基于1D-LBP与模糊逻辑分类的癫痫发作自动检测系统技术方案

本发明专利技术提供了一种基于1D

【技术实现步骤摘要】
基于1D
‑
LBP与模糊逻辑分类的癫痫发作自动检测系统


[0001]本专利技术属于自动检测系统
，具体涉及一种基于1D
‑
LBP与模糊逻辑分类的癫痫发作自动检测系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]癫痫是世界最常见的神经系统疾病之一，是一种由大脑神经细胞异常放电所导致的慢性神经疾病。癫痫会导致病人意识模糊，肌肉抽搐甚至意识丧失。不过幸运的是，高达70％的癫痫患者可以通过针对性的诊断和成本较低的抗癫痫发作药物实现零发作。
[0004]传统的癫痫诊断主要是由医生肉眼观察脑电图。脑电图是一种重要的临床检测方法，在鉴别癫痫是否发作与针对癫痫发作区域的术前准备有着重要的作用。
[0005]而长期肉眼判读长程脑电图对医生来说是一项繁重且耗时的工作，长时间的劳累观察容易造成误判，且正确率很大程度上取决于医生的经验与熟练程度。所以癫痫自动检测系统的研发十分必要。
[0006]癫痫的检测是一种典型的二分类问题。癫痫患者一天的发作期可能只有几十秒或几百秒，正常时间占绝大多数。而癫痫检测的基本任务是将发作期与非发作期区分开来，正确的标注发作期。传统的方法依靠人工判读脑电图是一种费力且依靠经验的工作，且要耗费大量的时间，所以开发癫痫自动检测系统十分必要。而目前的其他癫痫自动检测方式普遍存在着效率较低，检测率不高等问题，且提取特征较为复杂。

技术实现思路

[0007]本专利技术为了解决上述问题，提出一种基于1D
‑
LBP与模糊逻辑分类的癫痫发作自动检测系统，克服了以往癫痫检测效率不高的缺点，可以有效地消除冗余信息，提取关键信息，降低发作检测中的误检率，速度较快，检测正确率高。
[0008]根据一些实施例，本专利技术采用如下技术方案：
[0009]一种基于1D
‑
LBP与模糊逻辑分类的癫痫发作自动检测系统，包括：
[0010]脑电信号预处理模块，被配置为对获取的脑电信号以设定时长为单位进行分段，并进行滤波处理；
[0011]特征提取模块，被配置为在以时间
‑
频率表征的脑电信号上提取一维信号均匀局部二值模式(1D
‑
LBP)纹理特征；
[0012]分类模块，被配置为利用预先训练的模糊逻辑分类器，对提取的进行分类，确定是否癫痫发作，其中模糊逻辑分类器的分类距离根据具体情况选择。
[0013]作为可选择的实施方式，所述脑电信号预处理模块被配置为包含经过切比雪夫滤波器，利用该滤波器进行滤波处理。
[0014]作为可选择的实施方式，所述特征提取模块被配置为以预处理后的脑电信号上的
一点为一维信号给定的中心采样点，以其前后若干个点为邻域采样点，将中心采样点与邻域采样点进行比较，如果中心点值大于邻域则为0，反之则为1，得到一个一维的均匀局部二值模式二进制串，计算用该串的十进制值来表示所述中心采样点周围的局部结构信息。
[0015]作为可选择的实施方式，所述模糊逻辑分类器使用非参数EDA量来客观地揭示数据的集成性质和相互分布，所述非参数EDA量包括累计接近、单模态密度和多模态密度。
[0016]作为可选择的实施方式，所述模糊逻辑分类器的分类距离在马氏距离、欧氏距离和余弦相似度中选择。
[0017]作为可选择的实施方式，所述模糊逻辑分类器的训练过程为离线训练。
[0018]作为进一步限定的实施方式，所述模糊逻辑分类器的离线训练过程包括计算所有基本单位的多模态密度，并将他们进行排列进第一列表，选出它们中的局部极大值，之后将局部极大值存入第二列表；对于第二列表中的元素，吸附最近的其他数据样本形成数据云；确定数据云的中心，根据平均半径与其他中心形成邻域；如果数据云中心的多模态密度比其邻域中其他所有中心的多模态要大，则被认为是一个原型。
[0019]作为进一步限定的实施方式，所述模糊逻辑分类器的在线训练过程包括：更新平均半径，计算其单模态密度；如果其单模态密度大于已有原型的最大的单模态密度或小于已有原型的最小单模态密度，则成为一个新的原型；
[0020]如果不符合，计算其与最近的原型的距离并与平均半径进行比较，如果大于平均距离，则成为一个新的原型；
[0021]当成为一个新的原型后，将分类器的参数进行更新，如果无法称为新的原型，那么它将被归入最近的原型，同时更新参数。
[0022]作为可选择的实施方式，所述分类模块的处理数据为多导联同时获取的数据时，出现多个分类结果，对得到的结果进行融合决策，同一时间内判断为发作的导联超过设定数量时，将该时间判定为发作。
[0023]一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行以下步骤：
[0024]对获取的脑电信号以设定时长为单位进行分段，并进行滤波处理；
[0025]在以时间
‑
频率表征的脑电信号上提取一维信号均匀局部二值模式(1D
‑
LBP)纹理特征；
[0026]利用预先训练的模糊逻辑分类器，对提取的进行分类，确定是否癫痫发作，模糊逻辑分类器的分类距离根据具体情况选择。
[0027]与现有技术相比，本专利技术的有益效果为：
[0028]本专利技术利用一维信号均匀局部二值模式进行特征提取，可以有效地应用于一维脑电信号检测，且计算简单，效率较高，灵敏度高，还具有旋转不变性与易于实现等优点。
[0029]本专利技术采用模糊逻辑分类器，该分类器不依赖于任何先验假设，仅依靠数据之间的内部关系来进行识别与分类，且仅在内存中保存关键的元参数，计算速度极快，解决了传统系统计算速度较慢的问题。还有三种分类距离供实际情况灵活选择：马氏距离，欧氏距离，余弦相似度。克服了以往癫痫检测效率不高的缺点，速度较快。而且可以灵活地调整计算复杂度：既可以得到较高的检测率，又可以避免对于训练集的过度学习导致的过拟合。通过灵活的调整参数，在不同的情况下得到优秀的结果。
[0030]本专利技术用于癫痫检测，分类结果较好，经过试验测试，G均值可达到84.6％。同时分类特征较为简单，占用内存较小，分类效率高。
[0031]为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0032]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0033]图1为本专利技术至少一个实施例的系统示意图；
[0034]图2为本专利技术至少一个实施例的1D
‑
LBP特征提取示意图。
具体实施方式：
[0035]下面结合附图与实施例对本专利技术作进一步说明。
[0036]应该指出，以下详细说明都本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于1D
‑
LBP与模糊逻辑分类的癫痫发作自动检测系统，其特征是：包括：脑电信号预处理模块，被配置为对获取的脑电信号以设定时长为单位进行分段，并进行滤波处理；特征提取模块，被配置为在以时间
‑
频率表征的脑电信号上提取一维信号均匀局部二值模式纹理特征；分类模块，被配置为利用预先训练的模糊逻辑分类器，对提取的进行分类，确定是否癫痫发作，其中模糊逻辑分类器的分类距离根据具体情况选择。2.如权利要求1所述的一种基于1D
‑
LBP与模糊逻辑分类的癫痫发作自动检测系统，其特征是：所述脑电信号预处理模块被配置为包含经过切比雪夫滤波器，利用该滤波器进行滤波处理。3.如权利要求1所述的一种基于1D
‑
LBP与模糊逻辑分类的癫痫发作自动检测系统，其特征是：所述特征提取模块被配置为以预处理后的脑电信号上的一点为一维信号给定的中心采样点，以其前后若干个点为邻域采样点，将中心采样点与邻域采样点进行比较，如果中心点值大于邻域则为0，反之则为1，得到一个一维的均匀局部二值模式二进制串，计算用该串的十进制值来表示所述中心采样点周围的局部结构信息。4.如权利要求1所述的一种基于1D
‑
LBP与模糊逻辑分类的癫痫发作自动检测系统，其特征是：所述模糊逻辑分类器使用非参数EDA量来客观地揭示数据的集成性质和相互分布，所述非参数EDA量包括累计接近、单模态密度和多模态密度。5.如权利要求1所述的一种基于1D
‑
LBP与模糊逻辑分类的癫痫发作自动检测系统，其特征是：所述模糊逻辑分类器的分类距离在马氏距离、欧氏距离和余弦相似度中选择。6.如权利要求1所述的一种基于1D
‑
LBP与模糊逻辑分类的癫痫发作自动检测系统，其特征是：所述模糊逻辑分类器的训练过程为离线训练。7.如权利要求6...

【专利技术属性】
技术研发人员：袁琦，周嘉正，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：