一种利用波动指数和提升训练的脑电检测方法和装置.pdf

摘要
申请专利号：	CN201110416444.X	申请日：	2011.12.14
公开号：	CN102488518A	公开日：	2012.06.13
当前法律状态：	授权	有效性：	有权
法律详情：	未缴年费专利权终止IPC(主分类):A61B 5/0476申请日:20111214授权公告日:20130904终止日期:20171214\|\|\|授权\|\|\|实质审查的生效IPC(主分类):A61B 5/0476申请日:20111214\|\|\|公开
IPC分类号：	A61B5/0476	主分类号：	A61B5/0476
申请人：	山东大学
发明人：	周卫东; 陈爽爽
地址：	250100 山东省济南市历城区山大南路27号
优先权：
专利代理机构：	济南金迪知识产权代理有限公司 37219	代理人：	吕利敏
PDF下载：	PDF下载

内容摘要

本发明涉及一种利用波动指数和提升训练的脑电检测方法和装置，利用特征效果较好的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提升训练方法获得的分类器中，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。

权利要求书

1：一种利用波动指数和提升训练的脑电检测方法，其特征在于，步骤如下： 1) 利用脑电放大器和数据采集卡采集脑电信号，将采集到的脑电信号通过 A/D 转换，存储到计算机中； 2) 计算机对脑电信号进行滤波和去噪； 3) 计算机提取脑电信号各通道各小波层的波动指数； 4) 将步骤 3) 提取到的波动指数输入分类器进行计算，得到输出概率值； 5) 将输出概率值与预设阈值进行比较，获得脑电检测结果并标记：输出概率值大于预设阈值，则判断检测脑电为异常，标记为 1 ；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。
2：如权利要求 1 所述的方法，其特征在于，步骤 1) 中所述的脑电放大器为 Neurofile NT 脑电放大器，所述的数据采集卡为 16 位 A/D 转换数据采集卡，采样频率为 256Hz。
3：如权利要求 1 所述的方法，其特征在于，步骤 2) 中所述的计算机对脑电信号进行滤波和去噪的方法步骤如下：采集一段长度为 LEN 的脑电信号，利用 Daubechies-4 小波进行 S 层小波分解，优选 S ＝5；随后对分解后的脑电信号进行信号重构，提取重构信号的 3-30Hz 频段，即第 3、 4、 5层重构信号 aj， aj，其 n， n 代表长度为 LEN 的脑电信号第 j 通道信号 xj 的第 n 层小波重构信号，中 j ＝ 1， 2， ...， C， n ＝ 3， 4， 5； C 是通道数。
4：如权利要求 3 所述的方法，其特征在于，所述通道数 C ＝ 6。
5：如权利要求 3 所述的方法，其特征在于，所述 LEN ＝ 1024。
6：如权利要求 1 所述的方法，其特征在于，步骤 3) 中所述的提取脑电信号各通道各小波层的波动指数的方法为：利用公式 (1) 计算步骤 2) 脑电信号中第 j 通道信号 xj 的第 n 层小波重构信号的波动指数 wavj， n 为
7：如权利要求 1 所述的方法，其特征在于，步骤 4) 中所述的通过分类器计算输出概率值的方法为：将步骤 3) 中的波动指数 wavj，利用公式 (2) n 作为特征向量 w 送入分类器 F，得到长度 LEN 的脑电信号为异常脑电的概率 P ；步骤 4) 中所述的分类器是按以下提升训练方法获得，具体实现步骤为： k a)W 为分类器训练所用分段的脑电数据， W ＝ {wi ∈ R ， i ＝ 1， 2， L， N}，其中 K ＝ C×S， C 是 EEG 的通道数， S 是小波层数， N 为数据段数，每段长度为 LEN ； Y 为对应标记量， Y＝ {yi ∈ {-1， 1}， i ＝ 1， 2， L， N}，标记量为 -1 表示正常脑电，标记量为 1 表示异常脑电； wi 为第 i 段脑电信号各通道第 3、 4、 5 层小波重构信号的波动指数 wavj，n 组成的特征向量； Fm 表示 m 步后建立的分类器；设定迭代次数为 M ；设定第 i 段脑电信号特征向量 wi 属于异常脑电的初始概率为 p0(yi ＝ 1|wi) ＝ 0.5， i ＝ 1， 2， L， N；设定第 i 段脑电信号特征向量 wi 的初始分类器为 F0(wi) ＝ 0， i ＝ 1， 2， L， N； N ＝ 900， M ＝ 180 ； 2 b)m 表示迭代步数，从 m ＝ 1 开始进行以下循环迭代： i. 计算分类器 Fm 似然函数的一阶导数其中 pm-1(yi ＝ 1|wi) 表示第 m-1 步迭代后特征向量 wi 属于异常脑电的概率值； ii. 通过最小二乘法由 wi 对拟合得到回归系数 r，用 f(wi) 表示第 i 段脑电信号特征向量 wi 的弱分类器： f(wi) ＝ rTwi， i ＝ 1， 2， L， N； iii. 得到 m 次迭代后选用的弱分类器 fm iv. 通过训练数据推出的伯努利回归函数 L(Fm ； W， Y) 可以表示为： v. 计算第 m 步后弱分类器加权系数 γm 为 vi. 更新分类器 Fm ＝ Fm-1+εγmfm 其中 ε 为一个极小的值， ε ＝ 0.05 ； vii. 由分类器 Fm 计算特征向量 wi 属于异常脑电的概率值：其中， Fm(wi) 表示 m 步后对应训练数据 wi 的分类器； viii. 令 m ＝ m+1，重复进行上述循环，如果 m ＝ M 则循环迭代结束，得到分类器 F ＝ FM。
8：如权利要求 1 所述的方法，其特征在于，步骤 5) 中所述的预设阈值为 0.5。
9：一种利用权利要求 1 所述方法进行脑电检测的装置，其特征在于，所述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波动指数和提升训练方法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，利用波动指数和提升训练方法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波动指数作为特征向量；将特征向量送入以提升训练方法所获得的分类器中，获输出概率值；将输出概率值与预设阈值比较，得脑电检测结果并加以标记。

说明书

一种利用波动指数和提升训练的脑电检测方法和装置
    技术领域本发明公开了一种利用波动指数和提升训练的脑电检测方法和装置，属于脑电检测技术领域。
     技术背景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系统功能失调为特征的脑部疾患。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，查看 EEG 中是否含有癫痫样放电等特征波，其工作量大，容易造成医务工作者疲倦而产生误判。因此，在癫痫检测中，自动检测系统检测脑电的准确性有着越重要的地位，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，本发明提出了一种利用波动指数和提升训练的脑电检测方法，该方法将提取到的脑电信号波动指数作为输入参数，送入由提升训练的分类器进行计算，获得输出概率值，将输出概率值与预设阈值进行比较，从而获得脑电检测结果。
     本发明还提供一种利用上述方法进行检测脑电的装置。
     本发明的技术方案如下：
     一种利用波动指数和提升训练的脑电检测方法，步骤如下：
     1) 利用脑电放大器和数据采集卡采集脑电信号，将采集到的脑电信号通过 A/D 转换，存储到计算机中；
     2) 计算机对脑电信号进行滤波和去噪；
     3) 计算机提取脑电信号各通道各小波层的波动指数；
     4) 将步骤 3) 提取到的波动指数输入分类器进行计算，得到输出概率值；
     5) 将输出概率值与预设阈值进行比较，获得脑电检测结果并标记：
     输出概率值大于预设阈值，则判断检测脑电为异常，标记为 1 ；
     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 0.5。
     步骤 1) 中所述的脑电放大器为 Neurofile NT 脑电放大器，所述的数据采集卡为16 位 A/D 转换数据采集卡，采样频率为 256Hz。
     步骤 2) 中所述的计算机对脑电信号进行滤波和去噪的方法步骤如下：
     采集一段长度为 LEN 的脑电信号，利用 Daubechies-4 小波进行 S 层小波分解，优选S＝5；随后对分解后的脑电信号进行信号重构，提取重构信号的 3-30Hz 频段，即第 3、 4、 5 层重构信号 aj， aj， n， n 代表长度为 LEN 的脑电信号第 j 通道信号 xj 的第 n 层小波重构信号，其中 j ＝ 1， 2， ...， C， n ＝ 3， 4， 5； C 是通道数，优选 C ＝ 6。
     优选 LEN ＝ 1024。
     步骤 3) 中所述的提取脑电信号各通道各小波层的波动指数的方法为：
     利用公式 (1) 计算步骤 2) 脑电信号中第 j 通道信号 xj 的第 n 层小波重构信号的波动指数 wavj， n 为
     步骤 4) 中所述的通过分类器计算输出概率值的方法为：将步骤 3) 中的波动指数 wavj，利用公式 (2) n 作为特征向量 w 送入分类器 F，得到长度 LEN 的脑电信号为异常脑电的概率 P。
     步骤 4) 中所述的分类器是按以下提升训练方法获得，具体实现步骤为： k
     a)W 为分类器训练所用分段的脑电数据， W ＝ {wi ∈ R ， i ＝ 1， 2， L， N}，其中 K ＝ C×S， C 是 EEG 的通道数， S 是小波层数， N 为数据段数，每段长度为 LEN ； Y 为对应标记量， Y ＝ {yi ∈ {-1， 1}， i ＝ 1， 2， L， N}，标记量为 -1 表示正常脑电，标记量为 1 表示异常脑电； wi 为第 i 段脑电信号各通道第 3、 4、 5 层小波重构信号的波动指数 wavj，n 组成的特征向量； Fm 表示 m 步后建立的分类器；设定迭代次数为 M ；设定第 i 段脑电信号特征向量 wi 属于异常脑电的初始概率为 p0(yi ＝ 1|wi) ＝ 0.5， i ＝ 1， 2， L， N；设定第 i 段脑电信号特征向量 wi 的初始分类器为 F0(wi) ＝ 0， i ＝ 1， 2， L， N； N ＝ 900， M ＝ 180。
     b)m 表示迭代步数，从 m ＝ 1 开始进行以下循环迭代：
     i. 计算分类器 Fm 似然函数的一阶导数
     其中 pm-1(yi ＝ 1|wi) 表示第 m-1 步迭代后特征向量 wi 属于异常脑电的概率值； ii. 通过最小二乘法由 wi 对拟合得到回归系数 r，用 f(wi) 表示第 i 段脑电信号特征向量 wi 的弱分类器：
     f(wi) ＝ rTwi， i ＝ 1， 2， L， N；
     iii. 得到 m 次迭代后选用的弱分类器 fm
     iv. 通过训练数据推出的伯努利回归函数 L(Fm ； W， Y) 可以表示为：v. 计算第 m 步后弱分类器加权系数 γm 为 vi. 更新分类器 Fm ＝ Fm-1+εγmfm 其中 ε 为一个极小的值， ε ＝ 0.05 ； vii. 由分类器 Fm 计算特征向量 wi 属于异常脑电的概率值：其中， Fm(wi) 表示 m 步后对应训练数据 wi 的分类器； viii. 令 m ＝ m+1，重复进行上述循环，如果 m ＝ M 则循环迭代结束，得到分类器 F＝ FM。一种利用上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波动指数和提升训练方法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，利用波动指数和提升训练方法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波动指数作为特征向量；将特征向量送入以提升训练方法所获得的分类器中，获输出概率值；将输出概率值与预设阈值比较，得脑电检测结果并加以标记。
     本发明的有益的效果是：
     利用特征效果较好的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提升训练方法获得的分类器中，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 为本发明的脑电检测方法的流程图；图 2 为本发明的脑电检测装置的硬件连接图；图 3 为实施例 1 中所述脑电信号的波动指数，其中两竖线间为异常脑电持续时间；图 4 为图 3 所述脑电信号的分类结果：其中， 1 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
     下面结合附图与实例对本发明做进一步说明，显然本发明并不限于此。
     实施例 1、
     如图 1 所示，一种利用波动指数和提升训练的脑电检测方法，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 Daubechies-4 小波进行 S 层小波分解，优选 S ＝ 5 ；随后对分解后的脑电信号进行信号重构，提取重构信号的 3-30Hz 频段，即第 3、 4、 5 层重构信号 aj，n， aj，n 代表长度为 LEN 的脑电信号第 j 通道信号 xj 的第 n 层小波重构信号，其中 j ＝ 1， 2， ...， C， n ＝ 3， 4， 5； C 是通道数， C ＝ 6。
     3) 计算机提取脑电信号各通道各小波层的波动指数的方法为：
     利用公式 (1) 计算步骤 2) 脑电信号中第 j 通道信号 xj 的第 n 层小波重构信号的波动指数 wavj， n 为
     图 3 中所示为脑电信号第 1 通道第 3 层小波重构信号的波动指数。 4) 将步骤 3) 提取到的波动指数输入分类器进行计算，得到输出概率值；所述的通过分类器计算输出概率值的方法为：将步骤 3) 中的波动指数 wavj，利用公式 (2) n 作为特征向量 w 送入分类器 F，得到长度 LEN 的脑电信号为异常脑电的概率 P ；
     所述的分类器是按以下提升训练方法获得，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 是小波层数， N 为数据段数，每段长度为 LEN ； Y 为对应标记量， Y ＝ {yi ∈ {-1， 1}， i ＝ 1， 2， L， N}，标记量为 -1 表示正常脑电，标记量为 1 表示异常脑电； wi 为第 i 段脑电信号各通道第 3、 4、 5 层小波重构信号的波动指数 wavj，n 组成的特征向量； Fm 表示 m 步后建立的分类器；设定迭代次数为 M ；设定第 i 段脑电信号特征向量 wi 属于异常脑电的初始概率为 p0(yi ＝ 1|wi) ＝ 0.5， i ＝ 1， 2， L， N；设定第 i 段脑电信号特征向量 wi 的初始分类器为 F0(wi) ＝ 0， i ＝ 1， 2， L， N； N ＝ 900， M ＝ 180 ；
     b)m 表示迭代步数，从 m ＝ 1 开始进行以下循环迭代：
     i. 计算分类器 Fm 似然函数的一阶导数
     其中 pm-1(yi ＝ 1|wi) 表示第 m-1 步迭代后特征向量 wi 属于异常脑电的概率值； ii. 通过最小二乘法由 wi 对拟合得到回归系数 r，用 f(wi) 表示第 i 段脑电信号特征向量 wi 的弱分类器：
     f(wi) ＝ rTwi， i ＝ 1， 2， L， N；
     iii. 得到 m 次迭代后选用的弱分类器 fm
     iv. 通过训练数据推出的伯努利回归函数 L(Fm ； W， Y) 可以表示为：v. 计算第 m 步后弱分类器加权系数 γm 为 vi. 更新分类器 Fm ＝ Fm-1+εγmfm 其中 ε 为一个极小的值， ε ＝ 0.05 ； vii. 由分类器 Fm 计算特征向量 wi 属于异常脑电的概率值：其中， Fm(wi) 表示 m 步后对应训练数据 wi 的分类器； viii. 令 m ＝ m+1，重复进行上述循环，如果 m ＝ M 则循环迭代结束，得到分类器 F 5) 将输出概率值与预设阈值进行比较，获得脑电检测结果并标记：＝ FM。
     输出概率值大于预设阈值，则判断检测脑电为异常，标记为 1 ；
     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 ；所述的预设阈值为 0.5。
     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波动指数和提升训练方法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，利用波动指数和提升训练方法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波动指数作为特征向量；将特征向量送入以提升训练方法所获得的分类器中，获输出概率值；将输出概率值与预设阈值比较，得脑电检测结果并加以标记。
     利用本发明对 21 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 94％，每小时错误检测次数为 0.2 次。

资源描述

《一种利用波动指数和提升训练的脑电检测方法和装置.pdf》由会员分享，可在线阅读，更多相关《一种利用波动指数和提升训练的脑电检测方法和装置.pdf（10页珍藏版）》请在专利查询网上搜索。

1、(10)申请公布号 CN 102488518 A (43)申请公布日 2012.06.13 CN 102488518 A *CN102488518A* (21)申请号 201110416444.X (22)申请日 2011.12.14 A61B 5/0476(2006.01) (71)申请人山东大学地址 250100 山东省济南市历城区山大南路 27 号 (72)发明人周卫东陈爽爽 (74)专利代理机构济南金迪知识产权代理有限公司 37219 代理人吕利敏 (54) 发明名称一种利用波动指数和提升训练的脑电检测方法和装置 (57) 摘要本发明涉及一种利用波动指数和提升训练的。

2、脑电检测方法和装置，利用特征效果较好的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提升训练方法获得的分类器中，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。 (51)Int.Cl. 权利要求书 2 页说明书 5 页附图 2 页 (19)中华人民共和国国家知识产权局 (12)发明专利申请权利要求书 2 页说明书 5 页附图 2 页 1/2 页 2 1. 一种利用波动指数和提升训练的脑电检测方法，其特征在于，步骤如下： 1) 利用脑电放大器和数据采集卡采集脑电信号。

3、，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； 3) 计算机提取脑电信号各通道各小波层的波动指数； 4) 将步骤 3) 提取到的波动指数输入分类器进行计算，得到输出概率值； 5) 将输出概率值与预设阈值进行比较，获得脑电检测结果并标记：输出概率值大于预设阈值，则判断检测脑电为异常，标记为 1 ；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。 2. 如权利要求 1 所述的方法，其特征在于，步骤 1) 中所述的脑电放大器为 Neurofile NT 脑电放大器，所述的数据采集卡为 16 位 A。

4、/D 转换数据采集卡，采样频率为 256Hz。 3. 如权利要求 1 所述的方法，其特征在于，步骤 2) 中所述的计算机对脑电信号进行滤波和去噪的方法步骤如下：采集一段长度为 LEN 的脑电信号，利用 Daubechies-4 小波进行 S 层小波分解，优选 S 5 ；随后对分解后的脑电信号进行信号重构，提取重构信号的 3-30Hz 频段，即第 3、 4、 5 层重构信号 aj， n， aj， n代表长度为 LEN 的脑电信号第 j 通道信号 xj的第 n 层小波重构信号，其中 j 1， 2， .， C， n 3， 4， 5 ； C 是通道数。 4. 如权利要求 3。

5、所述的方法，其特征在于，所述通道数 C 6。 5. 如权利要求 3 所述的方法，其特征在于，所述 LEN 1024。 6. 如权利要求 1 所述的方法，其特征在于，步骤 3) 中所述的提取脑电信号各通道各小波层的波动指数的方法为：利用公式 (1) 计算步骤 2) 脑电信号中第 j 通道信号 xj的第 n 层小波重构信号的波动指数 wavj， n为 7. 如权利要求 1 所述的方法，其特征在于，步骤 4) 中所述的通过分类器计算输出概率值的方法为：将步骤 3) 中的波动指数 wavj， n作为特征向量 w 送入分类器 F，利用公式 (2) 得到长度 LEN 的脑。

6、电信号为异常脑电的概率 P ；步骤 4) 中所述的分类器是按以下提升训练方法获得，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 CS， C 是 EEG 的通道数， S 是小波层数， N 为数据段数，每段长度为 LEN ； Y 为对应标记量， Y yi -1， 1， i 1， 2， L， N，标记量为 -1 表示正常脑电，标记量为 1 表示异常脑电； wi为第 i 段脑电信号各通道第 3、 4、 5 层小波重构信号的波动指数 wavj， n组成的特征向量； Fm表示 m 步后建立的分类器；设定迭代次数为。

7、 M ；设定第 i 段脑电信号特征向量 wi属于异常脑电的初始概率为 p0(yi 1|wi) 0.5， i 1， 2， L， N ；设定第 i 段脑电信号特征向量 wi的初始分类器为 F0(wi) 0， i 1， 2， L， N ； N 900， M 180 ；权利要求书 CN 102488518 A 2 2/2 页 3 b)m 表示迭代步数，从 m 1 开始进行以下循环迭代： i. 计算分类器 Fm似然函数的一阶导数其中 pm-1(yi 1|wi) 表示第 m-1 步迭代后特征向量 wi属于异常脑电的概率值； ii. 通过最小二乘法由 wi对拟合得到回归系数 r，。

8、用 f(wi) 表示第 i 段脑电信号特征向量 wi的弱分类器： f(wi) rTwi， i 1， 2， L， N ； iii. 得到 m 次迭代后选用的弱分类器 fm iv. 通过训练数据推出的伯努利回归函数 L(Fm； W， Y) 可以表示为： v. 计算第 m 步后弱分类器加权系数 m为 vi. 更新分类器 Fm Fm-1+mfm 其中为一个极小的值， 0.05 ； vii. 由分类器 Fm计算特征向量 wi属于异常脑电的概率值：其中， Fm(wi) 表示 m 步后对应训练数据 wi的分类器； viii.令mm+1，重复进行上述循环，如果mM则循环迭代结束，得到分类器。

9、FFM。 8. 如权利要求 1 所述的方法，其特征在于，步骤 5) 中所述的预设阈值为 0.5。 9. 一种利用权利要求 1 所述方法进行脑电检测的装置，其特征在于，所述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波动指数和提升训练方法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，利用波动指数和提升训练方法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波动指数作为特征向量；将特征向量送入以提升训练方法所获得的分类器中，获输出概率值；将输出概率值与预设阈值比较，。

10、得脑电检测结果并加以标记。权利要求书 CN 102488518 A 3 1/5 页 4 一种利用波动指数和提升训练的脑电检测方法和装置技术领域 0001 本发明公开了一种利用波动指数和提升训练的脑电检测方法和装置，属于脑电检测技术领域。技术背景 0002 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系统功能失调为特征的脑部疾患。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，查看 EEG 中是否含有癫痫样放电等特征波，其工作量大，容易造成医务工作者疲倦而产生误判。因此，在癫痫检测中，自动检测系统检测脑电的准确。

11、性有着越重要的地位，它可极大提高对 EEG 的检测效率。 0003 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。

12、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 0004 针对现有技术的不足，本发明提出了一种利用波动指数和提升训练的脑电检测方法，该方法将提取到的脑电信号波动指数作为输入参数，送入由提升训练的分类器进行计算，获得输出概率值，将输出概率值与预设阈值进行比较，从而获得脑电检测结果。 0005 本发明还提供一种利用上述方法进行检测脑电的装置。 0006 本发明的技术方案如下： 0007 一种利用波动指数和提升训练的脑电检测方法，步骤如下： 0008 1) 利用脑电放大器和数据采集卡采集脑电信号，将采集到的脑电信。

13、号通过 A/D 转换，存储到计算机中； 0009 2) 计算机对脑电信号进行滤波和去噪； 0010 3) 计算机提取脑电信号各通道各小波层的波动指数； 0011 4) 将步骤 3) 提取到的波动指数输入分类器进行计算，得到输出概率值； 0012 5) 将输出概率值与预设阈值进行比较，获得脑电检测结果并标记： 0013 输出概率值大于预设阈值，则判断检测脑电为异常，标记为 1 ； 0014 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。 0015 优选的，所述的预设阈值为 0.5。 0016 步骤 1) 中所述的脑电放大器为 Neurofile N。

14、T 脑电放大器，所述的数据采集卡为说明书 CN 102488518 A 4 2/5 页 5 16 位 A/D 转换数据采集卡，采样频率为 256Hz。 0017 步骤 2) 中所述的计算机对脑电信号进行滤波和去噪的方法步骤如下： 0018 采集一段长度为 LEN 的脑电信号，利用 Daubechies-4 小波进行 S 层小波分解，优选 S 5 ；随后对分解后的脑电信号进行信号重构，提取重构信号的 3-30Hz 频段，即第 3、 4、 5 层重构信号 aj， n， aj， n代表长度为 LEN 的脑电信号第 j 通道信号 xj的第 n 层小波重构信号，其中 j 1，。

15、 2， .， C， n 3， 4， 5 ； C 是通道数，优选 C 6。 0019 优选 LEN 1024。 0020 步骤 3) 中所述的提取脑电信号各通道各小波层的波动指数的方法为： 0021 利用公式 (1) 计算步骤 2) 脑电信号中第 j 通道信号 xj的第 n 层小波重构信号的波动指数 wavj， n为 0022 0023 步骤 4) 中所述的通过分类器计算输出概率值的方法为： 0024 将步骤 3) 中的波动指数 wavj， n作为特征向量 w 送入分类器 F，利用公式 (2) 0025 0026 得到长度 LEN 的脑电信号为异常脑电的概率 P。 0027 步骤 4)。

16、中所述的分类器是按以下提升训练方法获得，具体实现步骤为： 0028 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 CS， C 是 EEG 的通道数， S 是小波层数， N 为数据段数，每段长度为 LEN ； Y 为对应标记量， Y yi -1， 1， i 1， 2， L， N，标记量为 -1 表示正常脑电，标记量为 1 表示异常脑电； wi 为第 i 段脑电信号各通道第 3、 4、 5 层小波重构信号的波动指数 wavj， n组成的特征向量； Fm 表示m步后建立的分类器；设定迭代次数为M ；设定第i段脑电信号特征向量w。

17、i属于异常脑电的初始概率为 p0(yi 1|wi) 0.5， i 1， 2， L， N ；设定第 i 段脑电信号特征向量 wi的初始分类器为 F0(wi) 0， i 1， 2， L， N ； N 900， M 180。 0029 b)m 表示迭代步数，从 m 1 开始进行以下循环迭代： 0030 i. 计算分类器 Fm似然函数的一阶导数 0031 0032 其中 pm-1(yi 1|wi) 表示第 m-1 步迭代后特征向量 wi属于异常脑电的概率值； 0033 ii. 通过最小二乘法由 wi对拟合得到回归系数 r，用 f(wi) 表示第 i 段脑电信号特征向量 wi的弱分类器。

18、： 0034 f(wi) rTwi， i 1， 2， L， N ； 0035 iii. 得到 m 次迭代后选用的弱分类器 fm 0036 0037 iv. 通过训练数据推出的伯努利回归函数 L(Fm； W， Y) 可以表示为：说明书 CN 102488518 A 5 3/5 页 6 0038 0039 v. 计算第 m 步后弱分类器加权系数 m为 0040 0041 vi. 更新分类器 0042 Fm Fm-1+mfm 0043 其中为一个极小的值， 0.05 ； 0044 vii. 由分类器 Fm计算特征向量 wi属于异常脑电的概率值： 0045 0046 其中， Fm(wi) 。

19、表示 m 步后对应训练数据 wi的分类器； 0047 viii. 令 m m+1，重复进行上述循环，如果 m M 则循环迭代结束，得到分类器 F FM。 0048 一种利用上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波动指数和提升训练方法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，利用波动指数和提升训练方法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波动指数作为特征向量；将特征向量送入以提升训练方法所获得的分类器中，获输出概率值；将。

20、输出概率值与预设阈值比较，得脑电检测结果并加以标记。 0049 本发明的有益的效果是： 0050 利用特征效果较好的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提升训练方法获得的分类器中，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 0051 图 1 为本发明的脑电检测方法的流程图； 0052 图 2 为本发明的脑电检测装置的硬件连接图； 0053 图 3 为实施例 1 中所述脑电信号的波动指数，其中两竖线间为异常脑电持续时间； 0054 图4为图3所述脑电信。

21、号的分类结果：其中， 1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 0055 下面结合附图与实例对本发明做进一步说明，显然本发明并不限于此。 0056 实施例 1、 0057 如图 1 所示，一种利用波动指数和提升训练的脑电检测方法，步骤如下： 0058 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。说明书 CN 102488518 A 6 4/5 页 7 0059 2) 计算机对脑。

22、电信号进行滤波和去噪，其方法步骤如下： 0060 采集一段长度为 LEN 1024 的脑电信号，利用 Daubechies-4 小波进行 S 层小波分解，优选 S 5 ；随后对分解后的脑电信号进行信号重构，提取重构信号的 3-30Hz 频段，即第 3、 4、 5 层重构信号 aj， n， aj， n代表长度为 LEN 的脑电信号第 j 通道信号 xj的第 n 层小波重构信号，其中 j 1， 2， .， C， n 3， 4， 5 ； C 是通道数， C 6。 0061 3) 计算机提取脑电信号各通道各小波层的波动指数的方法为： 0062 利用公式 (1) 计算步骤 2) 脑。

23、电信号中第 j 通道信号 xj的第 n 层小波重构信号的波动指数 wavj， n为 0063 0064 图 3 中所示为脑电信号第 1 通道第 3 层小波重构信号的波动指数。 0065 4) 将步骤 3) 提取到的波动指数输入分类器进行计算，得到输出概率值； 0066 所述的通过分类器计算输出概率值的方法为： 0067 将步骤 3) 中的波动指数 wavj， n作为特征向量 w 送入分类器 F，利用公式 (2) 0068 0069 得到长度 LEN 的脑电信号为异常脑电的概率 P ； 0070 所述的分类器是按以下提升训练方法获得，具体实现步骤为： 0071 a)W 为分类器训练。

24、所用分段的脑电数据， W wi Rk， i 1， 2， L， N，其中 K CS， C 是 EEG 的通道数， S 是小波层数， N 为数据段数，每段长度为 LEN ； Y 为对应标记量， Y yi -1， 1， i 1， 2， L， N，标记量为 -1 表示正常脑电，标记量为 1 表示异常脑电； wi 为第 i 段脑电信号各通道第 3、 4、 5 层小波重构信号的波动指数 wavj， n组成的特征向量； Fm 表示m步后建立的分类器；设定迭代次数为M ；设定第i段脑电信号特征向量wi属于异常脑电的初始概率为 p0(yi 1|wi) 0.5， i 1， 2， L， N ；。

25、设定第 i 段脑电信号特征向量 wi的初始分类器为 F0(wi) 0， i 1， 2， L， N ； N 900， M 180 ； 0072 b)m 表示迭代步数，从 m 1 开始进行以下循环迭代： 0073 i. 计算分类器 Fm似然函数的一阶导数 0074 0075 其中 pm-1(yi 1|wi) 表示第 m-1 步迭代后特征向量 wi属于异常脑电的概率值； 0076 ii. 通过最小二乘法由 wi对拟合得到回归系数 r，用 f(wi) 表示第 i 段脑电信号特征向量 wi的弱分类器： 0077 f(wi) rTwi， i 1， 2， L， N ； 0078 iii. 得到。

26、 m 次迭代后选用的弱分类器 fm 0079 0080 iv. 通过训练数据推出的伯努利回归函数 L(Fm； W， Y) 可以表示为：说明书 CN 102488518 A 7 5/5 页 8 0081 0082 v. 计算第 m 步后弱分类器加权系数 m为 0083 0084 vi. 更新分类器 0085 Fm Fm-1+mfm 0086 其中为一个极小的值， 0.05 ； 0087 vii. 由分类器 Fm计算特征向量 wi属于异常脑电的概率值： 0088 0089 其中， Fm(wi) 表示 m 步后对应训练数据 wi的分类器； 0090 viii. 令 m m+1，重复进。

27、行上述循环，如果 m M 则循环迭代结束，得到分类器 F FM。 0091 5) 将输出概率值与预设阈值进行比较，获得脑电检测结果并标记： 0092 输出概率值大于预设阈值，则判断检测脑电为异常，标记为 1 ； 0093 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 ；所述的预设阈值为 0.5。 0094 图 4 为图 3 所述脑电信号的标记结果。 0095 实施例 2、 0096 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波动指数和提升训练方法检测脑电的脑电检测模块，。

28、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，利用波动指数和提升训练方法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波动指数作为特征向量；将特征向量送入以提升训练方法所获得的分类器中，获输出概率值；将输出概率值与预设阈值比较，得脑电检测结果并加以标记。 0097 利用本发明对 21 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 94，每小时错误检测次数为 0.2 次。说明书 CN 102488518 A 8 1/2 页 9 图 1 图 2 说明书附图 CN 102488518 A 9 2/2 页 10 图 3 图 4 说明书附图 CN 102488518 A 10 。

展开阅读全文