CN112741638A - 一种基于eeg信号的医疗诊断辅助*** - Google Patents

Abstract

本发明提供一种基于EEG信号的医疗诊断辅助***，属于医疗器械领域。该***包括用于病人EEG信号采集、传输的EEG信号采集装置以及EEG信号处理、分析以及精神疾病预测的上位机医疗诊断辅助***。本发明使用自制的EEG信号采集装置对病人的EEG信号进行采集、处理、传输，在上位机医疗诊断辅助***上提取EEG信号的时域特征、频域特征以及非线性特征，基于这些特征采用训练好的随机森林模型对病人患有癫痫、精神***症、抑郁症、自闭症等精神疾病的概率进行预测，为医生诊断精神疾病提供明确的辅助依据。

Description

一种基于EEG信号的医疗诊断辅助***

技术领域

本发明涉及EEG信号处理分析、医疗辅助器械领域，具体是一种基于EEG信号的医疗诊断辅助***。

背景技术

脑电(EEG，Electroencephalogram)是人脑神经元突触后电位的综合结果，是脑神经细胞电生理活动在大脑皮层或头皮表面的总体反映。在不受外界刺激的自然状态下，人脑产生的自发脑电信号一般被看作是非平稳性比较突出的随机信号。自发脑电信号中包含了大量的生理与疾病信息，在临床医学方面，自发脑电信号可为某些脑疾病提供诊断依据。例如，经临床研究发现，癫痫病人即使在没有癫痫发作的情况下，大脑也会发出棘波、尖波、棘慢波、慢散波等异常波；精神***症患者的脑电具有异常放电的情况，例如比正常人波幅更大或更小，波长更长或更短；抑郁症患者的脑电波一般表现为基本电活动变慢，慢活动变多，偶见尖波等；自闭症患者脑电表现为非药物性快波增多，局灶性放电，节律慢化及节律失调等。因此，通过监测病人的EEG信号，对大脑异常放电结果进行处理和分析，能够为医生提供临床诊断之外的辅助依据，帮助医生快速精确的诊断精神疾病，极大限度的提高诊断准确率。

因此，本发明从脑电信号的提取出发，设计了EEG信号采集装置，构建了一套完整的精神疾病医疗诊断辅助***，旨在对病人的EEG信号进行处理分析，通过随机森林模型预测病人患有癫痫、精神***症、抑郁症、自闭症等精神疾病的概率，为医生诊断精神疾病提供辅助依据。

发明内容

本发明的目的在于提供一种基于EEG信号的医疗诊断辅助***，通过对病人的EEG信号进行采集、处理，对病人的精神健康进行诊断分析，帮助医务人员准确诊断病人是否患有精神疾病以及可能患有哪种精神疾病。本***基于EEG动态特征信号进行设计，可实现对病人脑电波的监测，通过对脑电波的特征提取及分类，对病人患有癫痫、精神***症、抑郁症、自闭症等精神疾病的概率进行预测，能够为医生提供可靠的医疗诊断辅助。

本发明提出如下技术方案：一种基于EEG信号的医疗诊断辅助***。本发明包括对病人EEG信号的采集、处理、传输、分析、精神疾病分类预测等过程。本发明包含EEG信号采集装置以及上位机医疗诊断辅助***，EEG信号采集装置实现EEG信号的采集、初步处理及信号传输，将EEG信号传输到上位机；上位机医疗诊断辅助***实现对EEG信号的进一步处理、分析和精神疾病分类预测并进行可视化显示。

本发明首先基于自制的EEG信号采集装置实现对病人EEG信号的采集、处理与传输，具体步骤为：

步骤一：通过自制的EEG信号采集装置采集病人一段时间内的EEG信号；

步骤二：对采集的EEG信号进行放大、滤波等处理，并将其转化为数字信号，传输到上位机医疗诊断辅助***。

在上位机医疗诊断辅助***上，实现EEG信号的后续处理，包括数据降噪、特征提取、分类器训练、精神疾病分类预测等。具体步骤为：

步骤一：上位机医疗诊断辅助***对EEG信号进行滤波、去噪等预处理；

步骤二：提取EEG信号的时域特征、频域特征和非线性特征；

步骤三：使用随机森林算法训练分类器，构建多分类***；

步骤四：基于提取到的特征，使用训练好的随机森林模型进行病人精神疾病分类预测，为医生诊断提供明确的辅助依据。

优选的，所述自制的EEG信号采集装置具有如下特征：

(1)EEG信号采集装置为头戴式设计，整体基于集成芯片设计，具有两个采集电极以及两个参考电极，两个采集电极分别位于左右前额，两个参考电极分别位于左右耳附近；

(2)采集电极和参考电极可配置为多种不同的导联采集方式：1)一侧耳朵处参考电极对应同侧前额采集电极；2)左右耳处的参考电极连接在一起作为参考电极，再与一个/两个采集电极配合使用；3)一侧耳朵处采集电极对应另一侧前额采集电极；

(3)通过不同的导联方式，医生可以自主选择EEG信号采集区域，灵活的记录下不同额区的EEG信号变化的绝对值；

(4)EEG信号采集装置集成有放大模块以及硬件滤波模块，能够对采集电极采集的EEG信号进行信号放大、低通滤波、高通滤波等初步处理；

(5)EEG信号在经过初步处理后，通过模数转换器转化为数字信号，再将该数字信号通过无线传输技术传送到上位机医疗诊断辅助***。

优选的，所述EEG信号采集和传输的具体流程为：

步骤一：为病人佩戴自制的EEG信号采集装置，配置电极导联模式，设置采样率，开始EEG信号采集；

步骤二：对EEG信号进行初步的处理，包括信号放大、高通滤波、低通滤波等；

步骤三：将预处理过的EEG信号转换为数字信号，通过蓝牙、WiFi等无线传输技术传输到上位机等待进一步的处理分析。

优选的，所述上位机医疗诊断辅助***进行EEG信号处理和分类器训练、预测的具体流程为：

步骤一：对EEG信号采集装置传送来的EEG信号进行软件滤波以去除硬件滤波器电容、电阻不匹配等引入的噪声以及50Hz工频干扰，得到较为纯净的EEG信号；

步骤二：将EEG信号采用滑动窗口切分成固定时间长度，采用独立成分分析法去除肌电、眼电伪迹等，同时利用统计分析、功率谱估计以及样本熵估计等方法对EEG数据进行处理，提取EEG信号的时域特征、频域特征及非线性特征；

步骤三：训练随机森林分类器，基于袋外估计误差(out ofbag error)构建最优的随机森林分类模型；

步骤四：基于步骤二中提取到的病人的EEG信号的时域特征、频域特征及非线性特征，使用最优的随机森林分类模型对这段时间内病人的EEG信号进行预测，预测其患有癫痫、精神***症、抑郁症、自闭症等精神疾病的概率，并进行可视化显示；

步骤五：医生根据预测结果并结合医疗经验做出准确判断。

优选的，所述上位机医疗诊断辅助***步骤三和步骤四进行随机森林分类器的训练和预测的具体流程如下：

步骤一：采集大量的正常人与患有癫痫、精神***症、抑郁症、自闭症等精神疾病病人的EEG信号；

步骤二：由专业医生选取一段时间内特征明显的EEG波段，并分别对正常人、癫痫患者、精神***症患者、抑郁症患者、自闭症患者等的EEG信号打上“0”，“1”，“2”，“3”，“4”，…，“J”等类别标签；

步骤三：对步骤二中的每个EEG信号进行去噪预处理，将其切分成一定时间长度的EEG信号分段，提取EEG信号分段的时域特征、频域特征及非线性特征，用这些EEG特征构造训练样本，设训练集合的样本数为N，每个训练样本的特征数为M；

优选的，在该步骤中对EEG信号分段提取的时域特征包括：EEG信号的幅值(最大值、最小值、均值和方差等)、波形(峰度、偏度、波宽等)。当脑部受到损伤或是有神经疾病时，人的脑电中会出现异常脑电信号，通过统计分析方法获取这些异常脑电信号的时域特征，作为第一特征向量。

优选的，在该步骤中对EEG信号分段提取的频域特征为EEG功率谱：

EEG信号的功率谱把幅度随时间变化的时域脑电信号通过变换，转化为幅度随频率变化的脑电功率谱图，功率谱反映了EEG信号的频率成分以及各成分的相对强弱，从频域上揭示EEG信号的节律分布与变化情况。功率谱估计的对象是有限长的离散时间信号，在本发明中可使用周期图法对EEG信号的功率谱进行估计，基本思想如下：把输入信号的S点观察数据X(n)＝{x(1)，x(2)，...，x(S)}看作是一种能量有限的信号，直接取x(n)(n＝1，2，...，S)的快速傅立叶变换(FFT)后得到频域信号序列X_S(w)，然后再取X_S(w)的模平方，并除以S作为对真实信号功率谱的估计。以P_PER(w)来表示用周期图法估计出来的功率谱，公式如下：

EEG节律与EEG功率谱通过如下处理建立时频关系：

1)首先将EEG信号分段分解成4个频带：δ(1-3Hz)、θ(4-7Hz)、α(8-13Hz)、β(14-30Hz)；

2)分别提取4个频带的功率谱特征；

3)将4个频带的功率谱特征组合成一个功率谱向量，该功率谱向量从能量的角度刻画了EEG节律之间的相对强弱；

将EEG信号分段的功率谱向量作为第二特征向量。

优选的，在该步骤中对EEG信号分段提取的非线性特征为样本熵：

样本熵是一种用于度量时间序列复杂性的方法，样本熵的物理意义是通过度量信号中产生新模式的概率大小来反映信号的复杂性，样本熵越小，对应的样本序列自我相似性就越高，样本熵越大，对应的样本序列就越复杂。当大脑发生异常时，脑电信号将变得复杂、不规则、随机性更强。假设有原始EEG信号的序列X(n)＝{x(1)，x(2)，...，x(S)}，样本熵的计算步骤如下：

1)重构l维向量序列：X_l(i)＝{x(i)，x(i+1)，...，x(i+l-1)}，其中，1≤i≤S-l+1，向量序列表示从第i点开始的l个连续的x值；

2)定义X_l(i)与X_l(j)之间的矢量距离为d[X_l(i)，X_l(j)]，即：

其中1≤i≤S-l+1，1≤j≤S-l+1，且j≠i；

3)对于给定的X_l(i)，(1≤i≤S-l+1)，在容许偏差距离r(r＞0)条件下，统计d[X_l(i)，X_l(j)]≤r的j(1≤j≤S-l+1，j≠i)的数目，记为B_i，此数目B_i与d[X_l(i)，X_l(j)]的个数的比值记为：

4)求所有的i对应的

的平均值，记为B^l(r)：

5)维数l增加1，令c＝l+1，重复1)～4)，得到：

6)则原始EEG信号序列的样本熵为：

实际计算过程中，S取有限值，样本熵估计为：

将EEG信号分段分解为δ(1-3Hz)、θ(4-7Hz)、α(8-13Hz)、β(14-30Hz)4个频带，分别计算各频带的样本熵，将4个频带的样本熵组合成一个样本熵向量，该向量刻画了EEG信号分段各节律的复杂程度，将该样本熵向量作为第三特征向量。

将第一特征向量、第二特征向量和第三特征向量合并为一个特征向量，作为从EEG信号分段得到的训练样本。训练样本还包括类别标签，类别标签来自所述上位机医疗诊断辅助***步骤三和步骤四进行随机森林分类器的训练和预测的具体流程的步骤二。

步骤四：通常来说，训练样本越多，训练出来的分类器泛化性能越好，为了充分利用样本数据，提高随机森林分类器的泛化能力，使用bootstrap sampling方法(自助采样法)从训练集中有放回的随机抽取N个样本，作为新的训练集，重复K次得到K个新的不同的训练集；

步骤五：将上述第四步得到的K个训练集作为训练数据，每一个训练集训练一个决策树，决策树的每一个节点随机地从M个特征(M为样本特征数)中选取m(m＜M)个特征子集，每次树进行***时，从这m个特征中选择最优的特征，递归地重复此步骤，直到决策树得到最大限度的生长，在该步骤中，采用CART方法***节点，基尼指数GINI值作为***节点的依据；经过该步骤得到K个决策树分类器D_j(j＝1，...，K)；

步骤六：由于在训练决策树时使用了bootstrap sampling采样得到的训练集，所以对于每棵决策树而言(假设对于第i棵树)，大约有1/3的训练实例没有参与第i棵树的生成，它们称为第i棵树的袋外(out of bag，oob)样本，该袋外样本集可以用来对随机森林分类器的性能进行评估。具体如下：

1)对每个样本，计算它作为oob样本的树对它的分类情况；

2)以简单多数投票作为该样本的分类结果；

3)用误分个数占样本总数的比率作为随机森林的袋外估计误差；

步骤七：采用网格搜索方法来调整决策树数量K、***特征数m，再随机打乱数据，重复步骤四～步骤六；

步骤八：选择使得随机森林分类器袋外估计误差最小的决策树数量K，分类特征数m，确定最优的随机森林分类模型；

步骤九：将最优的随机森林分类模型用于病人精神疾病的分类预测。一般而言，随机森林分类器是通过K个决策树对输入样本的所属类别进行概率预测，每个决策树将具有最大概率的类别作为该样本的预测类别，再通过简单多数投票决定该样本的最终分类结果，但是在本发明中，K个决策树不是直接输出该样本的预测类别，而是输出其属于每一类的概率，即对于一个输入样本，K个决策树有K个预测概率分布P_i＝[p_i1，p_i2，...，p_iJ](i＝1，...，K)，随机森林将K个预测的概率分布联合起来(通过加权和或者相乘并进行归一化)，得到最终的概率分布P’＝[p′₁，p′₂，...，p′_J]，即每个疾病的患病概率。

步骤十：定期应用每次病人的EEG数据，进行随机森林算法的更新和完善，提高分类器的泛化能力。

本发明具有如下创新点：

(1)本发明基于动态的EEG信号，通过随机森林分类算法对病人患有癫痫、精神***症、抑郁症、自闭症等精神疾病的概率进行预测，辅助医生进行医疗诊断。一般而言，随机森林分类器是通过K个决策树对输入样本的所属类别进行概率预测，每个决策树将具有最大概率的类别作为该样本的预测类别，再通过简单多数投票决定该样本的最终分类结果，但是本发明中并不直接输出其预测的患病类别，而是保留每一种疾病的患病概率，通过该概率辅助医生快速精确地判别病人是否患有精神疾病以及有可能患有什么精神疾病，为医生提供诊断辅助依据；

(2)本发明为了获取病人的EEG信号，自制了EEG信号采集装置，该装置基于集成芯片进行设计，预设了多个电极便于不同的导联配置，确保能够采集到足够的EEG信号进行处理分析，保证了上位机医疗诊断辅助***的有效性；

(3)本发明的EEG信号采集装置较为小巧，方便携带，而上位机医疗诊断辅助***只要在有计算机的地方就可以使用，不仅便于医生的携带，还有利于病人随时自主操作，进行精神状态的自主诊断。

根据本申请的第一方面，提供了第一基于EEG信号的信息处理***，包括：EEG信号采集装置与计算机；EEG信号采集装置实现EEG信号的采集、放大、滤波及信号传输，将EEG信号传输到计算机；计算机实现对EEG信号的去噪、特征提取和分类预测并进行可视化显示。

根据本申请的第一方面的第二基于EEG信号的信息处理***，其中EEG信号采集装置为头戴式设计，整体基于集成芯片设计，包括探测电极、前置放大器、低通滤波器、高通滤波器、模数转换器、微控制器以及无线传输模块，实现EEG信号的采集、放大、低通滤波、高通滤波以及模数转换，并将数字化的EEG信号通过无线传输传送到计算机。

根据本申请的第一方面的第三基于EEG信号的信息处理***，其中所述探测电极包括两个参考电极和两个采集电极；左耳处电极为第一参考电极，左前额处电极为第一采集电极，相应的，右耳处电极为第二参考电极，右前额处电极为第二采集电极；采集电极和参考电极可配置的多种导联采集方式包括：第一配置方式，一侧耳朵处参考电极对应同侧前额采集电极；第二配置方式，左右耳处的参考电极连接在一起作为参考电极，再与一个/两个采集电极配合使用；或者第三配置方式，一侧耳朵处采集电极对应另一侧前额采集电极。

根据本申请的第一方面的第四基于EEG信号的信息处理***，其中所述前置放大器为差分放大器，用于放大采集电极与参考电极的EEG信号之差；所述低通滤波器为经典的二阶有源低通滤波器，用于滤除高频干扰，高频干扰包括肌电和/或电子器件固有噪声；所述高通滤波器为经典的二阶有源高通滤波器，用于滤除低频干扰，低频干扰包括极化电压；所述模数转换器将经过放大、滤波预处理的EEG信号转换为数字信号；所述微控制器通过无线传输模块将数字化的EEG信号传输到计算机。

根据本申请的第一方面的第五基于EEG信号的信息处理***，所述计算机包括处理器与存储器；所述处理器通过执行软件来实施如下方法：对EEG信号采集装置传送来的EEG信号进行软件滤波以去除硬件滤波器电容、电阻不匹配所引入的噪声以及50Hz工频干扰；采用滑动窗口将其切分成具有指定时间长度的EEG信号分段，对每个EEG信号分段提取其时域特征、频域特征及非线性特征；基于这些特征构造推断样本，使用训练好的随机森林分类器对一个或多个推断样本预测其分类，得到一个或多个推断样本属于指定类别的概率，并进行可视化显示。

根据本申请的第一方面的第六基于EEG信号的信息处理***，其中，通过统计分析方法获取所述EEG信号分段的时域特征，所述时域特征包括EEG信号的最大值、最小值、均值、方差、峰度、偏度和/或波宽，所获取的时域特征作为第一特征向量。

根据本申请的第一方面的第七基于EEG信号的信息处理***，其中，通过周期图法获取所述EEG信号分段的频域特征，所述频域特征包括EEG信号分段的功率谱，计算功率谱的过程如下：将所述EEG信号分段包括的S点观察数据X(n)＝{x(1)，x(2)，...，x(S)}作为能量有限的信号，其中S是正整数，n＝1，2，...，S，对x(n)(n＝1，2，...，S)做快速傅立叶变换(FFT)后得到频域信号序列X_S(w)，其中w为频域变量，然后再取X_S(w)的模平方，并除以S作为对EEG信号分段功率谱的估计，以P_PER(w)来表示用周期图法估计出来的功率谱，公式如下：

通过如下处理为EEG节律与EEG信号分段的功率谱建立时频关系：

1)将EEG信号分段分解成4个频带：δ(1-3Hz)、θ(4-7Hz)、α(8-13Hz)、β(14-30Hz)；

2)用所述计算功率谱的过程分别提取4个频带的功率谱特征；

3)将4个频带的功率谱特征组合成一个功率谱向量，该功率谱向量从能量的角度刻画了EEG节律之间的相对强弱；

将所获取的功率谱向量作为所述EEG信号分段的第二特征向量。

根据本申请的第一方面的第八基于EEG信号的信息处理***，其中，所述EEG信号分段的非线性特征通过样本熵估计获取，计算样本熵的过程如下：对于EEG信号分段包括的S点序列X(n)＝{x(1)，x(2)，...，x(S)}，其中S是正整数，n＝1，2，...，S，计算样本熵的过程如下：

1)重构l维向量序列：X_l(i)＝{x(i)，x(i+1)，...，x(i+l-1)}，其中，1≤i≤S-l+1，向量序列表示EEG信号分段的S点序列中从第i点开始的l个连续的x值；

2)定义X_l(i)与X_l(j)之间的矢量距离为d[X_l(i)，X_l(j)]，即：

其中1≤i≤S-l+1，1≤j≤S-l+1，且j≠i；

3)对于给定的X_l(i)，(1≤i≤S-l+1)，在容许偏差距离r(r＞0)条件下，统计d[X_l(i)，X_l(j)]≤r的j(1≤j≤S-l+1，j≠i)的数目，该数目记为B_i，此数目B_i与d[X_l(i)，X_l(j)]的个数的比值记为：

4)求所有的i对应的

的平均值，记为B^l(r)：

5)维数l增加1，令c＝l+1，重复1)～4)，得到：

6)则所述EEG信号分段序列的样本熵为：

实际计算过程中，S取有限值，样本熵估计为：

将所述EEG信号分段分解为δ(1-3Hz)、θ(4-7Hz)、α(8-13Hz)、β(14-30Hz)4个频带，用所述计算样本熵的过程分别计算各频带的样本熵，将4个频带的样本熵组合成一个样本熵向量，该样本熵向量刻画了所述EEG信号分段的EEG各节律的复杂程度，将所获取的样本熵向量作为所述EEG信号分段的第三特征向量。

根据本申请的第一方面的第九基于EEG信号的信息处理***，其中，所述处理器通过执行软件还根据多个EEG信号构造用于训练所述随机森林分类器的训练样本；所述的随机森林分类器的训练样本构造过程如下：采集多个EEG信号，根据采集EEG信号得到具有指定时间长度的第一多个EEG信号分段；

对第一多个EEG信号分段的每个EEG信号分段提取所述第一特征向量、所述第二特征向量与所述第三特征向量，其中第一特征向量、第二特征向量与第三特征向量共包括M个特征，用第一特征向量、第二特征向量与第三特征向量构造样本段，还为每个样本段添加指示了类别的标签，其中标签指示了所述样本段所属EEG信号的类别；将样本段作为所述随机森林分类器的训练样本，训练样本的集合称为训练集，训练集的大小为N，其中M、N为正整数。

根据本申请的第一方面的第十基于EEG信号的信息处理***，其中，所述处理器通过执行软件还用所述训练样本训练所述随机森林分类器；用所述训练样本训练所述随机森林分类器的过程如下：使用bootstrap sampling方法从所述训练集中随机选取训练样本得到K个不同的训练子集，每个训练子集包括N个训练样本；用K个训练子集的每个训练K个决策树之一，决策树的每一个节点随机地从训练样本的m个特征中选择最优的特征进行***，使每棵决策树进行最大限度的生长，得到K个决策树分类器D_i(j＝1，...，K)；使用网格搜索方法调整决策树数量K、***特征数m，基于最小的袋外估计误差对应的决策树数量K、***特征数m构造最优的随机森林分类器；其中，K、M、N、m为正整数，且m＜M。

根据本申请的第一方面的第十一基于EEG信号的信息处理***，其中，所述处理器通过执行软件来使用训练好的随机森林分类器对一个或多个推断样本预测其分类；使用训练好的随机森林分类器对一个或多个推断样本预测其分类的过程如下：采集EEG信号，根据采集EEG信号得到具有指定时间长度的第二多个EEG信号分段；用第二多个EEG信号分段的每个EEG信号分段的所述第一特征向量、所述第二特征向量与所述第三特征向量，构造推断样本，其中第一特征向量、第二特征向量与第三特征向量共包括M个特征；所述随机森林分类器对推断样本进行预测，K个决策树有K个预测概率分布P_i＝[p_i1，p_i2，…，p_iJ](i＝1，...，K)，联合所述K个预测概率分布得到最终的概率分布P’＝[p′₁，p′₂，…，p′_J]，所述概率分布表征所述推断样本的类别的概率，其中J为类别的数目，K、J为正整数。

根据本申请的第一方面的第十二基于EEG信号的信息处理***，其中，所述处理器通过执行软件定期更新所述训练好的随机森林分类器；其中构造新的训练样本，并用新的训练样本更新所述训练好的随机森林分类器，以提高随机森林分类器的泛化能力。

附图说明

图1为本发明的实施例的示意图。

图2为本发明的实施例的EEG信号采集装置的正视图。

图3为本发明的实施例的EEG信号采集装置的俯视图。

图4为本发明的实施例的EEG信号采集装置工作原理的示意图。

图5为本发明的实施例的医疗诊断辅助***的计算机执行的处理的流程图。

图6为本发明的实施例的随机森林分类器构建流程图。

具体实施方式

下面结合附图和实施例对本发明进行详细说明。

本发明首先通过对正常人与患有癫痫、精神***症、抑郁症、自闭症等精神疾病病人的EEG信号进行采样并打上不同的类别标签，再对其进行预处理、信号切分以及脑电特征提取等，构造训练数据集，将该数据集用于训练随机森林分类器，通过网格搜索方法对随机森林分类器的参数进行优化，获取最优的随机森林模型。同时，将病人的EEG信号经过预处理、特征提取后导入到最优的随机森林模型中进行精神疾病概率预测，随机森林分类器给出病人患有癫痫、精神***症、抑郁症、自闭症等精神疾病的概率，辅助医生进行医疗诊断。

在本实施例中具体为：

步骤一：首先采集大量的正常人与患有癫痫、精神***症、抑郁症、自闭症等精神疾病病人的EEG信号；

步骤二：由专业医生选取一段时间内(在本实施例中为30s)特征明显的EEG波段，并分别对正常人、癫痫患者、精神***症患者、抑郁症患者、自闭症患者等的EEG信号打上“0”，“1”，“2”，“3”，“4”，…，“J”等类别标签；

步骤三：对每个EEG信号进行去噪预处理，将其切分成一定时间长度(本实施例为3s)，通过统计分析方法提取EEG信号的幅值(最大值、最小值、均值和方差等)、波形(峰度、偏度、波宽等)等时域信息作为时域特征(第一特征向量)；通过周期图法提取EEG信号中四个频带(δ(1-3Hz)、θ(4-7Hz)、α(8-13Hz)、β(14-30Hz))的功率谱作为频域特征(第二特征向量)；通过样本熵估计提取EEG信号中四个频带(δ(1-3Hz)、θ(4-7Hz)、α(8-13Hz)、β(14-30Hz))的样本熵作为非线性特征(第三特征向量)，将第一特征向量、第二特征向量、第三特征向量以及样本类别标签组合成训练样本；

步骤四：对步骤三中得到的训练样本使用bootstrap sampling方法构造多个不同的训练集，用于训练随机森林分类器，在训练过程中，采用CART方法***节点，采用基尼指数GINI值作为***节点的依据，通过网格搜索方法，基于袋外估计误差来获取最优的随机森林分类模型；

步骤五：将最优的随机森林分类模型应用于上位机医疗诊断辅助***；

步骤六：为病人佩戴自制的EEG信号采集装置，配置电极导联模式(如配置为左侧耳朵处参考电极对应同侧前额采集电极)，设置采样率(如500Hz)，采集病人一段时间内的EEG信号；

步骤七：对采集的EEG信号进行信号放大、高通滤波、低通滤波等初步处理，因为脑电信号的频率范围一般在1-30Hz，在本实施例中将高通滤波截止频率设置为0.1Hz，低通滤波截止频率设置为100Hz；

步骤八：将经过预处理的EEG信号通过模数转换器转换为数字信号，通过蓝牙、WiFi等无线传输技术传输到上位机；

步骤九：上位机医疗诊断辅助***对接收到的EEG信号进行软件滤波以去除硬件滤波器电容、电阻不匹配等引入的噪声以及50Hz工频干扰，得到较为纯净的EEG信号；

步骤十：将步骤九中得到的EEG信号采用滑动时间窗口切分成固定长度(在本实施例中为3s)，采用独立成分分析法去除肌电、眼电伪迹等，同时提取EEG信号的时域特征、频域特征及非线性特征，特征提取过程如步骤三所述；

步骤十一：基于病人EEG信号的时域特征、频域特征及非线性特征，使用最优的随机森林模型对这段时间内病人的EEG信号进行预测，预测其患有癫痫、精神***症、抑郁症、自闭症等精神疾病的概率，并进行可视化显示；如：假设随机森林中决策树数量为K，每一个决策树对于该病人的EEG信号属于正常、癫痫、精神***症、抑郁症、自闭症(本实施例中精神疾病的类别数为J＝5，实际使用时可以为更大的数)的预测概率为P_i＝[p_i1，p_i2，p_i2，p_i4，p_i5](i＝1，...，K)，随机森林联合K个决策树的预测概率分布(通过加权和或直接相乘并归一化，本实施例中通过加权和联合K个概率分布)，得到最终的预测概率分布P’＝[p′₁，p′₂，p′₃，p′₄，p′₅]，即：

其中a_i∈[0，1]为决策树的加权系数，

步骤十二：医生根据预测结果并结合医疗经验做出准确判断；假设通过步骤十一得到的预测概率分布P'＝[0.1，0.61，0.12，0.1，0.07]，则上位机医疗诊断辅助***预测该病人为正常人的概率为10％、为癫痫患者的概率为61％、为精神***症患者的概率为12％、为抑郁症患者的概率为10％、为自闭症患者的概率为7％，医生根据此预测结果以及病人的临床表现，再结合自身的临床经验判断该病人是否患有精神疾病；

步骤十三：定期应用每次病人的EEG数据，进行随机森林模型的更新和完善，提高随机森林模型的泛化能力。

参看图1，根据本申请的实施例，采集EEG信号。EEG信号来自正常人与精神异常的病人。通过根据本申请实施例的EEG信号采集装置获取EEG信号并提供给计算机来实现EEG信号的采集。在图2与图3中描述了根据本申请实施例的EEG信号采集装置。

继续参看图1，从采集的EEG信号中提取EEG信号分段(1)。通过对EEG信号实施去噪、分段等处理获取EEG信号分段。每个EEG信号分段具有指定的时间长度，例如3秒。

根据每个EEG信号分段，提取其时域特征(记为第一特征向量)、频域特征(记为第二特征向量)和非线性特征(记为第三特征向量)(2.1)。用第一特征向量、第二特征向量与第三特征向量构造用于训练随机森林分类器的训练样本，还向训练样本添加分类标签(2.2)。分类标签对应于该EEG信号分段的人的属性(正常人，或患有指定的精神疾病)。

可以理解地，也通过EEG信号分段的方式构造推断样本。推断样本包括第一特征向量、第二特征向量与第三特征向量，但不包括分类标签。

通过bootstrap sampling方法(自助采样法)构造多个训练集(训练样本集)。随机森林分类器包括K个决策树(D₁，D₂，...，D_K)，每个决策树的训练需要1个样本集(3)，从而样本集的数量同样为K，K为正整数。每个训练集的训练样本数量为N，N为正整数。

为训练随机森林分类器，设置参数K以及m，K是决策树的数量，而m是决策树的***特征数。

用样本集训练对应的决策树(4)。并用袋外估计误差来评估所训练的随机森林分类器的性能(5.1、5.2)。对于参数K与m的每个组合＜K，m＞，得到对应的袋外估计误差。以及调整参数K与m的取值，重新训练随机森林分类器并评估其性能(6)，选择对应了最优的袋外估计误差的参数K与m并得到最优的随机森林分类器(7)。

将推断样本提供给训练好的随机森林分类器(8)。随机森林分类器的每个决策树输出预测的类别标签及其概率分布，联合K个决策树的预测概率分布，得到最终的预测概率分布(9)。

参看图2，本申请的EEG信号采集装置为头戴式设计，整体基于集成芯片设计，具有两个采集电极以及两个参考电极，两个采集电极分别位于左右前额，两个参考电极分别位于左右耳附近。采集电极和参考电极可配置为多种不同的导联采集方式：1)一侧耳朵处参考电极对应同侧前额采集电极；2)左右耳处的参考电极连接在一起作为参考电极，再与一个/两个采集电极配合使用；3)一侧耳朵处采集电极对应另一侧前额采集电极；通过不同的导联方式，医生可以自主选择EEG信号采集区域，灵活的记录下不同额区的EEG信号变化的绝对值。EEG信号采集装置集成有放大模块以及硬件滤波模块，能够对采集电极采集的EEG信号进行信号放大、低通滤波、高通滤波等初步处理。EEG信号在经过初步处理后，通过模数转换器转化为数字信号，再将该数字信号通过无线传输技术传送到医疗诊断辅助***的上位机。

图3是本申请的EEG信号采集装置的俯视图。

图4是本发明的实施例的EEG信号采集装置工作原理的示意图。首先通过前置差分放大器将采集电极与参考电极之间的EEG信号之差进行放大，得到幅度较大的EEG信号；将该EEG信号进行低通滤波以滤除肌电、电子器件固有噪声等高频干扰，进行高通滤波以滤除极化电压等低频干扰；再用模数转换器将经过放大、滤波等初步处理的EEG信号转换为数字信号，通过无线传输模块传送到计算机。

本申请的医疗诊断辅助***的上位机是例如计算机或服务器。上位机包括例如处理器与存储器，存储器中存储有程序。处理器执行程序来实施根据本申请实施例的一个或多个处理流程，例如，结合图5与图6所提供的处理流程。

参看图5，根据本申请实施例的EEG信号处理包括：

对EEG信号采集装置传送来的EEG信号进行软件自适应滤波以去除硬件滤波器电容、电阻不匹配等引入的噪声以及50Hz工频干扰，得到较为纯净的EEG信号。将EEG信号采用滑动窗口切分成固定时间长度的EEG信号分段，采用独立成分分析法去除肌电、眼电伪迹等。利用统计分析、功率谱估计以及样本熵估计等方法对EEG数据进行处理，提取EEG信号分段的时域特征、频域特征及非线性特征。用EEG信号分段构造训练样本，训练随机森林分类器，基于袋外估计误差(out of bag error)构建最优的随机森林分类模型。

用来自病人的EEG信号分段的时域特征、频域特征及非线性特征构造推断样本，使用训练好的随机森林分类器对这段时间内病人的EEG信号进行预测，预测其患有癫痫、精神***症、抑郁症、自闭症等精神疾病的概率，并进行可视化显示。以及可选地，医生根据预测结果并结合医疗经验做出准确判断。可以理解地，医生根据随机森林分类器预测结果做出判断的过程，不是由根据本申请实施例的计算机所执行的处理流程的部分。

图6为本发明的实施例的随机森林分类器构建流程图。前面已经详细描述了获取训练样本，以及用训练样本训练随机森林分类器的过程，在此不再重复。

Claims (10)

1.一种基于EEG信号的信息处理***，包括：EEG信号采集装置与计算机；EEG信号采集装置实现EEG信号的采集、放大、滤波及信号传输，将EEG信号传输到计算机；计算机实现对EEG信号的去噪、特征提取和分类预测并进行可视化显示。

2.根据权利要求1所述的信息处理***，其中EEG信号采集装置为头戴式设计，整体基于集成芯片设计，包括探测电极、前置放大器、低通滤波器、高通滤波器、模数转换器、微控制器以及无线传输模块，实现EEG信号的采集、放大、低通滤波、高通滤波以及模数转换，并将数字化的EEG信号通过无线传输传送到计算机。

3.根据权利要求2所述的信息处理***，其中所述探测电极包括两个参考电极和两个采集电极；左耳处电极为第一参考电极，左前额处电极为第一采集电极，相应的，右耳处电极为第二参考电极，右前额处电极为第二采集电极；采集电极和参考电极可配置的多种导联采集方式包括：

第一配置方式，一侧耳朵处参考电极对应同侧前额采集电极；

第二配置方式，左右耳处的参考电极连接在一起作为参考电极，再与一个/两个采集电极配合使用；或者

第三配置方式，一侧耳朵处采集电极对应另一侧前额采集电极；

所述前置放大器为差分放大器，用于放大采集电极与参考电极的EEG信号之差；

所述低通滤波器为经典的二阶有源低通滤波器，用于滤除高频干扰，高频干扰包括肌电和/或电子器件固有噪声；

所述高通滤波器为经典的二阶有源高通滤波器，用于滤除低频干扰，低频干扰包括极化电压；

所述模数转换器将经过放大、滤波预处理的EEG信号转换为数字信号；

所述微控制器通过无线传输模块将数字化的EEG信号传输到计算机。

4.根据权利要求1所述的信息处理***，所述计算机包括处理器与存储器；所述处理器通过执行软件来实施如下方法：

对EEG信号采集装置传送来的EEG信号进行软件滤波以去除硬件滤波器电容、电阻不匹配所引入的噪声以及50Hz工频干扰；采用滑动窗口将其切分成具有指定时间长度的EEG信号分段，对每个EEG信号分段提取其时域特征、频域特征及非线性特征；基于这些特征构造推断样本，使用训练好的随机森林分类器对一个或多个推断样本预测其分类，得到一个或多个推断样本属于指定类别的概率，并进行可视化显示；

其中，通过统计分析方法获取所述EEG信号分段的时域特征，所述时域特征包括EEG信号的最大值、最小值、均值、方差、峰度、偏度和/或波宽，所获取的时域特征作为第一特征向量。

5.根据权利要求4所述的信息处理***，其中，通过周期图法获取所述EEG信号分段的频域特征，所述频域特征包括EEG信号分段的功率谱，计算功率谱的过程如下：

将所述EEG信号分段包括的S点观察数据X(n)＝{x(1)，x(2)，...，x(S)}作为能量有限的信号，其中S是正整数，n＝1，2，...，S，对x(n)(n＝1，2，...，S)做快速傅立叶变换(FFT)后得到频域信号序列X_S(w)，其中w为频域变量，然后再取X_S(w)的模平方，并除以S作为对EEG信号分段功率谱的估计，以P_PER(w)来表示用周期图法估计出来的功率谱，公式如下：

通过如下处理为EEG节律与EEG信号分段的功率谱建立时频关系：

1)将EEG信号分段分解成4个频带：δ(1-3Hz)、θ(4-7Hz)、α(8-13Hz)、β(14-30Hz)；

2)用所述计算功率谱的过程分别提取4个频带的功率谱特征；

3)将4个频带的功率谱特征组合成一个功率谱向量，该功率谱向量从能量的角度刻画了EEG节律之间的相对强弱；

将所获取的功率谱向量作为所述EEG信号分段的第二特征向量。

6.根据权利要求4或5所述的信息处理***，其中，所述EEG信号分段的非线性特征通过样本熵估计获取，计算样本熵的过程如下：

对于EEG信号分段包括的S点序列X(n)＝{x(1)，x(2)，...，x(S)}，其中S是正整数，n＝1，2，...，S，计算样本熵的过程如下：

1)重构l维向量序列：X_l(i)＝{x(i)，x(i+1)，...，x(i+l-1)}，其中，1≤i≤S-l+1，向量序列表示EEG信号分段的S点序列中从第i点开始的l个连续的x值；

2)定义X_l(i)与X_l(j)之间的矢量距离为d[X_l(i)，X_l(j)]，即：

其中1≤i≤S-l+1，1≤j≤S-l+1，且j≠i；

3)对于给定的X_l(i)，(1≤i≤S-l+1)，在容许偏差距离r(r＞0)条件下，统计d[X_l(i)，X_l(j)]≤r的j(1≤j≤S-l+1，j≠i)的数目，该数目记为B_i，此数目B_i与d[X_l(i)，X_l(j)]的个数的比值记为：

4)求所有的i对应的

的平均值，记为B^l(r)：

5)维数l增加1，令c＝l+1，重复1)～4)，得到：

6)则所述EEG信号分段序列的样本熵为：

实际计算过程中，S取有限值，样本熵估计为：

将所述EEG信号分段分解为δ(1-3Hz)、θ(4-7Hz)、α(8-13Hz)、β(14-30Hz)4个频带，用所述计算样本熵的过程分别计算各频带的样本熵，将4个频带的样本熵组合成一个样本熵向量，该样本熵向量刻画了所述EEG信号分段的EEG各节律的复杂程度，将所获取的样本熵向量作为所述EEG信号分段的第三特征向量。

7.根据权利要求6所述的信息处理***，其中，所述处理器通过执行软件还根据多个EEG信号构造用于训练所述随机森林分类器的训练样本；

所述的随机森林分类器的训练样本构造过程如下：

采集多个EEG信号，根据采集EEG信号得到具有指定时间长度的第一多个EEG信号分段；

对第一多个EEG信号分段的每个EEG信号分段提取所述第一特征向量、所述第二特征向量与所述第三特征向量，其中第一特征向量、第二特征向量与第三特征向量共包括M个特征，用第一特征向量、第二特征向量与第三特征向量构造样本段，还为每个样本段添加指示了类别的标签，其中标签指示了所述样本段所属EEG信号的类别；将样本段作为所述随机森林分类器的训练样本，训练样本的集合称为训练集，训练集的大小为N，其中M、N为正整数。

8.根据权利要求7所述的信息处理***，其中，所述处理器通过执行软件还用所述训练样本训练所述随机森林分类器；

用所述训练样本训练所述随机森林分类器的过程如下：

使用bootstrap sampling方法从所述训练集中随机选取训练样本得到K个不同的训练子集，每个训练子集包括N个训练样本；用K个训练子集的每个训练K个决策树之一，决策树的每一个节点随机地从训练样本的m个特征中选择最优的特征进行***，使每棵决策树进行最大限度的生长，得到K个决策树分类器D_j(j＝1，...，K)；使用网格搜索方法调整决策树数量K、***特征数m，基于最小的袋外估计误差对应的决策树数量K、***特征数m构造最优的随机森林分类器；其中，K、M、N、m为正整数，且m＜M。

9.根据权利要求8所述的信息处理***，其中，所述处理器通过执行软件来使用训练好的随机森林分类器对一个或多个推断样本预测其分类；

使用训练好的随机森林分类器对一个或多个推断样本预测其分类的过程如下：

采集EEG信号，根据采集EEG信号得到具有指定时间长度的第二多个EEG信号分段；

用第二多个EEG信号分段的每个EEG信号分段的所述第一特征向量、所述第二特征向量与所述第三特征向量，构造推断样本，其中第一特征向量、第二特征向量与第三特征向量共包括M个特征；

所述随机森林分类器对推断样本进行预测，K个决策树有K个预测概率分布P_i＝[p_i1，p_i2，...，p_iJ](i＝1，...，K)，联合所述K个预测概率分布得到最终的概率分布P’＝[p′₁，p′₂，…，p′_J]，所述概率分布表征所述推断样本的类别的概率，其中J为类别的数目，K、J为正整数。

10.根据权利要求9所述的信息处理***，其中，所述处理器通过执行软件定期更新所述训练好的随机森林分类器；

其中构造新的训练样本，并用新的训练样本更新所述训练好的随机森林分类器，以提高随机森林分类器的泛化能力。

Images