阅读说明：本技术 基于自适应模板匹配与机器学习算法融合的癫痫棘波智能检测方法 (Intelligent epileptic spike detection method based on fusion of adaptive template matching and machine learning algorithm ) 是由 王紫萌 吴端坡 冯维 于 2019-10-28 设计创作，主要内容包括：本发明提供了一种基于自适应模板匹配与机器学习算法融合的癫痫棘波智能检测方法包括：(1)脑电信号(EEG)采集：选取实验对象,使用脑电采集设备采集癫痫患者的脑电数据,建立实验数据库；(2)数据预处理：对采集到的原始EEG数据进行带通滤波得到标准EEG信号；(3)进行自适应模板匹配棘波检测：(4)基于机器学习的棘波检测方法：首先将脑电信号分割成1s长的脑电片段,然后提取每个脑电片段中的时域和频域特征,构建棘波特征向量；使用特征向量训练随机森林分类模型,得到基于机器学习的棘波检测结果。(5)检测结果融合：将步骤S3和步骤S4的检测方法融合,如果同时被S3和S4检测为棘波,则将其视为癫痫棘波。(The invention provides an intelligent epileptic spike detection method based on self-adaptive template matching and machine learning algorithm fusion, which comprises the following steps: (1) electroencephalogram (EEG) acquisition: selecting an experimental object, acquiring electroencephalogram data of an epileptic by using electroencephalogram acquisition equipment, and establishing an experimental database; (2) data preprocessing: performing band-pass filtering on the acquired original EEG data to obtain a standard EEG signal; (3) carrying out adaptive template matching spike detection: (4) the spike detection method based on machine learning comprises the following steps: firstly, segmenting a brain electrical signal into electroencephalogram segments with the length of 1s, then extracting time domain and frequency domain characteristics in each electroencephalogram segment, and constructing spike characteristic vectors; and training a random forest classification model by using the feature vectors to obtain a spike detection result based on machine learning. (5) And (3) fusing detection results: the detection methods of step S3 and step S4 are fused, and if detected as a spike by both S3 and S4, it is regarded as an epileptic spike.)

基于自适应模板匹配与机器学习算法融合的癫痫棘波智能检 测方法

技术领域

本发明涉及计算机领域，尤其涉及一种基于自适应模板匹配与机器学习算法融合的癫痫棘波智能检测方法。

背景技术

癫痫是大脑神经元突发性异常放电导致短暂的大脑功能障碍的一种慢性疾病。在全球超过六千五百万人患有癫痫病，中国的癫痫患者约有九百万人。癫痫发作具有突发性、反复性和难预测性，并且在任何年龄段都有可能发病。

脑电图(Electroencephalogram，EEG)是大脑神经元放电生成的电位信号，反映了大脑生物电的节律活动规律，且包含了大量的生理与疾病信息。在临床医学中，EEG信号处理不仅可以为某些脑疾病提供诊断依据，而且还可以为某些脑疾病提供有效的治疗手段，并在癫痫病的检测方面发挥着重要的作用。

棘波是典型的癫痫特征波形，通常被记录在脑电图中，相对于背景波形，棘波波形尖锐，具有高幅和瞬变的特性，临床上目前的癫痫检查主要是通过人眼检测识别出脑电信号的棘波。目前临床上癫痫脑电的检查主要是通过人工检测来识别脑电信号中的棘波，但其效率低、主观性强，不能保证结果的准确性，为此棘波自动检测技术近年来受到越来越多的关注。

识别棘波的方法很多，常用的是小波分析方法对癫痫脑电信号的时频特征进行小波分解，将小波系数作为机器学习分类器和神经网络的输入信号，对棘波进行检测。但由于母小波和棘波特征存在差异，分解重构得到的信号中，背景脑电抑制较差，棘波提取效果不太理想。小波变换模极大值的信号奇异点检测方法是棘波检测的另一种常用方法，但该方法仅能检测正相棘波，检测负相棘波时，产生的假阳性率较高。形态学滤波是研究棘波提取的另一途径，它基于信号的几何特征，利用预先定义的结构元素对信号进行匹配，提取出与其形态相似的信号。具有算法渐变易行、物理意义明确、实用有效等特点，能将含有复杂成分的信号分解成具有不同物理意义的部分，使信号与背景分离并保持其全局或局部的主要形态特征，但单一的开-闭(OC)或闭-开(CO)操作会导致统计偏倚现象，使得检测到的棘波与实际棘波在波形和位置上有一定的偏差。

发明内容

针对现有技术中存在的问题，本发明提供了一种基于自适应模板匹配与机器学习方法融合的癫痫棘波智能检测的方法，以提高癫痫棘波的识别率。

为实现上述目的，本发明通过以下方案实现：一种基于自适应模板匹配与机器学习算法融合的癫痫棘波智能检测方法，该方法包括以下步骤：

步骤S1：采集脑电信号，选取实验对象，建立癫痫脑电数据库，对脑电信号每个通道中的棘波进行标记；

步骤S2：对脑电信号进行预处理操作，使用5阶巴特沃斯带通滤波器去除高频分量和伪迹。

步骤S3：采用自适应模板匹配的方法进行癫痫棘波检测。

步骤S4：采用机器学习方法进行癫痫棘波检测。

步骤S5：将步骤S3和步骤S4的检测结果进行融合，得到最终的棘波检测结果。

根据本发明的一实施例，步骤S1中的采样频率为500Hz，并需要采取大量的脑电数据作为实验样本，实验体包括不同性别、不同年龄段的人。

根据本发明的一实施例，在进行自适应模板匹配棘波检测过程中，统计人工标记的棘波的上升沿斜率、下降沿斜率、幅值和持续时间等形态特征，建立通用棘波模板。

根据本发明的一实施例，在采用自适应模板匹配的方法进行癫痫棘波检测的过程中，包括：

步骤S31，统计脑电数据中棘波波形的上升沿斜率、下降沿斜率、幅值高度和持续时间等特征，定义一个通用模板；

步骤S32，设置窗口宽度为300，按时间顺序对脑电信号进行通用模板匹配操作，得到候选棘波信号；

步骤S33，对候选棘波进行K均值聚类，将候选棘波根据波形不同分成不同的类；

步骤S34，统计每个棘波聚类中候选棘波的个数，如果数目小于总候选棘波数的5％，则剔除这个类，最后将剩下的类的质心作为新的模板；

步骤S35，分别使用每个类的质心作为模板进行新的模板匹配，并将结果叠加得到棘波检测结果。

根据本发明的一实施例，在进行K均值聚类中，包括：

步骤S331：在样本集中随机选择k个样本作为初始聚类质心；

步骤S332：计算每个样本与初始质心之间的距离，根据最小距离重新分类，将每个候选棘波分到与其最近的质心的类中，得到聚类结果。

步骤S333：将得到的每个类中的样本求均值，作为下一次聚类的质心。

步骤S334：重复步骤S332和S333，直到质心位置不再发生变化，聚类结束。

根据本发明的一实施例，在采用机器学习方法进行癫痫棘波检测的过程中，包括：

步骤S41：将脑电信号分割成1s长的单通道片段，如果这个片段有棘波则标记为1，无棘波则标记为2。分别提取脑电片段的时域特征和频域特征，构建鲁棒性强的癫痫棘波特征向量。

步骤S42：随机将特征向量分成训练集和测试集，利用训练集内的多个脑电信号样本训练随机森林分类器内的多个决策树，形成随机森林模型。

步骤S43：将测试集中的数据输入到训练好的随机森林模型中，得到基于机器学习方法的棘波检测结果。

根据本发明的一实施例，在随机森林模型训练中，包括：

步骤S421：在训练样本集中有放回的抽取与训练集样本数相同的新训练集。

步骤S422：在特征向量集内随机且无回放抽样，形成待选特征向量集；

步骤S423：根据步骤S422中得到的候选特征训练集，计算每个节点的最佳***方式并对该节点进行***，不进行剪枝，直到每个叶子节点的不纯度达到规定要求，形成一棵决策树。

步骤S424：重复步骤S421到S423，直到生成所有的决策树并集成得到随机森林模型。

采用本发明的技术方案，通过自适应模板匹配与机器学习相融合进行癫痫棘波检测，从而极大提高了癫痫棘波的识别率。

附图说明

图1为本发明基于自适应模板匹配与机器学习算法融合的癫痫棘波智能检测方法的总流程图。

图2为本发明自适应模板匹配棘波检测流程图。

图3为本发明K均值聚类流程图。

图4为本发明机器学习棘波检测流程图。

图5为本发明机器学习棘波检测的随机森林模型训练流程图。

具体实施方式

脑电信号通常包含着很多关于人类疾病的生理信息，尤其在癫痫病的检测方面发挥着重要的作用。脑电信号中包含很多癫痫特征波，棘波是其中的典型波形。故为更好地进行研究，需要对癫痫脑电信号进行棘波检测。现有的棘波方法很难完整准确的确定棘波位置问题，从而大大影响对癫痫疾病的研究。有鉴于此，本实施例提供一种基于自适应模板匹配与机器学习算法融合的癫痫棘波智能检测方法。

为了使本发明的目的、实现方案和创新点更加突出，以下参照附图并结合实施例对本发明做进一步的详细说明。

图1是本发明基于自适应模板匹配与机器学习算法融合的癫痫棘波智能检测方法的总流程图，包括：

步骤S1：脑电信号采集：选取实验对象，使用脑电采集设备采集癫痫患者的脑电数据，建立实验数据库；

步骤S2：数据预处理：对采集到的原始EEG数据进行巴特沃斯带通滤波得到标准EEG信号；

步骤S3：自适应模板匹配棘波检测：首先根据癫痫棘波的波形特点定义一个通用模板，进行通用模板匹配，获得候选棘波信号；然后使用K均值算法对候选棘波进行聚类，得到若干个类；统计每个类中候选棘波的数目，如果棘波数目小于总棘波数的5％，则剔除这个类；分别使用筛选后的类中心作为新的模板进行自适应模板匹配，将所有的匹配结果相加得到棘波检测结果。

步骤S4：机器学习棘波检测：首先将脑电信号分割成1s长的脑电片段，然后提取每个脑电片段中的时域和频域特征，构建棘波特征向量；使用特征向量训练随机森林分类模型，得到基于机器学习的棘波检测结果。

步骤S5：检测结果融合：将S3棘波检测方法和S4棘波检测方法融合，如果同时被S3和S4检测为棘波，则将其视为癫痫棘波。

以下结合图1至图5详细介绍本实施例提出的基于自适应模板匹配与机器学习算法融合的癫痫棘波智能检测方法。

本实施例提供的基于自适应模板匹配与机器学习算法融合的癫痫棘波智能检测方法始于步骤S1，在该步骤中使用多导脑电图仪采集患者长程监测脑电信号，采样频率为500Hz，电极分布采用国际10-20脑电采集标准，共采集19通道脑电数据，采集大量不同性别，不同年龄的实验体的脑电信号，来获得多个脑电信号样本。经专业医生对多个脑电信号样本进行标记，将脑电信号每个通道中的棘波波形标记出来。

之后执行步骤S2，对脑电进行预处理操作。采用5阶巴特沃斯带通滤波器滤除32Hz以上、0.5Hz以下的频率分量，减少噪声和伪迹的干扰。

步骤S3将经过预处理操作后的脑电信号进行自适应模板匹配得到棘波检测结果。以下将结合图2详细介绍自适应模板匹配棘波检测方法。

首先，对脑电信号中标记出的棘波波形进行统计分析，分别得到所有标记棘波的上升沿斜率、下降沿斜率、峰值和持续时间的平均值作为标准建立一个通用模板(步骤S31)。然后设置窗口宽度为300，按时间顺序对脑电信号进行通用模板匹配操作，得到候选棘波信号(步骤S32)。对候选棘波进行K均值聚类，将候选棘波根据波形不同分成不同的类(步骤S33)。统计每个棘波聚类中候选棘波的个数，如果数目小于总候选棘波数的5％，则剔除这个类，最后将剩下的类的质心作为新的模板(步骤S34)。分别使用每个类的质心作为模板进行新的模板匹配，并将结果叠加得到棘波检测结果(步骤S35)。

如图3所示，K均值聚类的过程如下：

在n个候选棘波中随机选择k个样本作为初始聚类质心(步骤S331)。计算每个候选棘波与各初始质心之间的距离，根据最小距离重新分类，将每个候选棘波分到与其最近的质心的类中，得到聚类结果(步骤S332)。对每个聚类中的候选棘波求均值，作为下一次聚类的质心(步骤S333)。重复步骤S332和S333，直到质心位置不再发生变化或聚类次数达到要求，聚类结束，获得聚类结果(步骤S334)。在本实施例中，初始质心的数目k＝n，即每个候选棘波都作为一个质心进行聚类，最后得到n个聚类结果。

步骤S4采用机器学习的方法对经过预处理后的脑电信号进行棘波提取。以下将结合图3详细介绍机器学习棘波检测方法。

首先将每个通道的脑电信号都分割成1s长的片段，提取每个片段的多个特征参数，其中包括时域特征参数和频域特征参数，构建每个脑电片段对应的特征向量(步骤S41)。然后将特征向量分成训练集和测试集，使用训练集中的数据训练随机森林分类模型(步骤S42)。将测试集中的数据输入到随机森林模型中，经每个决策树进行投票后得到的输出结果即为棘波检测结果，可以检测出在这一片段中是否有棘波(步骤S43)。

其中步骤S41中分割得到的脑电片段记为x(n)，n＝1,2,…,N，N为脑电片段的长度，在本发明中脑电信号的采样频率为500Hz，因此N＝500。在特征提取前通过小波包变换提取节律波，因为棘波频率范围在14Hz以上，因此使用“db6”小波基函数进行信号分解与重构，获得β波和γ波，分别记为x₁(n)和x₂(n)。

所述步骤S41提取的时域特征参数包括原始脑电信号x(n)和两个节律波信号x₁(n)和x₂(n)的最小值、最大值、平均值、标准差、峰度、偏度和Hjorth参数。其中最小值Min和最大值Max分别为信号幅值的最大值，平均值Mean为脑电信号幅值趋势，公式如下：

标准差SD反映每个采样点的幅值与平均值之间的差异，公式如下：

其中x(n)为脑电信号，N为x(n)的采样点数，是x(n)中所有采样点幅值的平均值。

峰度Kur代表数据频率分布曲线的峰值水平，公式如下：

偏度Skew表示脑电信号幅值不对称程度的特征，公式如下：

Hjorth参数包含Hjorth移动性和Hjorth复杂度：

Hjorth移动性可由以下公式表示：

Hjorth复杂度可由以下公式表示：

其中

dnf_n＝x(n)-x(n-1)。

所述步骤S41提取的频域特征参数包括两个节律波的能量E_i、两个节律波能量与信号总能量比R_i。

通过小波包变换提取节律波，使用“db6”小波函数对脑电信号进行五层小波分解，获得β波和γ波，分别记为x₁(n)和x₂(n)。

两节律波能量E_i由下面公式得到：

信号总能量E_all的公式如下：

进而可以计算出节律波的能量比，R_i＝E_i/E_all，i＝1，2。

所述步骤S42是随机森林模型的训练过程，随机森林分类器包含多个决策树，它的输出类别是由所有树的结果中投票数最多的决定的。通过bootstrap重采样技术，从原训练样本集合M个样本中反复随机选取m个样本，生成新的训练样本集，再由m个个体决策树分类器生成随机森林。随机森林分类器的本质是对决策树算法的改进，将多个决策树合并在一起，每个树的建立依赖于独立随机提取的样本。森林中的每棵树都有相同的分布，分类误差取决于每棵树的分类能力及其相关性。

本文将数据集分为训练集和测试集，以下结合图5介绍随机森林模型训练过程：

步骤S421：首先，从所有的特征向量集中采取M次有放回的抽样，构成待选特征集，待选特征集中的样本数目与原始特征向量集中的样本数相同。

步骤S422：其次，从待选特征中随机选取一定数量的特征向量，选取其中的最优特征。

步骤S423：根据步骤S422中得到的候选特征训练集，计算每个节点的最佳***方式并对该节点进行***，不进行剪枝，直到每个叶子节点的不纯度达到规定要求，形成一棵决策树。

步骤S424：重复步骤S421到步骤S423，直到所有决策树都停止生长，生成随机森林。

所述步骤S43是将测试集中的脑电数据输入到随机森林模型中，经过决策树投票选择后能够得到棘波检测结果，确定棘波所在的脑电片段，进而确定棘波所在的脑电通道和时间点。

所述步骤S5首先对测试集中的数据进行自适应模板匹配，得到一个棘波检测结果。同时，将测试集输入到随机森林模型中进行分类得到棘波检测结果。然后将两种方法的结果进行融合对比，如果同时被两种方法检测为棘波，则将其视为癫痫棘波。

以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。