CN105956623A - 一种基于模糊熵的癫痫脑电信号分类方法 - Google Patents

Abstract

本发明公开了一种基于模糊熵的癫痫脑电信号分类方法，对发作间歇期脑电信号和发作期脑电信号进行模糊熵值分析；通过特征选择提取出反应信号特性的对应电极下的模糊熵作为输入特征；将经过筛选后的对应电极下的模糊熵作为输入特征对癫痫EEG信号进行分类检测。本发明包括特征计算，特征提取和分类模块，特征计算与提取模块采用模糊熵最发作期脑电和发作间歇期脑电信号进行分析，并选取KS检验差异大的电极作为特征输入，分类模块利用支持向量机对癫痫EEG信号进行分类检测，支持向量机算法将问题转化为二分类问题，减低了计算复杂度，同时具有良好的实时性，可以用于癫痫的检测与预警，有很高的敏感性，特异性和准确率。

Description

一种基于模糊熵的癫痫脑电信号分类方法

技术领域

本发明属于非线性生理信号处理技术领域，尤其涉及一种基于模糊熵的癫痫脑电信号分类方法。

背景技术

熵作为一种非线性指标，反映了***的混乱程度，可以很好地揭示大脑的混沌行为，近年来已经被广泛应用于脑电(Electroencephalogram，EEG)信号分析中。研究人员在不同领域提出了不同熵的概念，样本熵(Sample Entropy，SampEn)、近似熵(ApproximateEntropy，ApEn)、小波熵(Wavelet entropy，WE)、多尺度熵(Multiscale entropy，MSE)、排列熵(Permutation entropy，PE)等。这些指标均被不同程度地用于基于脑电信号的认知分析、精神状态分析以及睡眠状态分析等，熵在脑电信号分析中有很好的应用前景。癫痫是一种常见的神经***疾病，属慢性疾病，以大脑神经细胞群反复超同步放电引起的发作性、突然性、短暂性脑功能紊乱为特征，常常会影响患者的生活及工作。癫痫发病率较高，世界上大概有1％的人患有癫痫。EEG是癫痫研究的一种主要手段，熵被广泛用于检测癫痫发作的不同时期(发作间歇期、发作期)。

发明内容

本发明的目的在于提供一种基于模糊熵的癫痫脑电信号分类方法，旨在实现癫痫EEG信号的自动检测。

本发明是这样实现的，一种基于模糊熵的癫痫脑电信号分类方法，所述基于模糊熵的癫痫脑电信号分类方法包括：

首先对发作间歇期脑电信号和发作期脑电信号进行模糊熵值分析；

其次通过特征选择提取出反应信号特性的对应电极下的模糊熵作为输入特征；

最后将经过筛选后的对应电极下的模糊熵作为输入特征对癫痫EEG信号进行分类检测。使用该癫痫自动检测方法可实现从记录到的头皮电极EEG数据中自动检测到癫痫疾病的发作，并且具有极高的准确率、敏感性和特异性。

步骤一，对脑电信号进行模糊熵值分析时，根据数据的采样频率，每段长度取1s的数据。

步骤二，对脑电信号进行模糊熵值分析的步骤，选取的嵌入维数为2，时间延迟为1，同时选取r＝0.25*std。

步骤三，对所有被试所有通道的发作与发作期间歇期的熵值，采用K-S双样本检验来筛选存在显著性差异的电极。

步骤四，利用选定电极下的模糊熵作为样本输入对癫痫EEG信号进行分类检测的步骤，选用支持向量机算法将发作状态检测转换为二分类问题。

步骤五，利用选定电极下的模糊熵作为样本输入对癫痫EEG信号进行分类检测的步骤，支持向量机所选用的核函数为RBF核函数。

步骤七，利用选定电极下的模糊熵作为样本输入对癫痫EEG信号进行分类检测的步骤中，采用10折交叉验证来验证分类性能，即将样本集随机地分成10个互不相交的子集,每个子集包含的样本数量大致相等；利用9个训练子集进行分类模型的训练，采用网格搜索方法确定SVM模型中核函数的最佳参数，利用剩下的一个子集验证分类模型的性能；以上过程重复10次，每个子集都有机会进行测试，根据10次迭代后得到的均方差的平均值来估计期望泛化误差，最后选择一组最优的参数。

本发明的另一目的在于提供一种所述基于模糊熵的癫痫脑电信号分类方法的癫痫脑电信号分类***，所述癫痫脑电信号分类***包括：

特征计算与提取模块，采用模糊熵最发作期脑电和发作间歇期脑电信号进行分析，并选取KS检验差异大的电极作为特征输入；

分类模块，利用支持向量机对癫痫EEG信号进行分类检测。

本发明提供的基于模糊熵的癫痫脑电信号分类方法，包括特征计算，特征提取和分类模块。其中特征计算与提取模块采用模糊熵对癫痫发作期和发作间歇期的脑电信号进行分析，并选取KS非参数检验差异大电极的模糊熵值作为分类器的特征输入向量。分类模块利用支持向量机SVM对癫痫EEG信号进行分类检测，该方法器的优点是可使得低维度中的线性不可分问题转为高维度上的线性可分问题，同时具有良好的实时性，适合可以用于癫痫的检测与预警。本发明提出的癫痫自动检测方法在美国波士顿儿童医院的22例儿童头皮癫痫EEG数据上进行了验证，平均分类准确率、敏感性和特异性分别达到了98.31％，98.27％和98.36％，具有极大的应用与推广价值。

附图说明

图1是本发明实施例提供的基于模糊熵的癫痫脑电信号分类方法流程图。

图2是本发明实施例提供的模糊熵作为特征输入SVM的准确率的示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

下面结合附图对本发明的应用原理作详细的描述。

如图1所示，本发明实施例的基于模糊熵的癫痫脑电信号分类方法包括以下步骤：

S101：对发作间歇期脑电信号和发作期脑电信号进行模糊熵值分析；

S102：通过特征选择提取出反应信号特性的对应电极下的模糊熵作为输入特征；

S103：将经过筛选后的对应电极下的模糊熵作为输入特征对癫痫EEG信号进行分类检测。

下面结合实验对本发明的应用原理作进一步的描述。

本实验以美国麻省理工学院提供的MIT-BIH数据库中的儿童癫痫数据为例进行说明，这些数据由Boston Children’s Hospital采集，包含23名被试数据。由于数据完整性问题，本发明只使用其中的18个被试数据，其中4名男性，14名女性，年龄在1.5到22岁之间。每个被试在发作前一个星期停止用药，均连续采集了916个小时，采样频率为256Hz。EEG电极按照如图2所示的方式进行放置，采用10-20双极导联。记录过程中，有些被试的电极个数发生改变，但是不影响研究。经专家评估分析，这些数据均被明确标注了每次发作时长以及发作开始与结束时间。每个被试发作次数与时间均不相同，该数据集记录了不同被试多次发作的EEG信号，共包括198次发作。

本发明的基于模糊熵的癫痫脑电信号分类方法，包括如下步骤：

步骤1：对发作间歇期脑电信号和发作期脑电信号进行模糊熵值分析；

步骤2：通过特征选择提取出反应信号特性的对应电极下的模糊熵作为输入特征；

步骤3：将经过筛选后的对应电极下的模糊熵作为输入特征对癫痫EEG信号进行分类检测。

对所述脑电信号进行模糊熵值分析时，根据数据的采样频率256HZ，每段长度取1s的数据，也即长度为256个数据点。

对所述脑电信号进行模糊熵值分析的步骤，选取的嵌入维数为2，时间延迟为1，同时选取r＝0.25*std。

对所有被试所有通道的发作与发作期间歇期的熵值，采用K-S双样本检验来筛选存在显著性差异的电极。

对所述利用选定电极下的模糊熵作为样本输入对癫痫EEG信号进行分类检测的步骤，选用支持向量机算法将发作状态检测转换为二分类问题。

对所述利用选定电极下的模糊熵作为样本输入对癫痫EEG信号进行分类检测的步骤中，支持向量机所选用的核函数为RBF核函数。

对所述利用选定电极下的模糊熵作为样本输入对癫痫EEG信号进行分类检测的步骤中，采用10折交叉验证来验证分类性能，即将样本集随机地分成10个互不相交的子集，每个子集包含的样本数量大致相等。利用9个训练子集进行分类模型的训练，采用网格搜索方法确定SVM模型中核函数的最佳参数，利用剩下的一个子集验证分类模型的性能。以上过程重复10次，每个子集都有机会进行测试，根据10次迭代后得到的均方差的平均值来估计期望泛化误差，最后选择一组最优的参数。

在特征提取部分，计算出脑电的模糊熵作为特征。

选取差异显著电极的模糊熵组成特征向量作为SVM输入，从而实现了癫痫发作期与癫痫发作间歇期的分类，取得了理性的分类准确率。

所述模糊熵，具体算法如下：

设N点采样序列为{u(i):1≤i≤N}

按照序列顺序对u进行相空间重构，生成一组m维向量，m≤N-2。重构后如式1：

$X_i^m=\{u\left(i\right),u(i+1),\mathrm{...},u(i+m-1)\}-u0\left(i\right)---\left(1\right)$

其中i＝1,2,...,N-m+1，u₀(i)为其均值，定义如式2

$u0\left(i\right)=\frac{1}{m}\underset{j=0}{\overset{m-1}{\mathrm{\Σ}}}u(i+j)---\left(2\right)$

定义矢量与间的距离为两者对应元素中差值最大的一个，即

$\begin{array}{c}{d}_{ij}^m=d\[X_i^m,X_j^m\]=\underset{k\∈(0,m-1)}{\max }\left\{\right|u(i+k)-u0\left(i\right)-\left(u\right(j+k)-u0(j\left)\right)\left|\right\}\\ (i,j=1~N-m,j\≠i)\end{array}---\left(3\right)$

通过模糊隶属函数定义矢量和的相似度即：

$D_{ij}^m=\mathrm{\μ}(d_{ij}^m,n,r)=\exp (-{\left(d_{ij}^m\right)}^n/r)---\left(4\right)$

其中模糊函数为指数函数，n，r分别为指数函数的梯度与宽度。

定义函数

类似地，重复步骤(35)～(44)，按照序列顺序重构生成一组m+1维矢量，定义函数：

${\mathrm{\φ}}^{+1}(n,r)=\frac{1}{N-m}\underset{i=1}{\overset{N-m}{\mathrm{\Σ}}}\[\frac{1}{N-m-1}\underset{j=1,j\≠i}{\overset{N-m}{\mathrm{\Σ}}}{D}_{ij}^{m+1}\]---\left(6\right)$

定义给定时间序列的模糊熵为式7：

$FuzzyEn(m,n,r)=\underset{N\→\mathrm{\∞}}{\lim }\[{\mathrm{ln\Φ}}^m(n,r)-{\mathrm{ln\Φ}}^{m+1}(n,r)\]---\left(7\right)$

当N为有限值时，按照上述步骤得出的序列长度为N是模糊熵的估计值为式8

FuzzyEn(m,n,r,N)＝lnΦ^m(n,r)-lnΦ^m+1(n,r) (8)

其中，参数m,r分别为相空间维数、相似容限度。通常情况下，过大的相似容限会导致信息的丢失，相似容限值越大，丢失的信息越多，而太小的相似容限度则会增加结果对噪声的敏感性。本发明中，m＝2；r＝0.25×SD，SD为时间序列的标准差。

本次实验中分类性能主要包括分类正确率(Accuracy)、敏感性(Sensitivity)、特异性(Specificity)等指标。定义数据集中癫痫发作期的样本数量为P，非发作期间的样本为N；FP是指将非发作期类样本错分成发作的数目；FN是指将发作期类样本错分成非发作类的数目；TP和TN分别表示发作期间和非发作期间类样本被正确分类的数目。正确率、敏感性、特异性的计算方法分别如式(9)～(11)所示。

$Accuracy=\frac{TP+TN}{P+N}---\left(9\right)$

$Sensitivity=\frac{TP}{TP+FN}---\left(10\right)$

$Specificity=\frac{TN}{FP+TN}---\left(11\right)$

敏感性和特异性是医学统计学中重要的指标，所谓敏感性，就是指其在诊断疾病的时候不漏诊(假阳性)的机会有多大。特异性是指该指标在诊断某疾病时，不误诊(假阴性)的机会有多大。本发明中，敏感性指不漏检癫痫发作状态的能力，而特异性反映不错误判断发作状态的能力。

表1给出了各被试发作期间、未发作期间的平均熵值以及检验情况。其中变化情况是发作期间较未发作期间的变化情况，↑表示发作期较未发作增加，↓表示发作期较未发作期降低。

表1各被试发作期间与未发作期间模糊熵

FuzzyEn

实验中针对每一个被试，计算模糊熵，之后通过K-S检验筛选发作与非发作期存在显著差异的电极，形成特征向量。采用libsvm工具包和网格寻优进行SVM分类器训练，表2给出了模糊熵的分类性能。

表2各被试模糊熵分类性能

模糊熵能有效检测癫痫发作期。本发明使用模糊熵对癫痫EEG信号发作期与发作间歇期做了详细分析，平均检测正确率高达98.31％。同时平均分类敏感度为98.27％，平均特异性为98.36％。

本发明不局限于上述实施例所述的具体技术方案，凡采用等同替换形成的技术方案均为本发明要求的保护。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于模糊熵的癫痫脑电信号分类方法，其特征在于，所述基于模糊熵的癫痫脑电信号分类方法包括：

首先对发作间歇期脑电信号和发作期脑电信号进行模糊熵值分析；

其次通过特征选择提取出反应信号特性的对应电极下的模糊熵作为输入特征；

最后将经过筛选后的对应电极下的模糊熵作为输入特征对癫痫EEG信号进行分类检测。

2.如权利要求1所述的基于模糊熵的癫痫脑电信号分类方法，其特征在于，对脑电信号进行模糊熵值分析时，根据数据的采样频率，每段长度取1s的数据。

3.如权利要求1所述的基于模糊熵的癫痫脑电信号分类方法，其特征在于，对脑电信号进行模糊熵值分析的步骤，选取的嵌入维数为2，时间延迟为1，同时选取r＝0.25*std。

4.如权利要求1所述的基于模糊熵的癫痫脑电信号分类方法，其特征在于，对所有被试所有通道的发作与发作期间歇期的熵值，采用K-S双样本检验来筛选存在显著性差异的电极。

5.如权利要求1所述的基于模糊熵的癫痫脑电信号分类方法，其特征在于，利用选定电极下的模糊熵作为样本输入对癫痫EEG信号进行分类检测的步骤，选用支持向量机算法将发作状态检测转换为二分类问题。

6.如权利要求1所述的基于模糊熵的癫痫脑电信号分类方法，其特征在于，利用选定电极下的模糊熵作为样本输入对癫痫EEG信号进行分类检测的步骤，支持向量机所选用的核函数为RBF核函数。

7.如权利要求1所述的基于模糊熵的癫痫脑电信号分类方法，其特征在于，利用选定电极下的模糊熵作为样本输入对癫痫EEG信号进行分类检测的步骤中，采用10折交叉验证来验证分类性能，即将样本集随机地分成10个互不相交的子集,每个子集包含的样本数量大致相等；利用9个训练子集进行分类模型的训练，采用网格搜索方法确定SVM模型中核函数的最佳参数，利用剩下的一个子集验证分类模型的性能；以上过程重复10次，每个子集都有机会进行测试，根据10次迭代后得到的均方差的平均值来估计期望泛化误差，最后选择一组最优的参数。

8.一种如权利要求1所述基于模糊熵的癫痫脑电信号分类方法的癫痫脑电信号分类***，其特征在于，所述癫痫脑电信号分类***包括：

特征计算与提取模块，采用模糊熵最发作期脑电和发作间歇期脑电信号进行分析，并选取KS检验差异大的电极作为特征输入；

分类模块，利用支持向量机对癫痫EEG信号进行分类检测。