一种基于缺项特征的脑电图分类检测装置，属于脑电图自动检测技术领域。包括依次电路连接的多路脑电放大器、数据采集卡、计算机，所述计算机中内置有信号预处理模块、信号分段模块、缺项特征提取模块、贝叶斯线性判别分析分类模块和阈值判断模块；本装置先由多路脑电放大器对脑电图信号进行放大，然后由数据采集卡采集脑电图信号并送入计算机中，最后通过计算机内的模块分别对脑电图信号进行预处理、分段、计算缺项特征、利用贝叶斯线性判别分析分类器对脑电缺项特征进行分类、利用阈值判断对分类进行标记并获取结果。本发明专利技术装置具有以下的优点：特征运算简单，训练和分类速度快，分类准确率高。能达到较好的分类检测效果。
【技术实现步骤摘要】
本专利技术涉及一种基于缺项特征的脑电图分类检测装置，属于脑电图信号特征提取和检测
技术介绍
大脑皮层神经元活动所产生的电位变化，可以通过大脑这个容积导体，反映到大脑头皮表面。脑电图(electroencephalogram, EEG)是从颉外头皮或颉内电极记录到的脑神经元群的自发性、节律性的电活动。脑电信号含有大量的脑神经功能信息和病理信息。癫痫是一种由于大量神经元突发性异常放电，导致短暂的大脑功能障碍的慢性疾病，其特征为突发性和复杂性。癫痫发病率约为0.5% 2%，发病人群主要为青少年，其对患者身心都造成严重的伤害，严重时甚至危及生命。诊断癫痫最有效的方法是脑电图检查，主要通过专家依据经验分析脑电图信 号，长时脑电图的回放分析不仅枯燥乏味而且费时费力，不可避免的导致人为误差的出现。脑电图自动检测不仅可以大幅度的减轻医疗工作者的劳动量，同时也可以提高检测精度，但自动检测却非常困难，主要在于脑电信号是时变、非平稳和非线性的信号。例如:基于模糊规则的癫痫自动检测，检测灵敏度为68.9%，无法满足癫痫自动检测的需求(参见 A.Aarabi, R.Fazel-Rezai and Y.Aghakhani, “A fuzzy rule-basedsystem for epileptic seizure detection in intracranial EEG, ，，Clinical Neurophysiology, vol.120, pp.1648-1657，2009.)。CN1255320 (CN99124210.6)公开了一种自动确定人工神经网络识别癫痫样放电阈值的方法及装置，该方法需要确定多个网络参数和大量的样本训练，算法复杂，难于实际应用。当前脑电特征多通过小波变换、短时傅里叶变换后选取其线性特征，而忽略了脑电的非线性特征。常用的分类器如支持向量机和人工神经网络，需要大量样本训练优化分类器参数，需花费较长的训练时间，难于满足在线分类的要求。
技术实现思路
为了克服现有技术的缺陷和不足，本专利技术提出了一种基于缺项特征的脑电图分类检测装置。本专利技术的技术方案是按以下方式实现的:一种基于缺项特征的脑电图分类检测装置，包括依次电路连接的多路脑电放大器、数据采集卡、计算机，所述计算机中内置有信号预处理模块、信号分段模块、缺项特征提取模块、贝叶斯线性判别分析分类模块和阈值判断模块；本装置先由多路脑电放大器对脑电图信号进行放大，然后由数据采集卡采集脑电图信号并送入计算机中，最后通过计算机内的模块分别对脑电图信号进行预处理、分段、计算缺项特征、利用贝叶斯线性判别分析分类器对脑电缺项特征进行分类、利用阈值判断对分类进行标记；其中:所述的多路脑电放大器，对脑电图(EEG)信号进行放大；所述的数据采集卡，采集脑电图信号，并存储到计算机中；所述的信号预处理模块，对脑电图信号进行0.5-30HZ带通滤波的处理，以滤除脑电图信号中肌电信号和工频干扰；所述的信号分段模块，对带通滤波处理后的脑电图信号进行分段，将每1024个不重复的点分为一段；所述的缺项特征提取模块，对每段脑电图信号计算其缺项特征向量，缺项特征向量s计算如下:s=T，其中T是转置符号，L为导联数，I表示导联编号(1=1，2，...，L)，LA⑴是导联I脑电图信号的缺项特征；权利要求1.一种基于缺项特征的脑电图分类检测装置，其特征在于，包括依次电路连接的多路脑电放大器、数据采集卡、计算机，所述计算机中内置有信号预处理模块、信号分段模块、缺项特征提取模块、贝叶斯线性判别分析分类模块和阈值判断模块；先由多路脑电放大器对脑电图信号进行放大，然后由数据采集卡采集脑电图信号并送入计算机中，最后通过计算机内的模块分别对脑电图信号进行预处理、分段、计算缺项特征、利用贝叶斯线性判别分析分类器对脑电缺项特征进行分类、利用阈值判断对分类进行标记；其中: 所述的多路脑电放大器，对脑电图信号进行放大； 所述的数据采集卡，采集脑电图信号，并存储到计算机中； 所述的信号预处理模块，对脑电图信号进行0.5-30HZ带通滤波的处理，以滤除脑电图信号中肌电信号和工频干扰； 所述的信号分段模块，对带通滤波处理后的脑电图信号进行分段，将每1024个不重复的点分为一段； 所述的缺项特征提取模块，对每段脑电图信号计算其缺项特征向量，缺项特征向量s计算如下: s=T，其中T是转置符号，L为导联数，I表示导联编号(1=1，2，…，L)，LA⑴是导联I脑电图信号的缺项特征2.如权利要求1所述的贝叶斯线性判别分析分类模块，对缺项特征向量进行贝叶斯线性判别分析分类，得到分类输出值，其特征在于，步骤如下: ①假定贝叶斯回归中的目标值X和缺项特征向量s与叠加的高斯白噪声η线性相关:x = wTs+n，其中w为权值向量，wT中的T是转置符号，得到权值向量w的似然函数P (Ysx I β，w):全文摘要一种基于缺项特征的脑电图分类检测装置，属于脑电图自动检测
包括依次电路连接的多路脑电放大器、数据采集卡、计算机，所述计算机中内置有信号预处理模块、信号分段模块、缺项特征提取模块、贝叶斯线性判别分析分类模块和阈值判断模块；本装置先由多路脑电放大器对脑电图信号进行放大，然后由数据采集卡采集脑电图信号并送入计算机中，最后通过计算机内的模块分别对脑电图信号进行预处理、分段、计算缺项特征、利用贝叶斯线性判别分析分类器对脑电缺项特征进行分类、利用阈值判断对分类进行标记并获取结果。本专利技术装置具有以下的优点特征运算简单，训练和分类速度快，分类准确率高。能达到较好的分类检测效果。文档编号A61B5/0476GK103190904SQ20131011361公开日2013年7月10日 申请日期2013年4月3日 优先权日2013年4月3日专利技术者周卫东, 刘银霞, 袁莎莎, 马晓光 申请人:山东大学本文档来自技高网...
【技术保护点】
一种基于缺项特征的脑电图分类检测装置，其特征在于，包括依次电路连接的多路脑电放大器、数据采集卡、计算机，所述计算机中内置有信号预处理模块、信号分段模块、缺项特征提取模块、贝叶斯线性判别分析分类模块和阈值判断模块；先由多路脑电放大器对脑电图信号进行放大，然后由数据采集卡采集脑电图信号并送入计算机中，最后通过计算机内的模块分别对脑电图信号进行预处理、分段、计算缺项特征、利用贝叶斯线性判别分析分类器对脑电缺项特征进行分类、利用阈值判断对分类进行标记；其中：所述的多路脑电放大器，对脑电图信号进行放大；所述的数据采集卡，采集脑电图信号，并存储到计算机中；所述的信号预处理模块,对脑电图信号进行0.5?30Hz带通滤波的处理，以滤除脑电图信号中肌电信号和工频干扰；所述的信号分段模块，对带通滤波处理后的脑电图信号进行分段，将每1024个不重复的点分为一段；所述的缺项特征提取模块，对每段脑电图信号计算其缺项特征向量，缺项特征向量s计算如下：s=[LA(1),LA(2),...,LA(L)]T，其中T是转置符号，L为导联数，l表示导联编号（l=1,2,…,L），LA(l)是导联l脑电图信号的缺项特征；这里M(l)=Σm=ABmp(m,l),M2(l)=Σm=ABm2p(m,l),Σm=ABp(m,l)=1,A表示该段信号的最小幅度值，B表示该段信号的最大幅度值，m为后验分布的均值，p(m,l)表示在导联l上幅度值等于m的概率；所述的贝叶斯线性判别分析分类模块，对缺项特征向量进行贝叶斯线性判别分析分类，得到分类输出值；所述的阈值判断模块，将分类输出值与阈值进行比较并标记，阈值取Th=0，如果分类输出值大于阈值Th，则标记为1，分类输出值小于等于阈值Th，则标记为?1。FDA00003006247000011.jpg...
【技术特征摘要】
【专利技术属性】
技术研发人员：周卫东，刘银霞，袁莎莎，马晓光，
申请(专利权)人：山东大学，
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。