CN107616780A - 一种利用小波神经网络的脑电检测方法及装置 - Google Patents
一种利用小波神经网络的脑电检测方法及装置 Download PDFInfo
- Publication number
- CN107616780A CN107616780A CN201610554926.4A CN201610554926A CN107616780A CN 107616780 A CN107616780 A CN 107616780A CN 201610554926 A CN201610554926 A CN 201610554926A CN 107616780 A CN107616780 A CN 107616780A
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- wavelet
- output
- neural network
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明公开了一种利用小波神经网络的脑电检测方法及装置，所述的脑电检测方法包括采集脑电信号、对脑电信号滤波和去噪、提取相对幅度和相对波动指数、分类器训练和计算预测值。本发明利用特征效果较好的相对幅度和相对波动指数对采集并经预处理后的脑电数据进行特征提取，将提取的特征向量送入由小波神经网络获得的分类器中，从而得到对异常脑电信号的标记，不但减轻了临床医生对大规模脑电数据进行判别的工作量，而且提高了对异常脑电检测的时效性。
Description
技术领域
本发明属于检测分析技术领域，具体涉及一种利用小波神经网络的脑电检测方法及装置。
背景技术
癫痫是一种以脑部神经元反复突然过度放电所致的间歇性中枢神经***功能失调为特征的脑部疾患。患者癫痫发作时肢体活动和精神状态会出现混论，甚至会失去意识。脑电图中包含了丰富的生理和病理学信息，所以目前为止，癫痫检测主要是医务工作者依靠经验对脑电图(EEG)进行目测来完成。但是，一些资历浅，经验不足的医生有可能会误判。而且癫痫的发作时间和持续时间都无法确定，使查看EEG中是否含有癫痫样放电等特征波等工作量大，也容易造成医务工作者疲倦而产生误判。因此，计算机辅助的癫痫自动检测***准确性有着越来越重要的地位，它可极大提高对EEG的检测效率。
自上世纪六十年代起，自动癫痫检测技术就受到了广泛的关注，这一领域的众多学者提出了多种自动检测脑电的方法。其主流算法有支持向量机(SVM)和神经网络等。而支持向量机是借助二次规划来求解支持向量，求解二次规划将涉及高阶矩阵的计算，矩阵的存储和计算将耗费大量的机器内存和运算时间。CN1253762A(99124032.4)所公开的一种全自动定量检测脑电图中癫痫样放电的装置采用了神经网络及前馈逆传播(BP)学习算法。神经网络必须进行多次重复学习，训练速度缓慢，计算效率低。同时由于BP算法是一种局部搜索的优化算法，用它来解决复杂非线性函数的全局极值，很有可能陷入局部极值从而导致训练失败。
发明内容
针对现有技术的不足，本发明的目的在于提供一种利用小波神经网络的脑电检测方法及装置。
为实现前述发明目的，本发明采用的技术方案包括：
一种利用小波神经网络的脑电检测方法，其包括以下步骤：
1)采集脑电信号，将采集到的脑电信号通过A/D转换，存储到计算机中；
2)对计算机中存储的脑电信号进行滤波和去噪；
3)提取步骤2)处理后的脑电信号中各通道各频段的相对幅度和相对波动指数；
4)将步骤3)提取到的相对幅度和相对波动指数的训练数据部分输入分类器进行训练，计算得到前后两次训练的误差平方和之差，当误差平方和之差达到预设值时，保存训练所得权值系数和小波系数；
5)根据步骤4)所得权值系数和小波系数，将步骤3)提取到的相对幅度和相对波动指数的测试数据部分输入分类器进行测试，计算得到输出预测值，并将输出预测值与预设阈值进行比较，获得脑电检测结果并标记：
若输出预测值大于预设阈值，则判断检测脑电为异常，标记为0；
若输出预测值小于或等于预设阈值，则判断检测脑电为正常，标记为1。
在一些实施方案之中，利用脑电放大器和数据采集卡采集脑电信号，所述的脑电放大器至少选自Neurofile NT脑电放大器，和/或所述的数据采集卡至少选自16位A/D转换数据采集卡，采样频率为256Hz。
在一些实施方案之中，步骤2)中所述的对计算机中存储的脑电信号进行滤波和去噪的方法包括：采集一段长度为LEN的脑电信号，之后利用滤波器进行滤波，将所述的脑电信号分成4-8Hz、8-13Hz和13-30Hz 3个连续的频段，该3个连续的频段分别对应着θ波，α波和β波。
优选的，所述的LEN＝1024。
在一些实施方案之中，步骤3)中所述的提取脑电信号各通道各频段的相对幅度和相对波动指数的方法包括：
a)利用公式(1)计算步骤2)处理后的脑电信号中各个频段的相对幅度Ar，
其中，AE为步骤2)处理后脑电信号的幅度均值，AB是一段120s长的脑电信号的幅度均值；
b)利用公式(2)、(3)、(4)和(5)计算脑电信号的相对波动指数Firel(n)，
其中，ai为第n段脑电数据滤波后第i层的幅度，LEN为信号的长度，
Firel(n)＝Fi'(n)/Fiave (5)
其中，N为脑电信号的段数。
在一些实施方案之中，步骤4)中所述的通过分类器计算误差平方和的方法包括：将步骤3)中的相对幅度Ar和相对波动指数Firel(n)组成的特征向量w送入分类器F,利用公式(6)计算第i次训练理想输出和实际输出差的平方和error(i)为：
error(i)＝∑∑(yid-F(w))2 (6)
其中，yid为理想输出，F(w)为实际输出。
在一些实施方案之中，步骤4)中所述的分类器进行训练的方法包括以下步骤：
(1)W为分类器训练所用分段的脑电数据，W＝{wi∈Rk,i＝1,2,L,N}，其中K＝C×S，C是EEG的通道数，S是滤波所得频带数，N为数据段数，每段长度为LEN；Y为对应标记量，Y＝{yi∈{0,1},i＝1,2,L,N}，标记量为1表示正常脑电，标记量为0表示异常脑电；wi为第i段脑电信号各通道各频段信号的相对幅度Ar和相对波动指数Firel(n)组成的特征向量，最大迭代次数为M，和/或所述的N＝900,LEN＝1024,M＝500；
(2)m表示迭代步数，从m＝1开始进行以下循环迭代：
i.计算隐藏层的输入xi
其中，wij为第j层隐藏节点和第i层输入节点之间的权值向量，LEN为信号的长度；
ii.计算小波神经网络的***输出值yk：
其中，wjk为分类器第j层隐藏节点和第k层输出节点之间的权值向量，Φ为小波神经网络的激活函数Morlet小波，aij和bij分别为第j层隐藏节点和第i层输入节点之间的小波变换的频移系数和尺度系数，H为隐藏层节点数，D为输入节点数，N为输出节点数，p和q是小波激活函数Φ的参数，和/或所述的H＝30,D＝6,N＝1,p＝-0.5,q＝1.75；
iii.权值系数和小波系数的调整
计算隐藏节点和输入节点之间的权值系数Wij
Wij＝Wij-lr1*d_Wij
其中，d_Wij为权值系数Wij训练时的增量，H为隐藏节点的个数，D为输入节点的个数，N为输出节点的个数，yk为实际输出，yid为理想输出，Φ'为小波神经网络的激活函数Morlet小波的一阶导数，x(k)为第k个输入节点的输入信号，a(j)为第j个隐藏节点的频移系数，lr1为小波神经网络系数更新的学习率，和/或所述的lr1＝0.01,H＝30,D＝6,N＝1；
计算隐藏节点和输出节点之间的权值系数Wjk
Wjk＝Wjk-lr1*d_Wjk
其中，d_Wjk为权值系数Wjk训练时的增量，H为隐藏节点的个数，N为输出节点的个数，yk为实际输出，yid为理想输出，Φ为小波神经网络的激活函数Morlet小波，lr1为小波神经网络系数更新的学习率，和/或所述的lr1＝0.01,H＝30,N＝1；
计算小波函数尺度系数
b＝b-lr2*d_b
其中，d_b为小波函数尺度系数b训练时的增量，H为隐藏节点的个数，N为输出节点的个数，yid为理想输出，yk为实际输出，Wjk为分类器第j层隐藏节点和第k层输出节点之间的权值向量，Φ'为小波神经网络的激活函数Morlet小波的一阶导数，a(j)为第j个隐藏节点的频移系数，lr2为小波神经网络系数更新的学习率，和/或所述的lr2＝0.001,H＝30,N＝1；
计算小波函数频移系数
a＝a-lr2*d_a
其中，d_a为小波函数频移系数a训练时的增量，H为隐藏节点的个数，N为输出节点的个数，yid为理想输出，yk为实际输出，Wjk为分类器第j层隐藏节点和第k层输出节点之间的权值向量，Φ'为小波神经网络的激活函数Morlet小波的一阶导数，x(j)为第j个隐藏节点的输入，a(j)为第j个隐藏节点的频移系数，b(j)为第j个隐藏节点的尺度系数，lr2为小波神经网络系数更新的学习率，和/或所述的lr2＝0.001,H＝30,N＝1；
iv.计算第i次训练与第i-1次训练的误差平方和之差为bia
bia＝error(i)-error(i-1)
其中，error(i)为第i次训练理想输出和实际输出差的平方和；
v.对偏差bia进行判断，若bia<ε则停止训练，将训练所得权值系数和小波系数保存用于测试；否则，重复步骤i进行下一次训练直到达到最大训练次数，其中所述的ε为极小常数。
优选的，所述的ε＝0.01。
在一些实施方案之中，所述的预设阈值为0.2。
此外，本发明还提出了一种基于以上任一项所述脑电检测方法的装置，其包括：
脑电放大器，至少用于放大并传递脑电信号，
数据采集卡，至少用于采集脑电放大器传递的信号，
脑电检测模块，至少用于对数据采集卡采集的脑电信号进行滤波和去噪处理，
计算机，至少用于容置脑电检测模块，且所述计算机中预设有计算程序，该计算程序包括提取脑电检测模块处理后的每段脑电信号的相对幅度和相对波动指数作为特征向量；将特征向量输入以上任一项所述脑电检测方法所获得的分类器中，获得输出预测值；将输出预测值与预设阈值比较，得到脑电检测结果并加以标记。
本发明的原理是：本发明结合了传统的前反馈神经网络(BPNN)和小波变换，将提取到的脑电信号相对幅度和相对波动指数作为输入参数，送入由小波神经网络训练的分类器进行计算，获得输出预测值，将输出预测值与预设阈值进行比较，从而获得脑电检测结果。
与现有技术相比，本发明的优点包括：
本发明利用特征效果较好的相对幅度和相对波动指数对采集并经预处理后的脑电数据进行特征提取，将提取的特征向量送入基于小波神经网络获得的分类器中，从而得到对异常脑电信号的标记，不但减轻了临床医生对大规模脑电数据进行判别的工作量，而且提高了对异常脑电检测的时效性。
附图说明
图1为本发明的利用小波神经网络的脑电检测方法的流程图；
图2为本发明基于所述脑电检测方法装置的硬件连接图；
图3a和图3b分别为本发明实施例1中所述脑电信号的相对幅度和相对波动指数，其中两竖线间为异常脑电持续时间；
图4为本发明实施例1中所述脑电信号的分类结果：其中，0表示异常脑电，即癫痫样放电；1表示正常脑电；两竖线间为异常脑电持续时间。
具体实施方式
鉴于现有技术中的不足，本案发明人经长期研究和大量实践，得以提出本发明的技术方案。如下将对该技术方案、其实施过程及原理等作进一步的解释说明。
一种利用小波神经网络的脑电检测方法，其包括以下步骤：
1)采集脑电信号，将采集到的脑电信号通过A/D转换，存储到计算机中；
2)对计算机中存储的脑电信号进行滤波和去噪；
3)提取步骤2)处理后的脑电信号中各通道各频段的相对幅度和相对波动指数；
4)将步骤3)提取到的相对幅度和相对波动指数的训练数据部分输入分类器进行训练，计算得到前后两次训练的误差平方和之差，当误差平方和之差达到预设值时，保存训练所得权值系数和小波系数；
5)根据步骤4)所得权值系数和小波系数，将步骤3)提取到的相对幅度和相对波动指数的测试数据部分输入分类器进行测试，计算得到输出预测值，并将输出预测值与预设阈值进行比较，获得脑电检测结果并标记：
若输出预测值大于预设阈值，则判断检测脑电为异常，标记为0；
若输出预测值小于或等于预设阈值，则判断检测脑电为正常，标记为1。
在一些实施方案之中，利用脑电放大器和数据采集卡采集脑电信号，所述的脑电放大器至少选自Neurofile NT脑电放大器，和/或所述的数据采集卡至少选自16位A/D转换数据采集卡，采样频率为256Hz。
此外，本发明还提出了一种基于以上任一项所述脑电检测方法的装置，其包括：
脑电放大器，至少用于放大并传递脑电信号，
数据采集卡，至少用于采集脑电放大器传递的信号，
脑电检测模块，至少用于对数据采集卡采集的脑电信号进行滤波和去噪处理，
计算机，至少用于容置脑电检测模块，且所述计算机中预设有计算程序，该计算程序包括提取脑电检测模块处理后的每段脑电信号的相对幅度和相对波动指数作为特征向量；将特征向量输入以上任一项所述脑电检测方法所获得的分类器中，获得输出预测值；将输出预测值与预设阈值比较，得到脑电检测结果并加以标记。
实施例1
如图1所示，一种利用小波神经网络的脑电检测方法，步骤如下：
1)利用Neurofile NT脑电放大器和16位A/D转换数据采集卡采集脑电信号，采样频率为256Hz，将采集到的脑电信号通过A/D转换，存储到计算机中。
2)计算机对脑电信号进行滤波和去噪，其方法步骤如下：
采集一段长度为LEN＝1024的脑电信号，利用切比雪夫滤波器进行滤波，将信号分成3个连续的频段，即4-8Hz，8-13Hz，13-30Hz，分别对应着θ波，α波和β波。
3)计算机提取脑电信号各通道各频段的相对幅度和相对波动指数的方法为：
a)利用公式(1)计算步骤2)脑电信号中各个频段的相对幅度Ar为
其中，AE为步骤2)中脑电信号的幅度均值，AB是一段120s长的脑电信号的幅度均值。
b)利用公式(2)(3)(4)(5)计算脑电信号的相对波动指数Firel(n)为：
其中，ai为第n段脑电数据滤波后第i层的幅度，LEN为信号的长度。
其中，N为脑电信号的段数。
Firel(n)＝Fi'(n)/Fiave (5)
图3中所示为脑电信号第1通道信号的相对幅度和相对波动指数。
步骤4)中所述的通过分类器计算误差平方和的方法为：
将步骤3)中的相对幅度Ar和相对波动指数Firel(n)组成的特征向量w送入分类器F,利用公式(6)计算第i次训练理想输出和实际输出差的平方和error(i)为：
error(i)＝∑∑(yid-F(w))2 (6)
其中，yid为理想输出，F(w)为实际输出。
步骤4)中所述的分类器是按以下训练方法获得，具体实现步骤为：
a)W为分类器训练所用分段的脑电数据，W＝{wi∈Rk,i＝1,2,L,N}，其中K＝C×S，C是EEG的通道数，S是滤波所得频带数，N为数据段数，每段长度为LEN；Y为对应标记量，Y＝{yi∈{0,1},i＝1,2,L,N}，标记量为1表示正常脑电，标记量为0表示异常脑电；wi为第i段脑电信号各通道各频段信号的相对幅度Ar和相对波动指数Firel(n)组成的特征向量。最大迭代次数为M。
优选N＝900,LEN＝1024,M＝500。
b)m表示迭代步数，从m＝1开始进行以下循环迭代：
i.计算隐藏层的输入xi
其中，wij为第j层隐藏节点和第i层输入节点之间的权值向量，LEN为信号的长度。
ii.计算小波神经网络的***输出值yk：
其中，wjk为分类器第j层隐藏节点和第k层输出节点之间的权值向量，Φ为小波神经网络的激活函数Morlet小波，aij和bij分别为第j层隐藏节点和第i层输入节点之间的小波变换的频移系数和尺度系数，H为隐藏层节点数，D为输入节点数，N为输出节点数，p和q是小波激活函数Φ的参数。
优选H＝30,D＝6,N＝1,p＝-0.5,q＝1.75。
iii.权值系数和小波系数的调整
计算隐藏节点和输入节点之间的权值系数Wij
Wij＝Wij-lr1*d_Wij
其中，d_Wij为权值系数Wij训练时的增量，H为隐藏节点的个数，D为输入节点的个数，N为输出节点的个数，yk为实际输出，yid为理想输出，Φ'为小波神经网络的激活函数Morlet小波的一阶导数，x(k)为第k个输入节点的输入信号，a(j)为第j个隐藏节点的频移系数，lr1为小波神经网络系数更新的学习率。
优选lr1＝0.01,H＝30,D＝6,N＝1。
Wjk＝Wjk-lr1*d_Wjk
其中，d_Wjk为权值系数Wjk训练时的增量，H为隐藏节点的个数，N为输出节点的个数，yk为实际输出，yid为理想输出，Φ为小波神经网络的激活函数Morlet小波，lr1为小波神经网络系数更新的学习率。
优选lr1＝0.01,H＝30,N＝1。
计算小波函数尺度系数
b＝b-lr2*d_b
其中，d_b为小波函数尺度系数b训练时的增量，H为隐藏节点的个数，N为输出节点的个数，yid为理想输出，yk为实际输出，Wjk为分类器第j层隐藏节点和第k层输出节点之间的权值向量，Φ'为小波神经网络的激活函数Morlet小波的一阶导数，a(j)为第j个隐藏节点的频移系数，lr2为小波神经网络系数更新的学习率。
计算隐藏节点和输出节点之间的权值系数Wjk
优选lr2＝0.001,H＝30,N＝1。
计算小波函数频移系数
a＝a-lr2*d_a
其中，d_a为小波函数频移系数a训练时的增量，H为隐藏节点的个数，N为输出节点的个数，yid为理想输出，yk为实际输出，Wjk为分类器第j层隐藏节点和第k层输出节点之间的权值向量，Φ'为小波神经网络的激活函数Morlet小波的一阶导数，x(j)为第j个隐藏节点的输入，a(j)为第j个隐藏节点的频移系数，b(j)为第j个隐藏节点的尺度系数，lr2为小波神经网络系数更新的学习率。
优选lr2＝0.001,H＝30,N＝1。
iv.计算第i次训练与第i-1次训练的误差平方和之差为bia
bia＝error(i)-error(i-1)
其中，error(i)为第i次训练理想输出和实际输出差的平方和。
v.对偏差bia进行判断，bia<ε则停止训练(ε为一个极小常数)，将训练所得权值系数和小波系数保存用于测试；否则，重复步骤i进行下一次训练直到达到最大训练次数。
优选ε＝0.01。
5)根据步骤4)所得权值系数和小波系数，将步骤3)提取到的相对幅度和相对波动指数的测试数据部分输入分类器进行测试，计算得到输出预测值，并将输出预测值与预设阈值进行比较，获得脑电检测结果并标记：
输出值大于预设阈值，则判断检测脑电为异常，标记为0；
输出概率值小于或等于预设阈值，则判断检测脑电为正常，标记为1。
优选的，所述的预设阈值为0.2。
图4为图3所述脑电信号的标记结果。
实施例2
一种利用实施例1所述方法进行脑电检测的装置，包括以电路连接的脑电放大器、数据采集卡和计算机，所述计算机中内置有利用小波神经网络检测脑电的脑电检测模块，利用脑电放大器和数据采集卡对脑电信号进行采集后传输到计算机中，利用小波神经网络检测脑电的脑电检测模块对脑电信号进行滤波和去噪处理；提取每段脑电信号的相对幅度和相对波动指数作为特征向量；将特征向量送入基于小波神经网络所获得的分类器中，获输出预测值；将输出预测值与预设阈值比较，得脑电检测结果并加以标记。
利用本发明对20例癫痫患者的脑电进行检测，对癫痫样异常放电检测的准确率达98.9％，每小时错误检测次数为0.27次。
需要说明的是，本实施例的附图均采用非常简化的形式且均使用非精准的比率，仅用于方便、明晰地辅助说明本发明的实施例。
应当理解，上述实施例仅为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种利用小波神经网络的脑电检测方法，其特征在于包括以下步骤：
1)采集脑电信号，将采集到的脑电信号通过A/D转换，存储到计算机中；
2)对计算机中存储的脑电信号进行滤波和去噪；
3)提取步骤2)处理后的脑电信号中各通道各频段的相对幅度和相对波动指数；
4)将步骤3)提取到的相对幅度和相对波动指数的训练数据部分输入分类器进行训练，计算得到前后两次训练的误差平方和之差，当误差平方和之差达到预设值时，保存训练所得权值系数和小波系数；
5)根据步骤4)所得权值系数和小波系数，将步骤3)提取到的相对幅度和相对波动指数的测试数据部分输入分类器进行测试，计算得到输出预测值，并将输出预测值与预设阈值进行比较，获得脑电检测结果并标记：
若输出预测值大于预设阈值，则判断检测脑电为异常，标记为0；
若输出预测值小于或等于预设阈值，则判断检测脑电为正常，标记为1。
2.根据权利要求1所述的利用小波神经网络的脑电检测方法，其特征在于：利用脑电放大器和数据采集卡采集脑电信号，所述的脑电放大器至少选自Neurofile NT脑电放大器，和/或所述的数据采集卡至少选自16位A/D转换数据采集卡，采样频率为256Hz。
3.根据权利要求1所述的利用小波神经网络的脑电检测方法，其特征在于,步骤2)中所述的对计算机中存储的脑电信号进行滤波和去噪的方法包括：采集一段长度为LEN的脑电信号，之后利用滤波器进行滤波，将所述的脑电信号分成4-8Hz、8-13Hz和13-30Hz 3个连续的频段，该3个连续的频段分别对应着θ波，α波和β波。
4.根据权利要求3所述的利用小波神经网络的脑电检测方法，其特征在于：所述的LEN＝1024。
5.根据权利要求1所述的利用小波神经网络的脑电检测方法，其特征在于,步骤3)中所述的提取脑电信号各通道各频段的相对幅度和相对波动指数的方法包括：
a)利用公式(1)计算步骤2)处理后的脑电信号中各个频段的相对幅度Ar，
<mrow>
<msub>
<mi>A</mi>
<mi>r</mi>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>A</mi>
<mi>E</mi>
</msub>
<msub>
<mi>A</mi>
<mi>B</mi>
</msub>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，AE为步骤2)处理后脑电信号的幅度均值，AB是一段120s长的脑电信号的幅度均值；
b)利用公式(2)、(3)、(4)和(5)计算脑电信号的相对波动指数Firel(n)，
<mrow>
<msub>
<mi>F</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>L</mi>
<mi>E</mi>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<mo>|</mo>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，ai为第n段脑电数据滤波后第i层的幅度，LEN为信号的长度，
<mrow>
<msubsup>
<mi>F</mi>
<mi>i</mi>
<mo>&prime;</mo>
</msubsup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>F</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>/</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>3</mn>
</munderover>
<msub>
<mi>F</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>F</mi>
<mrow>
<mi>i</mi>
<mi>a</mi>
<mi>v</mi>
<mi>e</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msubsup>
<mi>F</mi>
<mi>i</mi>
<mo>&prime;</mo>
</msubsup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
Firel(n)＝Fi'(n)/Fiave (5)
其中，N为脑电信号的段数。
6.根据权利要求1所述的利用小波神经网络的脑电检测方法，其特征在于,步骤4)中所述的通过分类器计算误差平方和的方法包括：将步骤3)中的相对幅度Ar和相对波动指数Firel(n)组成的特征向量w送入分类器F,利用公式(6)计算第i次训练理想输出和实际输出差的平方和error(i)为：
error(i)＝∑∑(yid-F(w))2 (6)
其中，yid为理想输出，F(w)为实际输出。
7.根据权利要求1所述的利用小波神经网络的脑电检测方法，其特征在于,步骤4)中所述的分类器进行训练的方法包括以下步骤：
(1)W为分类器训练所用分段的脑电数据，W＝{wi∈Rk,i＝1,2,L,N}，其中K＝C×S，C是EEG的通道数，S是滤波所得频带数，N为数据段数，每段长度为LEN；Y为对应标记量，Y＝{yi∈{0,1},i＝1,2,L,N}，标记量为1表示正常脑电，标记量为0表示异常脑电；wi为第i段脑电信号各通道各频段信号的相对幅度Ar和相对波动指数Firel(n)组成的特征向量，最大迭代次数为M，和/或所述的N＝900,LEN＝1024,M＝500；
(2)m表示迭代步数，从m＝1开始进行以下循环迭代：
i.计算隐藏层的输入xi
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>L</mi>
<mi>E</mi>
<mi>N</mi>
</mrow>
</munderover>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
</mrow>
其中，wij为第j层隐藏节点和第i层输入节点之间的权值向量，LEN为信号的长度；
ii.计算小波神经网络的***输出值yk：
<mrow>
<msub>
<mi>y</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>H</mi>
</munderover>
<msub>
<mi>w</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<msub>
<mi>&psi;</mi>
<mi>j</mi>
</msub>
<mo>,</mo>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>N</mi>
</mrow>
<mrow>
<msub>
<mi>&psi;</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>D</mi>
</munderover>
<mi>&Phi;</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>a</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
<msub>
<mi>b</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>&Phi;</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mi>e</mi>
<mrow>
<msup>
<mi>px</mi>
<mn>2</mn>
</msup>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mo>(</mo>
<mrow>
<mi>q</mi>
<mi>x</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
其中，wjk为分类器第j层隐藏节点和第k层输出节点之间的权值向量，Φ为小波神经网络的激活函数Morlet小波，aij和bij分别为第j层隐藏节点和第i层输入节点之间的小波变换的频移系数和尺度系数，H为隐藏层节点数，D为输入节点数，N为输出节点数，p和q是小波激活函数Φ的参数，和/或所述的H＝30,D＝6,N＝1,p＝-0.5,q＝1.75；
iii.权值系数和小波系数的调整
计算隐藏节点和输入节点之间的权值系数Wij
<mrow>
<mi>d</mi>
<mo>_</mo>
<msub>
<mi>W</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>H</mi>
</munderover>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>D</mi>
</munderover>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mo>(</mo>
<mrow>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
<msub>
<mi>W</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>(</mo>
<mrow>
<mi>l</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<msup>
<mi>&Phi;</mi>
<mo>&prime;</mo>
</msup>
<mfrac>
<mrow>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>a</mi>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
Wij＝Wij-lr1*d_Wij
其中，d_Wij为权值系数Wij训练时的增量，H为隐藏节点的个数，D为输入节点的个数，N为输出节点的个数，yk为实际输出，yid为理想输出，Φ'为小波神经网络的激活函数Morlet小波的一阶导数，x(k)为第k个输入节点的输入信号，a(j)为第j个隐藏节点的频移系数，lr1为小波神经网络系数更新的学习率，和/或所述的lr1＝0.01,H＝30,D＝6,N＝1；
计算隐藏节点和输出节点之间的权值系数Wjk
<mrow>
<mi>d</mi>
<mo>_</mo>
<msub>
<mi>W</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>H</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>k</mi>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mi>&Phi;</mi>
</mrow>
Wjk＝Wjk-lr1*d_Wjk
其中，d_Wjk为权值系数Wjk训练时的增量，H为隐藏节点的个数，N为输出节点的个数，yk为实际输出，yid为理想输出，Φ为小波神经网络的激活函数Morlet小波，lr1为小波神经网络系数更新的学习率，和/或所述的lr1＝0.01,H＝30,N＝1；
计算小波函数尺度系数
<mrow>
<mi>d</mi>
<mo>_</mo>
<mi>b</mi>
<mo>=</mo>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>H</mi>
</munderover>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mo>(</mo>
<mrow>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
<msub>
<mi>W</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mfrac>
<msup>
<mi>&Phi;</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mi>a</mi>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
b＝b-lr2*d_b
其中，d_b为小波函数尺度系数b训练时的增量，H为隐藏节点的个数，N为输出节点的个数，yid为理想输出，yk为实际输出，Wjk为分类器第j层隐藏节点和第k层输出节点之间的权值向量，Φ'为小波神经网络的激活函数Morlet小波的一阶导数，a(j)为第j个隐藏节点的频移系数，lr2为小波神经网络系数更新的学习率，和/或所述的lr2＝0.001,H＝30,N＝1；
计算小波函数频移系数
<mrow>
<mi>d</mi>
<mo>_</mo>
<mi>a</mi>
<mo>=</mo>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>H</mi>
</munderover>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mo>(</mo>
<mrow>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
<msub>
<mi>W</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<msup>
<mi>&Phi;</mi>
<mo>&prime;</mo>
</msup>
<mfrac>
<mrow>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>b</mi>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>a</mi>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mi>b</mi>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
a＝a-lr2*d_a
其中，d_a为小波函数频移系数a训练时的增量，H为隐藏节点的个数，N为输出节点的个数，yid为理想输出，yk为实际输出，Wjk为分类器第j层隐藏节点和第k层输出节点之间的权值向量，Φ'为小波神经网络的激活函数Morlet小波的一阶导数，x(j)为第j个隐藏节点的输入，a(j)为第j个隐藏节点的频移系数，b(j)为第j个隐藏节点的尺度系数，lr2为小波神经网络系数更新的学习率，和/或所述的lr2＝0.001,H＝30,N＝1；
iv.计算第i次训练与第i-1次训练的误差平方和之差为bia
bia＝error(i)-error(i-1)
其中，error(i)为第i次训练理想输出和实际输出差的平方和；
v.对偏差bia进行判断，若bia<ε则停止训练，将训练所得权值系数和小波系数保存用于测试；否则，重复步骤i进行下一次训练直到达到最大训练次数，其中所述的ε为极小常数。
8.根据权利要求7所述的利用小波神经网络的脑电检测方法，其特征在于：所述的ε＝0.01。
9.根据权利要求1所述的利用小波神经网络的脑电检测方法，其特征在于：所述的预设阈值为0.2。
10.一种基于权利要求1-9中任一项所述脑电检测方法的装置，其特征在于包括：
脑电放大器，至少用于放大并传递脑电信号，
数据采集卡，至少用于采集脑电放大器传递的信号，
脑电检测模块，至少用于对数据采集卡采集的脑电信号进行滤波和去噪处理，
计算机，至少用于容置脑电检测模块，且所述计算机中预设有计算程序，该计算程序包括提取脑电检测模块处理后的每段脑电信号的相对幅度和相对波动指数作为特征向量；将特征向量输入权利要求1-9中任一项所述脑电检测方法所获得的分类器中，获得输出预测值；将输出预测值与预设阈值比较，得到脑电检测结果并加以标记。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610554926.4A CN107616780A (zh) | 2016-07-14 | 2016-07-14 | 一种利用小波神经网络的脑电检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610554926.4A CN107616780A (zh) | 2016-07-14 | 2016-07-14 | 一种利用小波神经网络的脑电检测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107616780A true CN107616780A (zh) | 2018-01-23 |
Family
ID=61087417
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610554926.4A Pending CN107616780A (zh) | 2016-07-14 | 2016-07-14 | 一种利用小波神经网络的脑电检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107616780A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108388345A (zh) * | 2018-02-28 | 2018-08-10 | 天津大学 | 基于小波多分辨率复杂网络的脑电极优化方法及其应用 |
| CN108921141A (zh) * | 2018-08-16 | 2018-11-30 | 广东工业大学 | 一种基于深度自编码神经网络的脑电信号eeg特征提取方法 |
| CN109598222A (zh) * | 2018-11-26 | 2019-04-09 | 南开大学 | 基于eemd数据增强的小波神经网络运动想象脑电分类方法 |
| CN110174948A (zh) * | 2019-05-27 | 2019-08-27 | 湖南师范大学 | 一种基于小波神经网络的语言智能辅助学习***与方法 |
| CN114021605A (zh) * | 2021-11-02 | 2022-02-08 | 深圳市大数据研究院 | 一种风险预测方法、装置、***、计算机设备及存储介质 |
| CN114241204A (zh) * | 2021-12-30 | 2022-03-25 | 中国农业银行股份有限公司 | 图像识别方法、装置、设备、介质及计算机产品 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102488518A (zh) * | 2011-12-14 | 2012-06-13 | 山东大学 | 一种利用波动指数和提升训练的脑电检测方法和装置 |
-
2016
- 2016-07-14 CN CN201610554926.4A patent/CN107616780A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102488518A (zh) * | 2011-12-14 | 2012-06-13 | 山东大学 | 一种利用波动指数和提升训练的脑电检测方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| DONGYUN GENG 等: "Epileptic seizure detection based on improved wavelet neural networks in long-term intracranial EEG", 《BIOCYBERNETICS AND BIOMEDICAL ENGINEERING》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108388345A (zh) * | 2018-02-28 | 2018-08-10 | 天津大学 | 基于小波多分辨率复杂网络的脑电极优化方法及其应用 |
| CN108388345B (zh) * | 2018-02-28 | 2020-12-29 | 天津大学 | 基于小波多分辨率复杂网络的脑电极优化方法及其应用 |
| CN108921141A (zh) * | 2018-08-16 | 2018-11-30 | 广东工业大学 | 一种基于深度自编码神经网络的脑电信号eeg特征提取方法 |
| CN108921141B (zh) * | 2018-08-16 | 2021-10-19 | 广东工业大学 | 一种基于深度自编码神经网络的脑电信号eeg特征提取方法 |
| CN109598222A (zh) * | 2018-11-26 | 2019-04-09 | 南开大学 | 基于eemd数据增强的小波神经网络运动想象脑电分类方法 |
| CN109598222B (zh) * | 2018-11-26 | 2023-04-07 | 南开大学 | 基于eemd数据增强的小波神经网络运动想象脑电分类方法 |
| CN110174948A (zh) * | 2019-05-27 | 2019-08-27 | 湖南师范大学 | 一种基于小波神经网络的语言智能辅助学习***与方法 |
| CN110174948B (zh) * | 2019-05-27 | 2020-10-27 | 湖南师范大学 | 一种基于小波神经网络的语言智能辅助学习***与方法 |
| CN114021605A (zh) * | 2021-11-02 | 2022-02-08 | 深圳市大数据研究院 | 一种风险预测方法、装置、***、计算机设备及存储介质 |
| CN114241204A (zh) * | 2021-12-30 | 2022-03-25 | 中国农业银行股份有限公司 | 图像识别方法、装置、设备、介质及计算机产品 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107616780A (zh) | 一种利用小波神经网络的脑电检测方法及装置 | |
| US20210358611A1 (en) | Method for Detecting Epileptic Spike, Method for Training Network Model, and Computer Device | |
| Kalaivani et al. | Analysis of EEG signal for the detection of brain abnormalities | |
| CN102488518B (zh) | 一种利用波动指数和提升训练的脑电检测方法和装置 | |
| CN105205112A (zh) | 一种时序数据异常特征的挖掘***及方法 | |
| CN103190904B (zh) | 基于缺项特征的脑电图分类检测装置 | |
| CN112294341B (zh) | 一种基于轻量卷积神经网络的睡眠脑电纺锤波识别方法及*** | |
| CN112656431A (zh) | 基于脑电的注意力识别方法、装置、终端设备和存储介质 | |
| WO2024016590A1 (zh) | 一种基于神经拟态计算的在线神经元分类方法 | |
| CN109190698A (zh) | 一种网络数字虚拟资产的分类识别***及方法 | |
| Pothuganti | Review on over-fitting and under-fitting problems in Machine Learning and solutions | |
| Liu et al. | Automatic sleep arousals detection from polysomnography using multi-convolution neural network and random forest | |
| Sabor et al. | Detection of the interictal epileptic discharges based on wavelet bispectrum interaction and recurrent neural network | |
| CN111053552A (zh) | 一种基于深度学习的qrs波检测方法 | |
| Gao et al. | EEG classification based on sparse representation and deep learning | |
| CN114330422A (zh) | 一种实时估计脑电情感特征的跨被试迁移学习方法 | |
| Gnana Rajesh | Analysis of MFCC features for EEG signal classification | |
| CN117171506A (zh) | 一种基于imu的工程车辆运行状态监测方法及装置 | |
| CN112336354A (zh) | 一种基于eeg信号癫痫监测方法 | |
| CN108805204B (zh) | 基于深度神经网络的电能质量扰动分析装置及其使用方法 | |
| CN106264519A (zh) | 一种基于Stockwell变换的癫痫脑电检测装置 | |
| CN115886735A (zh) | 基于脑网络优化的重症脑炎患者癫痫发作自动检测装置 | |
| CN115486814A (zh) | 基于多模态癫痫数据智能融合分析与处理方法 | |
| WO2022116508A1 (zh) | 基于获取并识别噪声全景分布模型的信号分析方法及*** | |
| Cheng et al. | Multilevel feature learning method for accurate interictal epileptiform spike detection |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180123 |