同龄人差。
[0003]脑电图(Electroencephalogram，EEG)是癫痫诊断和治疗效果评估过程中最重要的一项检查工具，蕴含了丰富的脑部电生理信息，对癫痫的临床诊断、病例分析和预后诊疗有重大意义。BECT患者脑电图放电波形及特点具有特征性。癫痫样放电多为棘波或棘慢波，放电主要分布于双侧中央
‑
中颞区，同步或不同步出现，有时只出现于一侧。放电在清醒期相对较少，睡眠期放电明显增多。临床上，主要通过对棘波的检测与定量分析来确诊BECT患者。
[0004]棘波是由兴奋性突触后电位形成，是由一组神经元快速超同步去极化引起，反映了神经元的兴奋性异常增高。目前，医护人员对患者进行诊疗时，常需要了解癫痫患者的病史，这需要花费大量时间去询问患者情况并找到历史癫痫发作的脑电信号记录，从而对患者进行确诊。因此，对BECT患者的长程EEG信号中的棘波进行自动检测可以提高医生的诊断效率，减轻患者负担，在临床应用和理论研究领域都有广阔的发展前景。
[0005]到目前为止，已经有许多研究人员提出了不同的棘波自动检测算法，包括形态学滤波，聚类，时频分析，小波变换等。然而，不同患者或同一患者在不同时间的棘波形态差异很大，再加上EEG信号容易受到眼动，咀嚼，肌肉运动等的影响，形成较大的伪迹，对棘波自动检测的造成较大的干扰，检测结果还不够理想。其次，由于不同患者或同一患者在不同时间棘波形态特征的差异，使得上述棘波检测方法不能适应不同的EEG信号，进一步增加了自动检测的难度。

技术实现思路

[0006]针对现有技术中存在的问题，本专利技术提供了一种基于最优模板匹配和形态特征提取的BECT棘波检测方法，以提高BECT棘波的识别率。
[0007]为实现上述目的，本专利技术通过以下方案实现：
[0008]一种基于最优模板匹配和形态特征提取的BECT棘波检测方法，至少包括以下步骤：
[0009]步骤S1：采集EEG脑电信号；选取实验对象，采用国际10
‑
20标准给患者佩戴脑电采集设备采集BECT患者的多通道脑电数据，建立实验数据库；
[0010]步骤S2：数据预处理；对采集到的原始EEG数据进行FIR带通滤波得到标准EEG信
号；
[0011]步骤S3：通用模板匹配，先用一个固定参数的模板来进行模板匹配，模板宽度为300ms，幅值为300μV，通过计算模板与尖峰波形的相似度来从EEG信号中提取候选棘波；
[0012]步骤S4：棘波聚类检测；分为K
‑
means聚类和自适应模板匹配两部分；首先采用K
‑
means聚类方法对通用模板匹配的结果进行聚类，可以得到若干个类；然后统计每个类里候选棘波的数量，若该类里候选棘波数小于总候选棘波数的2％，则剔除这个类；最后把每个类的质心作为新的模板进行自适应模板匹配，将所有的匹配结果相加，可以进一步的从EEG信号中提取尖峰波形；然而，在这个过程中容易出现尖峰距离较近的候选棘波，当尖峰距离小于55ms时，则把这两个棘波合并为一个棘波；
[0013]步骤S5：最优模板匹配：分为优化通用模板和棘波聚类检测两部分；由于通用模板的不合适，可能导致模板并不能最优的从当前EEG信号中提取候选棘波，所以采用PSO算法来优化通用模板，动态寻找通用模板最优宽度和幅值；然后再进行聚类模板检测，尽可能的从EEG信号中提取棘波；
[0014]步骤S6：假阳性棘波消除，分为“针锋相对”和棘波形态特征提取两部分，首先根据AV通道脑电信号的候选棘波来确定每个候选棘波的两个相关BP通道，然后根据BP通道上的“针锋相对”现象消除部分误检棘波；然后计算AV通道和BP通道候选棘波周围的曲率，当超过某个曲率阈值时就判定为开始点或结束点，棘波左边第一个超过曲率阈值的点是棘波开始点，右边第一个超过曲率阈值的点是棘波结束点，进一步消除棘波宽度和幅值不符的假阳性棘波；在消除完假阳性棘波后，就得到了最终的BECT棘波检测结果。
[0015]作为进一步的改进方案，步骤S2中，使用1
‑
40Hz的FIR带通滤波器来滤除噪声，减少伪迹。
[0016]作为进一步的改进方案，所述步骤S5进一步包括：
[0017]步骤S51，初始化模板参数和模板速度，以模板的宽度和幅值表示为模板参数，模板参数和模板速度都是二维的，用一批在范围内的随机数来初始化模板参数和速度；
[0018]步骤S52，将初始化完的模板应用到棘波聚类检测，基于检测结果计算R
se
矩阵，R
se
用来评估模板性能；
[0019]步骤S53，基于R
se
矩阵计算pr
*
，gr
*
和gc
*
，pr
*
是R
se
矩阵的第j列的最大元素值所在的行，gr
*
和gc
*
分别是R
se
矩阵整体最大值所在的行和列；
[0020]步骤S54，计算和来更新模板参数和速度；
[0021]步骤S55，判断是否超出边界，当和超出边界时，在范围内随机生成一个模板，然后判断是否达到最大迭代次数，若达到最大迭代次数则停止迭代。
[0022]作为进一步的改进方案，步骤S6中，在提取棘波形态特征时，先计算AV通道和BP通道候选棘波周围的曲率值，当超过曲率阈值时则认为是棘波放电开始点或结束点；在抓取到棘波开始点和结束点之后就可以提取棘波形态特征，计算其宽度和幅值就可以进一步消除误检棘波。
[0023]作为进一步的改进方案，步骤S6中，计算出AV通道和BP通道棘波开始点和结束点之后，由于AV通道棘波放电时，BP通道棘波也在放电，当两个BP通道棘波开始点或结束点与AV通道棘波开始点或结束点不一致时，考虑到多通道，调整AV通道棘波开始点或结束点与
BP通道一致，提升AV通道棘波开始结束点判定准确度。
[0024]根据本专利技术的一实施例，步骤S1中的采样频率为1000Hz，并需要采集大量的脑电数据作为实验样本，实验体包括不同性别、不同年龄段的儿童患者。
[0025]根据本专利技术的一实施例，在进行自适应模板匹配的候选检测过程中，统计人工标记的棘波的上升沿斜率、下降沿斜率、幅值和持续时间等形态特征，建立本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于最优模板匹配和形态特征提取的BECT棘波检测方法，其特征在于，至少包括以下步骤：步骤S1：采集EEG脑电信号；选取实验对象，采用国际10
‑
20标准给患者佩戴脑电采集设备采集BECT患者的多通道脑电数据，建立实验数据库；步骤S2：数据预处理；对采集到的原始EEG数据进行FIR带通滤波得到标准EEG信号；步骤S3：通用模板匹配，先用一个固定参数的模板来进行模板匹配，模板宽度为300ms，幅值为300μV，通过计算模板与尖峰波形的相似度来从EEG信号中提取候选棘波；步骤S4：棘波聚类检测；分为K
‑
means聚类和自适应模板匹配两部分；首先采用K
‑
means聚类方法对通用模板匹配的结果进行聚类，可以得到若干个类；然后统计每个类里候选棘波的数量，若该类里候选棘波数小于总候选棘波数的2％，则剔除这个类；最后把每个类的质心作为新的模板进行自适应模板匹配，将所有的匹配结果相加，可以进一步的从EEG信号中提取尖峰波形；然而，在这个过程中容易出现尖峰距离较近的候选棘波，当尖峰距离小于55ms时，则把这两个棘波合并为一个棘波；步骤S5：最优模板匹配：分为优化通用模板和棘波聚类检测两部分；由于通用模板的不合适，可能导致模板并不能最优的从当前EEG信号中提取候选棘波，所以采用PSO算法来优化通用模板，动态寻找通用模板最优宽度和幅值；然后再进行聚类模板检测，尽可能的从EEG信号中提取棘波；步骤S6：假阳性棘波消除，分为“针锋相对”和棘波形态特征提取两部分，首先根据AV通道脑电信号的候选棘波来确定每个候选棘波的两个相关BP通道，然后根据BP通道上的“针锋相对”现象消除部分误检棘波；然后计算AV通道和BP通道候选棘波周围的曲率，当超过某个曲率阈值时就判定为开始点或结束点，棘波左边第一个超过曲率阈值的点是棘波开始点，右边第一个超过曲率阈值的点是棘波结束点，进一步消除棘波宽度和幅值不符的假阳性棘波；在消除完假阳性棘波后，就得到了最终的BECT棘波检测结果。2.根据权利要求1所述的基于最优模板匹配和形态特征提取的BECT棘波智能检测方法...

【专利技术属性】
技术研发人员：吴端坡，石海超，蒋铁甲，高峰，袁瞻兴，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：