阅读说明：本技术 一种对精神***症及其幻听症状的脑电数据进行分析处理的方法 (Method for analyzing and processing electroencephalogram data of schizophrenia and auditory hallucinations thereof ) 是由 林小东 陈策 禚传君 于 2020-06-22 设计创作，主要内容包括：本发明涉及医学信号处理领域,公开了一种对精神分裂症及其幻听症状的脑电数据进行分析处理的方法,基于多频段小波包熵的不对称率提取特征,对精神分裂症幻听症状、精神分裂症非幻听症状、多疑、抑郁、易冲动、易焦虑、正常状态下脑电信号构建多分类器系统,并最终可以输出待检测脑电信号的幻听症状所属概率值,得到决策建议,该系统包含一般预处理流程、数据提取流程、模型搭建和分类预测输出,交互界面可以实现自定义预处理、信号分段选择处理和数据分析的功能。本发明能够利用独立个体的脑电信号预测精神分裂症幻听症状和多种精神性疾病状况,具有实际应用意义。(The invention relates to the field of medical signal processing, and discloses a method for analyzing and processing electroencephalogram data of schizophrenia and auditory hallucinations thereof. The method can predict the auditory hallucination symptoms of schizophrenia and various psychogenic disease conditions by utilizing the electroencephalogram signals of independent individuals, and has practical application significance.)

一种对精神***症及其幻听症状的脑电数据进行分析处理的 方法

技术领域

本发明属于医学信号处理领域，特别涉及一种对精神***症及其幻听症状的脑电数据进行分析处理的方法。

背景技术

目前，精神性疾病的脑电信号在关于大脑活动的基础研究和临床应用中发挥着越来越重要的作用。当前对脑电信号的研究方法主要分为线性方法和非线性分析，线性方法包括时域分析、频域分析和是频域分析，时域分析主要以波形特征为主导，只能反映脑电信号在时间域上的分辨率，频域分析主要通过时频变换，将脑电信号转换为脑电功率信息，探索其随频率的变化情况与节律分布情况，时频域分析方法的典型代表是小波分析，其可以在时域和频域内同时对脑电信号进行处理，脑电信号的非线性分析方法常有关联维、李雅普诺夫指数和基于熵的分析方法等。

由于脑电信号是一种时变、非平稳的非线性动力学信号，线性分析方法不能有效提取脑电数据特征，具有一定的局限性，基于信息论的脑电非线性分析方法中，小波包熵是其中一种有效的特征提取方式，小波包熵基于小波包变换，小波包变换能够提取出节律信号，并达到比小波变换更好的频率分辨率，对信号的稳定性几乎没有要求，脑电信号通过小波包分解，得到不同节律信号，通过能谱计算其谱熵，可以反映脑电信号功率谱的集中或分散程度，有效提取脑电各节律并估计其局域复杂性。

精神病性疾病包含亚类繁多，大量研究只针对个别症状进行脑电分析，具有实际应用上的局限性，搭建针对多种表现的精神病性疾病的多分类预测模型，具有深刻的研究意义和广泛的应用价值。

发明内容

本发明的目的在于提供一种对精神***症及其幻听症状的脑电数据进行分析处理的方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种对精神***症及其幻听症状的脑电数据进行分析处理的方法，包括步骤：

采集脑电数据；

对采集到的数据进行预处理；

获取个体所有导联的分段脑电信号多尺度小波能谱；

求取各导联间的不对称率，得到个体分段脑电信号的特征模式向量；

根据分段脑电信号的特征模式向量构建基于小波包熵的分类器；

使用分类器对具有幻听、非幻听的精神***症患者或精神性疾病的脑电信号进行分析、预测。

作为本发明再进一步的方案：所述预处理包括：电极定位；重参考；伪迹矫正；滤波；分段；删除错误被试、删除和重建坏导；去除伪迹；去除坏段；基线矫正与标准化。

作为本发明再进一步的方案：所述获取个体所有导联的分段脑电信号多尺度小波能谱包括：

对个体的分段脑电信号逐导联进行小波包分解，得到一个多层分解树；

对树中结点进行小波包熵的计算，得到多尺度小波能谱。

作为本发明再进一步的方案：对脑电信号数据进行小波包分解，以获取不同频段的信息。

作为本发明再进一步的方案：所述求取各导联间的不对称率包括：

个体分段脑电数据中包含多导联信号，其中一半导联来自左半脑，一半导联来自右导联；

利用左右半脑各导联的组合求取不对称率作为特征值，构成脑电信号的特征模式向量。

作为本发明再进一步的方案：所述基于分类正确率最大化准则构建多分类器模型。

作为本发明再进一步的方案：不同个体的脑电特征模式向量相似性或差异性可以用任何欧式距离度量。

作为本发明再进一步的方案：多分类器基于精神***症幻听患者、精神***症非幻听患者、多疑、抑郁、易冲动、易焦虑、正常对照数据进行训练调试。

作为本发明再进一步的方案：所述对测试个体脑电信号信息预测分析，得到精神病性疾病特征及精神***症幻听特征与分类信息。

与现有技术相比，本发明的有益效果是：该系统包含一般预处理流程、数据提取流程、模型搭建和分类预测输出，交互界面可以实现自定义预处理、信号分段选择处理和数据分析的功能，本发明能够利用独立个体的脑电信号预测精神***症幻听症状和多种精神性疾病状况，具有实际应用意义。

具体实施方式

下面详细说明本发明技术方案中所涉及的各个细节问题。应指出的是，所描述的实施例仅旨在便于对本发明的理解，而不起任何限定作用。

本发明采集多导联脑电信号数据，每个个体的脑电数据是一个包括导联信息(1维)与时间信息(1维)的2维信号；

脑电信号的采集在具有多导联电极帽的脑电信号采集仪器上完成；

采集的具体参数无特殊要求，采样时间最好在2-4分钟，数据采集过程中被试尽量保持头部不动。

对脑电数据进行预处理，其步骤主要包括：电极定位；重参考；对连续数据进行伪迹矫正；滤波；分段；删除错误被试、删除和重建坏导；去除伪迹；去除坏段；基线矫正与标准化。

本发明中预处理后的脑电信号为分段信号，即同一个体的脑电数据被划分为多个等长的多导联信号，扩增数据量，并且具有动态特性；

对分段信号的每一个导联数据进行小波包分解；

小波包变换可以将非平稳信号分解为不同尺度基小波的加权和，且能够保证高频段较高的频率分辨率；

小波包函数表示为：

其中为ψ(t)母小波，h(t)、g(k)为权重系数。

第j和j+1级的递归关系为：

小波系数为：

由此，可以将脑电信号表示为多个小波包集，其对应不同的频率范围，可以根据实际需要进行改变。

利用小波包节点定义脑电信号分量

中的能量为：

脑电信号总能量为：

定义特定频段(信号子带)的能量为E_s，其为所包含信号分量的能量之和，对其归一化后表示为：

最终定义小波包熵为：

S_wp＝-∑p_sln[p_s]

因此，假设一个个体的脑电信号表示为P(导联数)×M(分段短时窗内信号数)×N(分段数)，那么其小波包熵特征为P(导联数)×N(分段数)，每段数据中的导联来自于左、右半脑信号，假设其中3导来自左半脑(A1，A2，A3)，3导来自右半脑(B1，B2，B3)，按照左右半脑的排列组合(A1，B1)，(A1，B2)，(A1，B3)，(A2，B1)，(A2，B2)，(A2，B3)，(A3，B1)，(A3，B2)，(A3，B3)，求取小波包熵值的不对称率rate为：

其中R表示来自右半脑导联，L表示来自左半脑导联。

本发明用以建模的数据为16导联脑电信号，左右半脑各8导联，因此可以得到64个特征值构成对应数据段某一频段内信号的特征向量，不同频段重复计算小波包熵和不对称率，得到其对应的特征向量；

最终独立个体的分段脑电信号可以用这个F(频段数)×64向量来表示。

基于模式识别的分类器搭建最优多分类模型，其训练过程中将多频段的特征向量拉直成一维特征向量，输入到分类器中；考虑到特征维数对分类器的影响，本发明实现过程中采用主成分分析方法降维，并确保所选成分的贡献率达到99％；随后利用支持向量机(SVM)对训练个体的分段数据进行多类别训练；

SVM核函数可以选择径向基核函数、线性核函数等定义距离度量，输出为后验概率值和分类标签；

分类器的分类结果通过相应参数的选择，并在数据集上进行十折交叉验证确定，产生多分类器，分类标签为精神***症幻听数据、精神***症非幻听数据、多疑、抑郁、易冲动、易焦虑和正常对照数据。

对于新测试数据，首先通过预处理得到待预测脑电信号的分段数据，然后将所有分段数据依次通过搭建好的多分类器模型系统进行预测；

由于测试数据包含多个分段结果，其分类器也产生多个分段预测情况，对所有预测结果进行统计分析；

最终系统输出得到分段信号所属各类别的概率值以及top2决策建议，实际应用中可以对不同分段预测结果进行综合考虑，并对独立个体的精神病性症状进行预测。

以上所述的，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。