一种区分脑电眨眼伪迹与额极痫样放电的智能分类方法
阅读说明：本技术 一种区分脑电眨眼伪迹与额极痫样放电的智能分类方法 (Intelligent classification method for distinguishing electroencephalogram blink artifact and frontal epilepsy-like discharge ) 是由 曹九稳 王建辉 崔小南 郑润泽 蒋铁甲 高峰 于 2021-08-19 设计创作，主要内容包括：本发明公开了一种区分脑电眨眼伪迹与额极痫样放电的智能分类方法,首先对脑电EEG信号进行滤波处理与信号切割；然后对处理后的脑电EEG信号进行平滑非线性能量算子(SNEO)信号变换与变分模态提取(VME)信号变换得到SNEO数据集和VME数据集；然后对三个数据集对应的信号进行20维特征提取；再通过K-means算法进行二分类无监督聚类,构建无监督分类模型；最后通过建立的无监督分类模型实现眨眼伪迹与痫样放电信号的分类。本发明既克服包含痫样放电信号背景下眨眼伪迹检测精度低的困难,又可以解决现有模型忽略痫样放电的问题,还能够实现眨眼伪迹与额极痫样放电的精准自动化分类。(The invention discloses an intelligent classification method for distinguishing electroencephalogram blink artifact and frontal epilepsy-like discharge, which comprises the steps of firstly carrying out filtering processing and signal cutting on electroencephalogram EEG signals; then, carrying out Smooth Nonlinear Energy Operator (SNEO) signal transformation and Variational Mode Extraction (VME) signal transformation on the processed EEG signals to obtain an SNEO data set and a VME data set; then, 20-dimensional feature extraction is carried out on signals corresponding to the three data sets; carrying out two-classification unsupervised clustering through a K-means algorithm to construct an unsupervised classification model; and finally, classifying the blink artifact and the seizure discharge signal through the established unsupervised classification model. The method not only overcomes the difficulty of low detection precision of the blinking artifact under the background containing the epileptic-like discharge signal, but also can solve the problem that the epileptic-like discharge is neglected by the existing model, and can realize accurate automatic classification of the blinking artifact and the frontal epileptic-like discharge.)
技术领域
本发明属于脑电信号处理及智慧医疗领域，针对包含额极痫样放电的强噪声脑电信号，涉及一种基于K均值(K-means)无监督聚类算法并融合多类信号多维特征表示的分类方法。在癫痫脑电分析与伪迹滤除领域，额极痫样放电与眨眼伪迹的有效区分至关重要。本发明是基于痫样放电背景下的EEG数据的痫样放电信号与眨眼伪迹信号的自动化分类方法。
背景技术
脑电图(EEG)是脑神经细胞的电生理活动在大脑皮层或头皮表面的总体反应，包含了丰富的脑部活动信息，被广泛的应用于脑机接口(BCI)、心理学、脑中枢神经系统疾病辅助诊断(如脑卒中、癫痫、脑炎、代谢性脑病变)等领域。眨眼伪迹在脑电采集过程中具有不可避免性，因此脑电伪迹的检测是后续脑电分析与信号分析中至关重要的环节。然而，在癫痫辅助检测与分析研究中，癫痫患者背景下的痫样放电信号波形与眨眼引起的脑电伪迹十分相似，并且两者的出现位置也具有高度一致性，均集中在脑电前额通道，这往往对眨眼伪迹信号检测产生巨大干扰。目前传统的眨眼伪迹检测方法通常会忽略眨眼伪迹与额极痫样放电高度相似性这一关键问题，仅仅关注眨眼伪迹的识别而忽视痫样放电信号与眨眼伪迹信号的分类，因此在额叶癫痫患者的脑电图中传统的眨眼伪迹检测模型就会失效。针对这个问题，本发明提出了一种针对包含额极痫样放电的强噪声脑电信号的融合多类信号多维特征表示的分类方法，实现了基于K-means算法的眨眼伪迹与痫样放电信号的自动化精准分类。
发明内容
针对现有技术中存在的不足，本发明提供一种区分脑电眨眼伪迹与额极痫样放电的智能分类方法。
本发明针对额叶癫痫患者脑电信号中包含大量痫样放电信号并与眨眼伪迹相似度高、难以区分这一特点，利用多种信号变换方法提出了可以在少数通道下实现的多维特征表示方法，并结合K-means算法构建了眨眼伪迹和额极痫样放电信号的精准分类模型。
本发明的技术方案主要包括如下步骤：
步骤1、对脑电EEG信号进行滤波处理与信号切割。
步骤2、对步骤1处理后的脑电EEG信号进行平滑非线性能量算子(SNEO)信号变换与变分模态提取(VME)信号变换得到SNEO数据集和VME数据集。
步骤3、对三个数据集对应的信号进行20维特征提取。
步骤4、通过K-means算法进行二分类无监督聚类，构建无监督分类模型。
步骤5、通过建立的无监督分类模型实现眨眼伪迹与痫样放电信号的分类。
所述步骤1，具体步骤如下：
将21通道、1000Hz的原始脑电EEG信号进行滤波处理。每通道分别经过50Hz陷波滤波器和0.5-30Hz带通滤波器，得到滤波信号；由于眨眼伪迹与痫样放电信号主要影响第1通道(Fp1通道)和第2通道(Fp2通道)，故后续脑电信号仅使用前两通道。由于眨眼伪迹电位信号和额极痫样放电信号持续时间均在1s以内，故采用滑动窗口方法对滤波数据进行切割，窗口大小设置为1s，步长为0.5s。由此得到切割信号，所有的切割信号组成完整的样本数据集，假设样本数据集信号个数为T。
所述步骤2，具体步骤如下：
假设样本数据集中每个信号为S2*1000，Si(i＝1，2)表示第i个通道的所有数据，N表示数据长度。
2-1通过如下公式计算样本数据集所有信号的第i个通道Si的对应的SNEO信号，记为ESi：
ESi(t)＝ω(t)*(Si(t)*Si(t)-Si(t-1)*Si(t+1))
式中ω(t)表示窗函数，ESi(t)表示ESi的第t个数据。然后将所有SNEO信号组成完整的SNEO数据集，SNEO数据集内信号个数为T。
2-2通过如下公式计算样本数据集所有信号的第i个通道Si的对应的VME信号，记为VSi：
式中a表示紧凑系数，ωd表示期望模态的中心频率近似值，m表示迭代系数，λ表示上升系数，VSi(t)表示VSi的第t个数据，VSi(0)为0。然后将所有VME信号组成完整的VME数据集，VME数据集内信号个数为T。
所述步骤3，具体步骤如下：
3-1计算脑电样本的多维多通道特征，其中主要包括：
1)计算样本数据集中每个信号的通道1(Fp1通道)和通道2(Fp2通道)分别的单调递增部分斜率最大值MSMI1(maximum value of the slope of the monotonicincreasing part of channel 1)和MSMI2(maximum value of the slope of themonotonic increasing part of channel 2)、超过给定阈值的单调递增部分斜率计数SCMI1(slope count of monotonic increasing part over threshold of channel 1)和SCMI2(slope count of monotonic increasing part over threshold of channel 2)
2)计算SNEO信号数据集中每个信号的通道1(Fp1通道)和通道2(Fp2通道)分别的单调递增部分斜率最大值MSSN1(maximum value of the slope of the monotonicincreasing part of SNEO of channel 1)和MSSN2(maximum value of the slope ofthe monotonic increasing part of SNEO of channel 2)、超过给定阈值的单调递增部分斜率计数SCSN1(slope count of monotonic increasing part over threshold ofSNEO of channel 1)和SCSN2(slope count of monotonic increasing part overthreshold of SNEO of channel 2)
3)计算VME数据集中每个信号的通道1(Fp1通道)和通道2(Fp2通道)分别的第一差值绝对平均值AAF1(average of the absolute value of the first difference ofchannel 1)和AAF2(average of the absolute value of the first difference ofchannel 2)、第一差值绝对最大值MAF1(maximum value of the absolute value of thefirst difference of channel 1)和MAF2(maximum value of the absolute value ofthe first difference of channel 2)、第二差值绝对平均值AAS1(average of theabsolute value of the second difference of channel 1)和AAS2(average of theabsolute value of the second difference of channel 2)、第二差值绝对最大值MAS1(maximum value of the absolute value of the second difference of channel 1)和MAS2(maximum value of the absolute value of the second difference of channel2)、单调递增部分斜率平均值ASMI1(average value of the slope of the monotonicincreasing part of channel 1)和ASMI2(average value of the slope of themonotonic increasing part of channel 2)、单调递增部分斜率最大值MSVM1(maximumvalue of the slope of the monotonic increasing part of VME of channel 1)和MSVM2(maximum value of the slope of the monotonic increasing part of VME ofchannel 2)
以上共20维特征。
3-2通过如下公式计算原始数据集中的信号第i通道的单调递增部分斜率g：
式中scv代表信号单调递增部分计数值。
3-3利用3-2分别计算样本数据集信号的通道1和通道2的单调递增部分斜率序列分别为SMIO1和SMIO2、SNEO数据集信号的通道1和通道2的单调递增部分斜率序列分别为SMIS1和SMIS2、VME数据集信号的通道1和通道2的单调递增部分斜率序列分别为SMIV1和SMIV2。
3-4通过如下公式计算样本数据集信号的单调递增部分斜率最大值MSMI1和MSMI2：
MSMI1＝max(SMIO1)，MSMI2＝max(SMIO2)
式中max()表示取最大值。
3-5通过如下公式计算样本数据集信号的超过给定阈值的单调递增部分斜率计数SCMI1和SCMI2：
SCMI1＝count(SMIO1＞k1)，SCMI2＝count(SMIO2＞k2)
式中k1和k2分别表示原始数据集信号第1通道和第2通道的设定阈值，count()表示取计数值。
3-6通过如下公式计算SNEO数据集信号的单调递增部分斜率最大值MSSN1和MSSN2：
MSSN1＝max(SMIS1)，MSSN2＝max(SMIS2)
3-7通过如下方法计算SNEO数据集信号的超过给定阈值的单调递增部分斜率计数SCSN1和SCSN2：
SCSN1＝count(SMIS1＞k3)，SCSN2＝count(SMIS2＞k4)
式中k3和k4分别表示SNEO数据集信号第1通道和第2通道的设定阈值。
3-8通过如下公式计算VME数据集信号的第一差值绝对平均值AAF1和AAF2：
3-9通过如下公式计算VME数据集信号的第一差值绝对最大值MAF1和MAF2：
MAF1＝max(|ES1(i+1)-ES1(i)|)
MAF2＝max(|ES2(i+1)-ES2(i)|)
其中i＝1，2，...，N-1。
3-10通过如下公式计算VME数据集信号的第二差值绝对平均值AAS1和AAS2：
3-11通过如下公式计算VME数据集信号的第二差值绝对最大值MAS1和MAS2：
MAS1＝max(|ES1(i+2)-ES1(i)|)
MAS2＝max(|ES2(i+2)-ES2(i)|)
式中i＝1，2，...，N-2。
3-12通过如下公式计算VME数据集信号的单调递增部分斜率平均值ASMI1和ASMI2：
式中VL1表示SMIV1序列长度，VL2表示SMIV2序列长度，SMIV1(i)表示SMIV1序列的第i个元素，SMIV2(i)表示SMIV2序列的第i个元素。
3-13通过如下公式计算VME数据集信号的单调递增部分斜率最大值MSVM1和MSVM2：
MSVM1＝max(SMIV1)，MSVM2＝max(SMIV2)
3-14三个数据集的样本总数均为T，对长度为N的信号，原始数据集提取4维特征，SNEO数据集提取4维特征，VME数据集提取12维特征，因此步骤3-2至3-13共提取20维特征提取，构成T*20的特征向量FVs。
所述步骤4，具体步骤如下：
4-1利用步骤3得到的特征向量FVs结合K-means算法进行二分类的无监督聚类，得到无监督分类模型。
本发明有益效果如下
本发明针对癫痫患者的痫样放电信号波形与眨眼引起的脑电伪迹十分相似，并且两者的出现位置也具有高度一致性的问题，面对绝大多数眨眼伪迹检测模型忽略痫样放电信号的现状，本发明提出了一种针对包含额极痫样放电的强噪声脑电信号的融合多类信号多维特征表示的结合K-means算法的分类模型，这既克服包含痫样放电信号背景下眨眼伪迹检测精度低的困难，又可以解决现有模型忽略痫样放电的问题，还能够实现眨眼伪迹与额极痫样放电的精准自动化分类。
附图说明
图1本发明的方法示意框图；
图2本发明的方法流程图；
图3本发明针对眨眼伪迹和痫样放电信号的原始信号、SNEO信号和VME信号的对比图；
具体实施方式
下面结合附图和具体实施方式对本发明作详细说明。
如图1、图2和图3所示，基于多信号多维特征表示的眨眼伪迹与额极痫样放电信号的分类方法的实现步骤在发明内容内已有详细的介绍，即本发明的技术方案主要包括如下步骤：
步骤1、对脑电EEG信号进行滤波处理与信号切割。
步骤2、对步骤1处理后的脑电EEG信号进行平滑非线性能量算子(SNEO)信号变换与变分模态提取(VME)信号变换得到SNEO数据集和VME数据集。
步骤3、对三个数据集对应的信号进行20维特征提取。
步骤4、通过K-means算法进行二分类无监督聚类，构建无监督分类模型。
步骤5、通过建立的无监督分类模型实现眨眼伪迹与痫样放电信号的分类。
所述步骤1，具体步骤如下：
将21通道、1000Hz的原始脑电EEG信号进行滤波处理。每通道分别经过50Hz陷波滤波器和0.5-30Hz带通滤波器，得到滤波信号；由于眨眼伪迹与痫样放电信号主要影响第1通道(Fp1通道)和第2通道(Fp2通道)，故后续脑电信号仅使用前两通道。由于眨眼伪迹电位信号和额极痫样放电信号持续时间均在1s以内，故采用滑动窗口方法对滤波数据进行切割，窗口大小设置为1s，步长为0.5s。由此得到切割信号，所有的切割信号组成完整的样本数据集，假设样本数据集信号个数为T。
所述步骤2，具体步骤如下：
假设样本数据集中每个信号为S2*1000，Si(i＝1，2)表示第i个通道的所有数据，N表示数据长度。
2-1通过如下公式计算样本数据集所有信号的第i个通道Si的对应的SNEO信号，记为ESi：
ESi(t)＝ω(t)*(Si(t)*Si(t)-Si(t-1)*Si(t+1))
式中ω(t)表示窗函数，ESi(t)表示ESi的第t个数据。然后将所有SNEO信号组成完整的SNEO数据集，SNEO数据集内信号个数为T。
2-2通过如下公式计算样本数据集所有信号的第i个通道Si的对应的VME信号，记为VSi：
式中a表示紧凑系数，ωd表示期望模态的中心频率近似值，m表示迭代系数，λ表示上升系数，VSi(t)表示VSi的第t个数据，VSi(0)为0。然后将所有VME信号组成完整的VME数据集，VME数据集内信号个数为T。
所述步骤3，具体步骤如下：
3-1计算脑电样本的多维多通道特征，其中主要包括：
1)计算样本数据集中每个信号的通道1(Fp1通道)和通道2(Fp2通道)分别的单调递增部分斜率最大值MSMI1(maximum value of the slope of the monotonicincreasing part of channel 1)和MSMI2(maximum value of the slope of themonotonic increasing part of channel 2)、超过给定阈值的单调递增部分斜率计数SCMI1(slope count of monotonic increasing part over threshold of channel 1)和SCMI2(slope count of monotonic increasing part over threshold of channel 2)
2)计算SNEO信号数据集中每个信号的通道1(Fp1通道)和通道2(Fp2通道)分别的单调递增部分斜率最大值MSSN1(maximum value of the slope of the monotonicincreasing part of SNEO of channel 1)和MSSN2(maximum value of the slope ofthe monotonic increasing part of SNEO of channel 2)、超过给定阈值的单调递增部分斜率计数SCSN1(slope count of monotonic increasing part over threshold ofSNEO of channel 1)和SCSN2(slope count of monotonic increasing part overthreshold of SNEO of channel 2)
3)计算VME数据集中每个信号的通道1(Fp1通道)和通道2(Fp2通道)分别的第一差值绝对平均值AAF1(average of the absolute value of the first difference ofchannel 1)和AAF2(average of the absolute value of the first difference ofchannel 2)、第一差值绝对最大值MAF1(maximum value of the absolute value of thefirst difference of channel 1)和MAF2(maximum value of the absolute value ofthe first difference of channel 2)、第二差值绝对平均值AAS1(average of theabsolute value of the second difference of channel 1)和AAS2(average of theabsolute value of the second difference of channel 2)、第二差值绝对最大值MAS1(maximum value of the absolute value of the second difference of channel 1)和MAS2(maximum value of the absolute value of the second difference of channel2)、单调递增部分斜率平均值ASMI1(average value of the slope of the monotonicincreasing part of channel 1)和ASMI2(average value of the slope of themonotonic increasing part of channel 2)、单调递增部分斜率最大值MSVM1(maximumvalue of the slope of the monotonic increasing part of VME of channel 1)和MSVM2(maximum value of the slope of the monotonic increasing part of VME ofchannel 2)
以上共20维特征。
3-2通过如下公式计算原始数据集中的信号第i通道的单调递增部分斜率g：
式中scv代表信号单调递增部分计数值。
3-3利用公式3-2分别计算样本数据集信号的通道1和通道2的单调递增部分斜率序列分别为SMIO1和SMIO2、SNEO数据集信号的通道1和通道2的单调递增部分斜率序列分别为SMIS1和SMIS2、VME数据集信号的通道1和通道2的单调递增部分斜率序列分别为SMIV1和SMIV2。
3-4通过如下公式计算样本数据集信号的单调递增部分斜率最大值MSMI1和MSMI2：
MSMI1＝max(SMIO1)，MSMI2＝max(SMIO2)
式中max()表示取最大值。
3-5通过如下公式计算样本数据集信号的超过给定阈值的单调递增部分斜率计数SCMI1和SCMI2：
SCMI1＝count(SMIO1＞k1)，SCMI2＝count(SMIO2＞k2)
式中k1和k2分别表示原始数据集信号第1通道和第2通道的设定阈值，count()表示取计数值。
3-6通过如下公式计算SNEO数据集信号的单调递增部分斜率最大值MSSN1和MSSN2：
MSSN1＝max(SMIS1)，MSSN2＝max(SMIS2)
3-7通过如下方法计算SNEO数据集信号的超过给定阈值的单调递增部分斜率计数SCSN1和SCSN2：
SCSN1＝count(SMIS1＞k3)，SCSN2＝count(SMIS2＞k4)
式中k3和k4分别表示SNEO数据集信号第1通道和第2通道的设定阈值。
3-8通过如下公式计算VME数据集信号的第一差值绝对平均值AAF1和AAF2：
3-9通过如下公式计算VME数据集信号的第一差值绝对最大值MAF1和MAF2：
MAF1＝max(|ES1(i+1)-ES1(i)|)
MAF2＝max(|ES2(i+1)-ES2(i)|)
其中i＝1，2，...，N-1。
3-10通过如下公式计算VME数据集信号的第二差值绝对平均值AAS1和AAS2：
3-11通过如下公式计算VME数据集信号的第二差值绝对最大值MAS1和MAS2：
MAS1＝max(|ES1(i+2)-ES1(i)|)
MAS2＝max(|ES2(i+2)-ES2(i)|)
式中i＝1，2，...，N-2。
3-12通过如下公式计算VME数据集信号的单调递增部分斜率平均值ASMI1和ASMI2：
式中VL1表示SMIV1序列长度，VL2表示SMIV2序列长度，SMIV1(i)表示SMIV1序列的第i个元素，SMIV2(i)表示SMIV2序列的第i个元素。
3-13通过如下公式计算VME数据集信号的单调递增部分斜率最大值MSVM1和MSVM2：
MSVM1＝max(SMIV1)，MSVM2＝max(SMIV2)
3-14三个数据集的样本总数均为T，对长度为N的信号，原始数据集提取4维特征，SNEO数据集提取4维特征，VME数据集提取12维特征，因此步骤3-2至3-13共提取20维特征提取，构成T*20的特征向量FVs。
所述步骤4，具体步骤如下：
4-1利用步骤3得到的特征向量FVs结合K-means算法进行二分类的无监督聚类，得到无监督分类模型。
为了达到更好的眨眼伪迹和额极痫样放电信号的精准分类效果，以下将从实际应用时参数的选择与设计方面展开介绍，以作为该发明用于其他应用的参考:
本方法在处理脑电EEG信号时，设置输入数据长度为1秒，数据的重叠率设为50％。步骤3-2至3-13提取的20维特征包含了区别眨眼伪迹与痫样放电信号的最主要信息，最后采用的K-means算法设置参数K为2。
为了真实测试本发明对眨眼伪迹和额极痫样放电的分类效果，在浙江大学医学院附属儿童医院真实病患EEG数据上进行测试实验：
实验数据为21通道，采样频率为1000Hz，数据共分为5个不同患病个体，平均数据长度为20分钟。ChongYehSai等人在2018年提出的Wavelet-ICA-SVM算法在数据集上的精度(accuracy)分别为71.46％、65.20％、60.16％、66.34％、61.54％，本发明在不同数据集上的精度分别为99.68％、98.81％、84.70％、98.30％和88.48％，本发明相对于对比算法平均精度提高了29.05％，这充分证明了本发明在真实数据上的优异性能。
本发明的提出可用于解决临床上癫痫患者额极痫样放电背景下眨眼伪迹难以识别的问题，通过信号变换与多维特征表示得到特征向量，结合K-means聚类模型能够达到精准地分类眨眼伪迹与额极痫样放电信号。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种人体抗视觉眩晕能力评测与训练系统