【技术实现步骤摘要】
本专利技术是属于便携式设备癫痫发作检测领域，涉及使用姿态角信号(横滚角信号和俯仰角信号)来检测儿童癫痫发作的系统及方法。
技术介绍
1、癫痫是一种严重的神经干扰疾病，影响着世界上约1％的人口。由于癫痫发作的不可预测性与反复性，癫痫发作时伴随的肌肉控制丧失和意识受损可能会造成严重的伤害风险，甚至危及生命。目前通过便携式设备来采集生理信号以实现癫痫的发作检测已经相当普遍，但是在生理信号类型的选择方面，大多数会优先选择加速度信号或角速度信号以检测动作类癫痫的发作，对于姿态角信号并没有相关的使用。对于姿态角信号，这是一种将三轴陀螺仪和三轴加速度计进行传感器融合所得出的信号，包含俯仰角信号、偏航角信号、横滚角信号三种，对动作具有较高的敏感性，目前已被广泛应用于导航、农业、姿态检测等领域，但是在癫痫检测领域尚未出现相关的研究。本专利技术使用姿态角信号中的俯仰角和横滚角两种信号，其中，俯仰角信号是描述手环绕x轴旋转角度变化的信号，横滚角信号是描述手环绕z轴旋转角度变化的信号。证明姿态角信号可用于癫痫的发作检测，为便携式设备提出一种新的高效的检测信号，有利于保障患者的生命健康，对社会具有较高的现实意义和经济效益。
技术实现思路
1、本专利技术提供了一种基于便携式设备姿态角信号的癫痫发作检测系统及方法，尤其是一种新的信号类型以实现癫痫的发作检测与识别，有助于解决癫痫发作在临床中的具体应用问题。
2、本专利技术解决其技术问题所采用的技术方案如下：
3、步骤1：对时间校准后的预标
4、步骤2：设定不同的信号组合方式，针对不同的信号组合组建各自的特征矩阵，之后对各个特征矩阵进行特征选择操作。特征选择后的特征矩阵完成归一化操作后，输入到传统机器学习中进行分类器训练，之后记录各个分类器的训练结果。
5、步骤3：使用计算机对加速度信号、角速度信号、横滚角信号、俯仰角信号进行预处理操作，并记录不同信号在预处理步骤上所耗费的时间；
6、步骤4：利用特征选择步骤后的特征集训练lstm模型，通过训练好的lstm模型设计基于lstm的癫痫发作检测系统，通过结论进一步佐证前面步骤所得出的结论；
7、步骤5：对“不同信号采集时间”和“不同年龄段”患者的多模态生理信号数据进行特征层面的差异性分析，以进一步查看“信号采集时间”和“患者年龄”对于个体间差异性的影响。
8、所述步骤1的具体实现如下：
9、1-1.由于原始生理信号中包含较多的干扰信号，因此需要执行滤波操作以减少后续分析实验部分中的干扰部分。对于不同种类的生理信号采用不同的方法以去除信号中的干扰部分：动作类信号(加速度信号、角速度信号、横滚角信号、俯仰角信号)，首先去除0hz部分信号以实现信号的中心化，然后使用中值滤波器去除干扰；表面肌电信号先进行中心化操作，再使用20hz至60hz的带通滤波器截取相关频带信号内容，最后使用间隔频率为4hz的梳状滤波器以消除设备所产生的干扰；皮肤电信号这里采用中值滤波和平滑滤波器以剔除外界的干扰。
10、1-2.由于加速度信号和角速度信号为3通道信号，因此会先计算相对应的合成加速度和合成角速度；
11、1-3.采用宽度为4s，重叠率为50％的滑动窗口来计算信号特征，计算的特征有17个时域特征、6个频域特征和3个非线性域特征。
12、其中，17个时域特征分别为：最大值、最小值、峰值、峰峰值、均值、平均幅值、方根幅值、方差、标准差、有效均方根、峭度、偏度、波形因子、峰值因子、脉冲因子、裕度因子以及间隙因子。6个频域特征分别为：平均频率、重心频率、均方根频率、标准频率、平均功率谱密度、中值频率。3个非线性域特征分别为：样本熵、近似熵、模糊熵。
13、所述的步骤2具体操作如下：
14、2-1.特征提取完毕后，会将各个模态信号特征拼接为一个特征矩阵，用作之后分类器训练用的训练集。由于初始训练集具有较高的维度，这对于后续模型的训练具有一定的不良影响，因此需要先对训练集进行降维处理，以减少不必要的特征。这里采用了t检验、相关性检验、sfs特征选择三种方法来对特征集进行降维处理，各个方法的详细介绍如下：
15、(1)在t检验步骤，通过计算癫痫未发作阶段特征和癫痫发作阶段特征的差异程度，并将最后的相差程度用p值表示，之后剔除掉p＞0.05的特征，以尽可能的保留相差程度较大的特征。
16、(2)在相关性检验部分，主要计算特征集内各个特征的相关性，对于相关系数绝对值较大的两个特征，采用保留其中一个特征，剔除另一个特征的方法，以尽可能减少特征集之间的冗余。
17、(3)对于sfs特征选择，这是一种基于特征子集搜索的算法，用于从给定特征集合中选择最佳的特征子集。其目标是通过迭代地添加最具区分性的特征来构建一个性能最优的特征子集，以提高模型的预测性能或简化数据表示。
18、2-2.由于较大数值范围的特征可能会对分类器模型的训练和预测产生较大的影响，所以这里采用了0-1归一化的方法，以消除不同特征之间的量纲差异。
19、2-3.有如下几种信号组合方式：
20、组合1：加速度信号；组合2：角速度信号；组合3：横滚角信号；组合4：俯仰角信号；组合5：加速度信号+角速度信号+表面肌电信号+皮肤电信号；组合6：加速度信号+角速度信号+横滚角信号+表面肌电信号+皮肤电信号；组合7：加速度信号+角速度信号+俯仰角信号+表面肌电信号+皮肤电信号；组合8：加速度信号+角速度信号+俯仰角信号+横滚角信号+表面肌电信号+皮肤电信号；组合9：横滚角信号+角速度信号+表面肌电信号+皮肤电信号；组合10：俯仰角+角速度信号+表面肌电信号+皮肤电信号；组合11：加速度信号+横滚角信号+表面肌电信号+皮肤电信号；组合12：加速度信号+俯仰角信号+表面肌电信号+皮肤电信号；组合13：横滚角信号+表面肌电信号+皮肤电信号；组合14：俯仰角信号+表面肌电信号+皮肤电信号。按照上述信号分组准备相对应的经过特征筛选后的特征矩阵。
21、2-4.将准备好的各个组合的特征矩阵输入到svm、树分类、线性判别三种分类器中，通过十折交叉验证来查看各个分类器的训练效果。
22、2-5.总结各个信号组合中各分类器的训练结果，主要查看的训练指标为准确率、精确率、召回率。
23、进一步的，步骤4具体实现如下：
24、4-1.准备如下信号组合方式的特征矩阵：
25、组合1：加速度信号+角速度信号+表面肌电信号+皮肤电信号；组合2：俯仰角信号+角速度信号+表面肌电信号+皮肤电信号；组合3：横滚角信号+角速度信号+表面肌电信号+皮肤电信号。
26本文档来自技高网...
【技术保护点】
1.基于便携式设备姿态角信号的癫痫发作检测方法，其特征在于包括如下步骤：
2.根据权利要求1所述的基于便携式设备姿态角信号的癫痫发作检测方法，其特征在于所述步骤1的具体实现如下：
3.根据权利要求1所述的基于便携式设备姿态角信号的癫痫发作检测方法，其特征在于所述步骤2的具体实现如下：
4.根据权利要求1所述的基于便携式设备姿态角信号的癫痫发作检测方法，其特征在于所述步骤3的具体实现如下：
5.根据权利要求1或4所述的基于便携式设备姿态角信号的癫痫发作检测方法，其特征在于所述步骤4的具体实现如下：
6.根据权利要求5所述的基于便携式设备姿态角信号的癫痫发作检测方法，其特征在于所述步骤5的具体实现如下：
7.基于便携式设备姿态角信号的癫痫发作检测系统，其特征在于包括如下模块：
【技术特征摘要】
1.基于便携式设备姿态角信号的癫痫发作检测方法，其特征在于包括如下步骤：
2.根据权利要求1所述的基于便携式设备姿态角信号的癫痫发作检测方法，其特征在于所述步骤1的具体实现如下：
3.根据权利要求1所述的基于便携式设备姿态角信号的癫痫发作检测方法，其特征在于所述步骤2的具体实现如下：
4.根据权利要求1所述的基于便携式设备姿态角信号的癫痫...
【专利技术属性】
技术研发人员：胡丁寒，王佳兵，曹九稳，蒋铁甲，高峰，方嘉佳，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：
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。