System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及静息态脑电,具体为基于脑通道互联特征融合表征的神经发育异常评估方法。
技术介绍
1、神经发育是一个复杂的过程,在这个阶段,大脑中的神经元数量和连接的数量都达到了成年人的水平。儿童的大脑开始发展更高级别的认知能力,例如思考、推理和解决问题的能力,但由于遗传因素、环境因素和营养缺失等原因,儿童阶段会出现神经发展障碍问题。
2、神经发育异常是一种严重的神经发育障碍疾病,这种疾病关系到人一生的生活质量,严重者可致终身残疾。现如今临床上主要依赖于行为观察以及诊断量表评估与诊断儿童神经发育是否异常。这些方法具有一定的主观性,不同医生得出的诊断结果可能有所不同,而且儿童幼时行为症状可能不够明显,因此,依据一个客观的评估指标诊断儿童神经发育是否异常是十分有必要的。
3、神经发育异常的儿童的脑皮层存在异常放电现象,因此通过脑电信号来反映疾病特征,以脑电图作为一种无创的检测技术,与其它脑成像技术例如功能核磁共振成像、功能近红外成像相比,其具有出色的时间分辨率、更加方便的采集过程以及成本更低的优势,因此随着儿童患病率的增长,脑电信号已广泛应用于儿童神经发育异常的诊断,目前,现有方法没有充分考虑到脑通道之间的联系,对于儿童的神经发育异常状态预测的准确性有待提高。
技术实现思路
1、本专利技术要解决的技术问题是:
2、为此,本专利技术提供一种基于脑通道互联特征融合表征的神经发育异常评估方法。
3、本专利技术解决其技术问题所采用的技术方案是:
>4、一种基于脑通道互联特征融合表征的神经发育异常评估方法,包括以下步骤,
5、分别采集神经正常以及神经异常者脑电信号,并进行信号样本数据预处理;
6、对预处理后的脑电信号提取单通道特征以及两两通道之间的互信息特征;
7、从单通道特征以及两两通道之间的互信息特征中提取样本最优特征子集;
8、利用样本最优特征子集构成的特征样本集对分类预测模型进行训练,利用训练好的分类预测模型判断对象是否神经发育异常。
9、通过采用上述技术方案,融合单双通道混合特征,结合单通道的特征和两个通道之间的特征来更加充分合理地描述脑电信号。
10、进一步地,信号样本的预处理包括滤波处理、重参考、时间窗划分、基线校正和去伪迹。
11、进一步地,将单通道特征和两两通道之间的互信息特征融合成一个特征矩阵。
12、进一步地,利用pca算法对特征矩阵进行降维处理。
13、进一步地,计算pca算法降维后的样本特征与类标签之间的互信息值,选取最优特征,并形成样本最优特征子集。
14、进一步地,将降维后的样本特征与类标签之间的互信息值进行特征排序,将特征按照互信息值从大到小排序,以确定特征的重要性,最后根据排序结果,将互信息值高于阈值的特征保留,得到样本最优特征子集。
15、进一步地,选择0.04作为阈值,保留互信息值高于0.04的特征。
16、进一步地,所述单通道特征包括单通道的功率谱、样本熵、近似熵、排列熵、小波熵。
17、进一步地,利用小波包变换将预处理好的脑电信号分成δ[1-4hz]、θ[4-8hz]、α[8-12hz]和β[12-30hz]4个频段,从4个频段以及全频段中提取功率谱特征。
18、进一步地,采用十折交叉验证将由样本最优特征子集构成的特征样本集划分为训练集和测试集,对分类预测模型进行训练、验证。
19、本专利技术的有益效果是,本专利技术整体包括脑电信号预处理、特征提取、特征选择以及辨识分类四个部分;由于大脑处理信息时,各个脑区是一个相互影响的整体系统,本专利技术结合单通道的特征和两个通道之间的特征来更加充分合理地描述脑电信号,同时结合pca算法和互信息对神经发育异常儿童的脑电频域-非线性-统计学的多域特征进行特征选择,实现特征样本的维度优化,在剔除冗余特征的同时保证识别准确率。
本文档来自技高网...【技术保护点】
1.一种基于脑通道互联特征融合表征的神经发育异常评估方法,其特征在于,包括以下步骤,
2.根据权利要求1所述的基于脑通道互联特征融合表征的神经发育异常评估方法,其特征在于,信号样本的预处理包括滤波处理、重参考、时间窗划分、基线校正和去伪迹。
3.根据权利要求1所述的基于脑通道互联特征融合表征的神经发育异常评估方法,其特征在于,将单通道特征和两两通道之间的互信息特征融合成一个特征矩阵。
4.根据权利要求3所述的基于脑通道互联特征融合表征的神经发育异常评估方法,其特征在于,利用PCA算法对特征矩阵进行降维处理。
5.根据权利要求4所述的基于脑通道互联特征融合表征的神经发育异常评估方法,其特征在于,计算PCA算法降维后的样本特征与类标签之间的互信息值,选取最优特征,并形成样本最优特征子集。
6.根据权利要求5所述的基于脑通道互联特征融合表征的神经发育异常评估方法,其特征在于,根据降维后的样本特征与类标签之间的互信息值进行特征排序,将特征按照互信息值从大到小排序,以确定特征的重要性,最后根据排序结果,将互信息值高于阈值的特征保留
7.根据权利要求6所述的基于脑通道互联特征融合表征的神经发育异常评估方法,其特征在于,选择0.04作为阈值,保留互信息值高于0.04的特征。
8.根据权利要求1-6中任一项所述的基于脑通道互联特征融合表征的神经发育异常评估方法,其特征在于,所述单通道特征包括单通道的功率谱、样本熵、近似熵、排列熵、小波熵。
9.根据权利要求8所述的基于脑通道互联特征融合表征的神经发育异常评估方法,其特征在于,利用小波包变换将预处理好的脑电信号分成δ[1-4Hz]、θ[4-8Hz]、α[8-12Hz]和β[12-30Hz]4个频段,从4个频段以及全频段中提取功率谱特征。
10.根据权利要求1所述的基于脑通道互联特征融合表征的神经发育异常评估方法,其特征在于,采用十折交叉验证将由样本最优特征子集构成的特征样本集划分为训练集和测试集,对分类预测模型进行训练、验证。
...【技术特征摘要】
1.一种基于脑通道互联特征融合表征的神经发育异常评估方法,其特征在于,包括以下步骤,
2.根据权利要求1所述的基于脑通道互联特征融合表征的神经发育异常评估方法,其特征在于,信号样本的预处理包括滤波处理、重参考、时间窗划分、基线校正和去伪迹。
3.根据权利要求1所述的基于脑通道互联特征融合表征的神经发育异常评估方法,其特征在于,将单通道特征和两两通道之间的互信息特征融合成一个特征矩阵。
4.根据权利要求3所述的基于脑通道互联特征融合表征的神经发育异常评估方法,其特征在于,利用pca算法对特征矩阵进行降维处理。
5.根据权利要求4所述的基于脑通道互联特征融合表征的神经发育异常评估方法,其特征在于,计算pca算法降维后的样本特征与类标签之间的互信息值,选取最优特征,并形成样本最优特征子集。
6.根据权利要求5所述的基于脑通道互联特征融合表征的神经发育异常评估方法,其特征在于,根据降维后的样本特征与类标签之间的互信息值进行特征排序,将特征按照互信...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。