基于MFDMA与分形维数的脑电信号检测制造技术

本发明专利技术公开了基于MFDMA与分形维数的脑电信号检测，本发明专利技术采用MFDMA、Hurst指数和分形维数来表征脑电的动态特性，同时考虑了MFDFA方法来获得Hurst指数，其后采用Hall

【技术实现步骤摘要】
基于MFDMA与分形维数的脑电信号检测


[0001]本专利技术涉及启发式算法领域，特别涉及一种基于MFDMA与分形维数的脑电信号检测。

技术介绍

[0002]生物系统的正常生理需要一个复杂的网络来实现有效的控制功能。这些网络结合了整合、分化、反馈循环和其他调节机制，使生物体能够执行多种活动，这是具有随时间适应特征的典型复杂系统。为了描述和量化生物系统的动态特性，已经采用了与复杂性理论相关的不同技术。
[0003]复杂系统的分析和复杂性的评估成为数学和物理科学的重要方面。复杂性可以粗略地定义为描述信号或预测其未来行为时所面临的困难。复杂性概念的历史发展集中在基于非线性时间序列(TS)分析的各种度量来测量规律性。相关维数、熵和Lyapunov指数是衡量给定TS随机性和可预测性的常用指标。另一种替代方法是计算TS的分形复杂度。Hurst指数(H)和分形维数(D)是分形过程(如分数高斯噪声或布朗运动)的分形复杂度或持久性的度量。
[0004]由于神经网络的复杂结构，大脑被认为是最复杂的动态系统之一。而脑电活动的记录可以通过脑电图得到。实际上，脑电图(EEG)是一种非侵入性技术，因为它是通过放置在患者头皮上的盘状电极进行的。脑电图是神经系统活动的生物电表现。通常，脑电图旨在查明某些问题，例如，从大脑某些区域的异常电活动中检测到癫痫病灶的位置。癫痫是一种严重的神经系统疾病，不分年龄、性别或种族。据世界卫生组织称，癫痫是一种严重的脑部疾病，影响着约5000万人(约占世界人口的1％)，其中80％生活在不发达国家或发展中国家。问题是由癫痫发作的发生所揭示的，直接影响到患者的生活质量，在最多方面。癫痫是一种中枢神经系统疾病，其主要特征是大脑正常功能的自发、反复和不可预测的中断，称为癫痫发作。癫痫发作的定义是由同步或过度的大脑异常活动引起的体征和/或症状的短暂发生。
[0005]一些研究侧重于使用非线性方法从脑电图信号中检测癫痫，这种方法可以检测和量化线性和非线性机制，从而在某种程度上反映脑电图的特征。非线性特征可以提取EEG TS中隐藏的复杂性，最早的研究之一是由Babloyantz等人开发的，他们使用相关维数和最大Lyapunov指数等非线性参数来研究睡眠波信号。这些研究拓展了脑电非线性分析方法的潜在应用领域，但癫痫的识别仍然是一个相关的研究领域。脑电信号的动态TS分析可以揭示出与远距离相关和不同类型的非线性相互作用相关的复杂现象。这种类型的分析能够提供有用的诊断和预后信息。尽管如此，在文献中发现的大多数关于EEG的论文都考虑了一个单一的索引。此外，当采用多个指标时，没有考虑信息的融合，只是对每个指标进行单独分析。基于单一指标的分析不足以捕捉EEG属性，因此，这种方法导致结果有限。
[0006]针对以上问题，本申请提出了一种解决方案。

技术实现思路

[0007]专利技术目的：本专利技术的目的是提供一种基于MFDMA与分形维数的脑电信号检测，消除了采用单一指标进行EEG分析时可能出现的局限性，并且能够诊断正常人和癫痫患者。
[0008]技术方案：本专利技术所述的基于MFDMA与分形维数的脑电信号检测，具体包括以下步骤：
[0009]S1：获取脑电信号，获得EEG数据集，分析脑电信号特性；
[0010]S2：获取EEG片段，为最小化分析时间和分析成本，采用数据分割技术；
[0011]S3：利用MFDMA提取EEG信号的广义赫斯特指数指数H(q)，具体的：
[0012]S3.1：给定脑电信号的时间序列x(t),t＝1,2,...,N，N为数据的总数，构造一个新的序列：
[0013][0014]S3.2：在尺度scale的数值为n的移动窗口中，计算移动平均函数公式为：
[0015][0016]其中，表示小于等于x的最大非负整数，表示大于等于x的最小非负整数，θ∈[0,1]代表移动平均值在移动窗口中存放的位置；
[0017]S3.3：计算残差并将残差作为新的数据序列ε(i)，具体的：
[0018]t∈[n
‑
LI,N
‑
LI],
[0019][0020]i＝1,2,3,...,N
‑
n+1，总的数据个数为N
new
＝N
‑
n+1；
[0021]将序列ε(i)划分成大小相同的N
n
个互不相交的区间段，每个区间段取n个数据，再将序列ε(i)反向划分一次，得到2N
n
个区间段；
[0022]S3.4：计算局部均方根值和全局q阶均方根值，具体的：
[0023]计算局部均方根值：第v个区间段中的均方根函数F
v
(n)可以用下式计算得到：
[0024][0025][0026]其中ε为新的数据序列，N
new
为总的数据个数，N
n
为互不相交的区间段；
[0027]计算全局q阶均方根值，当q≠0时，计算公式为：
[0028][0029]当q＝0时，计算公式为：
[0030][0031]S3.5：改变尺度scale的数值n,得到对应的F
q
(n)，如果信号序列是具有幂律关系的尺度不变信号，则：
[0032]F
q
(n)～n
H(q)
[0033]其中H(q)是q阶Hurst指数；
[0034]S4：提取EEG信号的分形维数D，具体的：
[0035]S4.1：分析分形维数D在非线性时间序列TS中的性质；
[0036]S4.2：采用Hall
‑
Wood估计器，即HW估计器得到分形维数分量；
[0037]S4.3：利用Robust Genon估计器，即RG估计器计算分形维数分量；
[0038]S5：定义计算脑电非线性时间序列TS的联合指数CI；根据Hurst指数H和分形维数D能够表示非线性时间序列TS的随机性和长期依赖性，提出联合指数CI，公式如下：
[0039][0040]其中和分别是与赫斯特指数H和分形维数D相关的随机游走现象期望值，是的估计值，由得到，其中和分别由S4.2和S4.3计算获得；
[0041]S6：计算EEG数据段的CI指数，利用威尔科克森Wilcoxon符号秩检验原理实现癫痫检测。
[0042]作为优选，所述S1中EEG数据集通过开源数据库获得。
[0043]作为优选，所述S2中数据切割技术，具体为：将每个EEG信号分割成不重叠的15段，每段包含256个样本的时间序列。
[0044]作为优选，所述S3.5中广义赫斯特指数H(q)具体为：寻找log
10
[F
q
(n)]与log
10
(n)之间具有线性关系的无标度区，通过计算无标度区中尺度n和函数F
q
(n)的对数值之间一阶多项式拟合系数，求取线性回归直线的斜率，即本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于MFDMA与分形维数的脑电信号检测，其特征在于：具体包括以下步骤：S1：获取脑电信号，获得EEG数据集，分析脑电信号特性；S2：获取EEG片段，为最小化分析时间和分析成本，采用数据分割技术；S3：利用MFDMA提取EEG信号的广义赫斯特指数指数H(q)，具体的：S3.1：给定脑电信号的时间序列x(t),t＝1,2,...,N，N为数据的总数，构造一个新的序列：S3.2：在尺度scale的数值为n的移动窗口中，计算移动平均函数公式为：其中，表示小于等于x的最大非负整数，表示大于等于x的最小非负整数，θ∈[0,1]代表移动平均值在移动窗口中存放的位置；S3.3：计算残差并将残差作为新的数据序列ε(i)，具体的：并将残差作为新的数据序列ε(i)，具体的：i＝1,2,3,...,N
‑
n+1，总的数据个数为N
new
＝N
‑
n+1；将序列ε(i)划分成大小相同的N
n
个互不相交的区间段，每个区间段取n个数据，再将序列ε(i)反向划分一次，得到2N
n
个区间段；S3.4：计算局部均方根值和全局q阶均方根值，具体的：计算局部均方根值：第v个区间段中的均方根函数F
v
(n)可以用下式计算得到：(n)可以用下式计算得到：其中ε为新的数据序列，N
new
为总的数据个数，N
n
为互不相交的区间段；计算全局q阶均方根值，当q≠0时，计算公式为：当q＝0时，计算公式为：S3.5：改变尺度scale的数值n,得到对应的F
q
(n)，如果信号序列是具有幂律关系的尺度不变信号，则：F
q
(n)～n
H(q)
其中H(q)是q阶Hurst指数；S4：提取EEG信号的分形维数D，具体的：S4.1：分析分形维数D在非线性时间序列TS中的性质；S4.2：采用Hall
‑
Wood估计器，即HW估计器得到分形维数分量；S4.3：利用Robust Genon估计器，即RG估计器计算分形维数分量；S5：定义计算脑电非线性时间序列TS的联合指数CI；根据Hurst指数H和分形维数D能够表示非线性时间序列TS的随机性和长期依赖性，提出联合指数CI，公式如下：其中和分别是与赫斯特指数H和分形维数D相关的随机游走现象期望值，是的估计值，由得到，其中和分别由S4.2和S4.3计算获得；S6：计算EEG数据段的CI指数，利用威尔科克森Wilcoxon符号秩检验原理实现癫痫检测。2.根据权利要求1所述的基于MFDMA与分形维数的脑电信号检测，其特征在于：所述S1中EEG数据集通过开源数据库获得。3.根据权利要求1所述的基于MFDMA与分形维数的脑电信号检测，其特征在于：所述S2中数据切割技术，具体为：将每个EEG信号分割成不重叠的15段，每段包含256个样本...

【专利技术属性】
技术研发人员：周稳兰，王文慧，张佳，冯友兵，王敏，
申请(专利权)人：江苏科技大学，
类型：发明
国别省市：