一种aEEG信号图像特征重构表示和提取方法技术领域
本发明专利涉及振幅整合脑电图的特征表示和提取方法，特别是一种基于图像信
息的aEEG信号特征表示和提取方法。
背景技术
振幅整合脑电图(amplitude-integrated electroencephalography,aEEG)技术
是一种新生儿监测脑功能状态的有效手段(Hellstrom–Westas et al.,2008)，已广泛作为
新生儿脑损伤的辅助检查手段，为医生对新生儿缺氧缺血脑病、窒息、癫痫、颅内出血和脑
积水，以及脑病治疗对象筛选提供了客观的评价指标。通常aEEG信号呈条带状轨迹，一般幅
值在10～40μV之间。它的宽度与新生儿脑功能状态有关，通常在新生儿深度睡眠期间轨迹
较宽，而在轻度睡眠状态或清醒状态下aEEG信号轨迹较窄。
目前国际上对aEEG信号分析主要依靠人工实现，即医生对aEEG的背景图进行目测
判读，主要看其背景活动形式(主要关注其上下边界)、睡眠－清醒周期是否存在、痫样波是
否存在等。目前对aEEG信号有两种分类方法(De Vries,L.S.et al.,2005)。一类是根据新
生儿aEEG的背景活动分为三种：(1)振幅正常：振幅波谱带上边界>10μV，下边界>5μV；(2)振
幅轻度异常：波谱带上边界>10μV，下边界<5μV；(3)振幅重度异常：波谱带上边界<10μV，下
边界<5μV。三种形式aEEG均可伴有痫样活动，表现为幅值突然增高伴波谱带变窄，随后短暂
抑制。根据aEEG背景活动及有无痫样活动，将aEEG结果分为三种：振幅正常为正常aEEG，振
幅轻度异常及振幅正常伴痫样活动为轻度异常aEEG，其余均为重度异常aEEG。另一类是将
新生儿aEEG的背景活动描述为六种：(1)连续正常电压：连续电活动，幅值为5-10/10-50uV；
(2)不连续正常电压：不连续电活动，幅值>5uV；(3)连续低电压：连续电活动，幅值<5uV；(4)
爆发抑制：不连续电活动，间歇期幅值极低，间有高幅爆发；(5)平台：<5uV的极低电压。(6)
痫样活动。亦根据aEEG背景活动及有无痫样活动，将aEEG结果分为三种：连续正常电压为正
常aEEG，连续不正常电压为轻度异常aEEG，其余为重度异常aEEG。
近年来，开始了对新生儿aEEG信号的自动分析研究工作。其基本方法是，首先提取
aEEG信号的特征，然后送入分类模型对aEEG信号自动分类判别，其中关键是特征提取这一
环节。目前对于aEEG信号提取特征方法主要是针对信号的幅值，提取信号的线性特征包括
幅值均值、方差、最大最小值以及上下边界等。如Bowen通过计算aEEG信号的最大最小值、均
值和标准差来量化分析aEEG(Bowen,Paradisis et al.2010)，其中幅值均值、最大最小幅
值给出了aEEG数据的大致分布，方差则是描述aEEG信号幅值的离散程度。此外，也出现了一
些非线性特征的使用，例如李雷、陈伟婷等将近似熵理论应用到新生儿aEEG信号分析上，该
研究将非线性动力学理论引入aEEG特征提取中(Li,Chen et al.2010)；王愈等将线性特征
以及幅值分布直方图结合用于aEEG的特征分析(Chen,Wang et al.2014)。
现有的aEEG人工判读中，医生对幅值上下边界根据监护仪上波带颜色浓淡而决
定，把颜色较浓处所对应的高低幅值作为上下边界。但背景图的浓淡边界通常不明显，不同
人对颜色浓淡的判断不同，导致不同医生对同一aEEG信号的判读结果有异。而在aEEG自动
分析中，目前工作基本为基于信号幅值的特征提取，未出现图像特征的使用。
发明内容
本发明提出了一种aEEG信号图像特征重构表示和提取方法，包括如下步骤：
信号分段步骤：获取aEEG信号，对aEEG信号幅值半对数化处理及取整运算，并分成
多段信号段；
等高线图绘制步骤：统计各所述信号段中不同幅值出现的频率，连接频率相同的
点，绘制各信号段的等高线图，合并得到所述aEEG信号的幅值频率等高图；
图像特征提取步骤：提取所述等高线图中的图像特征。
本发明提出的所述aEEG信号图像特征重构表示和提取方法中，所述等高线图中，
统计信号段中不同幅值出现的频率，以直线连接频率相同的点形成等值线，以等值线所围
成的等值区域以颜色填充。
本发明提出的所述aEEG信号图像特征重构表示和提取方法中，从所述等高线图中
提取的图像特征包括纹理特征和颜色特征。
本发明提出的所述aEEG信号图像特征重构表示和提取方法中，所述信号分段步骤
中，所述aEEG信号按时长等分。
本发明提出的所述aEEG信号图像特征重构表示和提取方法中，在所述信号分段步
骤之前进一步包括：
信号预处理步骤：剔除aEEG信号中的无用信号；剔除方式包括手动剔除或根据脑
功能状态监测仪阻值大小自动剔除过大阻值所对应的aEEG信号。
本发明的有益效果在于：通过本发明方法绘制等高线图后，aEEG信号的幅值频率
等高图中，色泽区分明显，可以直观地显示不同幅值的分布情况，从而帮助医生更好地界定
幅值上下边界。且根据幅值频率等高图，可以进一步提取其图像特征，包括纹理特征和颜色
特征等。图像特征可以更好地提高自动分类效果，其分类结果在正确率、敏感度以及特异性
上都有不同程度的提升。
附图说明
图1是本发明aEEG信号图像特征重构表示和提取方法的流程示意图。
图2为正常的新生儿原始aEEG信号图。
图3为异常的新生儿原始aEEG信号图。
图4为正常的新生儿aEEG信号的幅值频率等高图，段长取100秒。
图5为异常的新生儿aEEG信号的幅值频率等高图，段长取100秒。
具体实施方式
结合以下具体实施例和附图，对本发明作进一步的详细说明。实施本发明的过程、
条件、实验方法等，除以下专门提及的内容之外，均为本领域的普遍知识和公知常识，本发
明没有特别限制内容。
如图1所示，本发明aEEG信号图像特征重构表示和提取方法，包括如下步骤：
信号分段步骤：获取aEEG信号，对aEEG信号幅值半对数化处理及取整运算，并分成
多段信号段；
等高线图绘制步骤：统计各所述信号段中不同幅值出现的频率，连接频率相同的
点，绘制各信号段的等高线图，合并得到所述aEEG信号的幅值频率等高图；
图像特征提取步骤：提取所述等高线图中的图像特征。
本发明提出的所述aEEG信号图像特征重构表示和提取方法中，所述等高线图中，
统计信号段中不同幅值出现的频率，以直线连接频率相同的点形成等值线，以等值线所围
成的等值区域以颜色填充。
本发明提出的所述aEEG信号图像特征重构表示和提取方法中，从所述等高线图中
提取的图像特征包括纹理特征和颜色特征。
本发明提出的所述aEEG信号图像特征重构表示和提取方法中，所述信号分段步骤
中，所述aEEG信号按时长等分。
本发明提出的所述aEEG信号图像特征重构表示和提取方法中，在所述信号分段步
骤之前进一步包括：
信号预处理步骤：剔除aEEG信号中的无用信号；剔除方式包括手动剔除或根据脑
功能状态监测仪阻值大小自动剔除过大阻值所对应的aEEG信号。
以下结合新生儿aEEG信号为例，具体阐述本发明特征表示和提取方法的具体实施
步骤。
对由脑功能状态监测仪记录的有效新生儿aEEG数据(如图2和图3)，经半对数化和
取整处理，以固定时长进行信号分段，统计每段信号中各幅值出现的频率，据此画出各段幅
值频率等高线图，加以合并后得到整段信号的幅值频率等高图(如图4和图5)。进一步可提
取等高图图像特征，如：等高线图灰度化后提取其图像的LBP直方图特征等。以matlab2012b
环境下实施为例，步骤如下：
1、数据清洗和筛选，剔除无效信号。
脑功能状态监测仪在监测新生儿脑电时，可能因为电极接触状况以及新生儿自身
头部的转动，产生一些电阻过大的无效信号。剔除这些电阻过大的信号，从而保证实验数据
的有效性。剔除方式可采用手动剔除，或根据脑功能状态监测仪阻值将过大阻值(如，阻值
大于10千欧)所对应的aEEG信号自动剔除。
2、将aEEG信号进行幅值半对数化处理并取整。
对aEEG幅值进行半对数化处理，即幅值小于10μV保持不变，而对幅值大于10μV的
进行对数化处理。对半对数化处理后的数据进行四舍五入取整运算。
3、将信号进行无交叠等长分段。
可按不同时长对信号进行等长分段。以3小时时长的aEEG信号为例。由于该实施例
中所用的脑功能状态监测仪的aEEG信号采样率为100Hz，则3小时时长的aEEG包含1080000
个数据点。若按100秒每段进行等长无重叠分段，则3小时时长的aEEG可分为108段，每段包
含10000个点。通过matlab中tabulate函数统计每段中各个幅值出现的频率。
4、统计各幅值的频率并绘制幅值频率等高图
采用matlab中contourf函数对各分段aEEG信号画出幅值频率等高图，然后将各分
段幅值频率等高图进行合并保存。如图4、图5的幅值频率等高图所示。取不同分段长度时，
幅值频率等高图显示形式不同。
5、等高图灰度化
采用matlab中rgb2gray函数灰度化图像。
6、提取等高图图像特征
该实施例中通过LBP(local binary pattern)算法对图像提取LBP直方图特征。采
用3*3的邻域，共产生58维特征向量，然后送入支持向量机SVM进行分类。
表1所示为支持向量机SVM对幅值特征(最大幅值、最小幅值、均值、方差和下边界)
和根据等高图所得LBP图像特征的分类结果。
表1幅值特征和等高图LBP特征的SVM分类结果对比
特征组
正确率
敏感度
特异性
幅值特征
89.21％
92.99％
73.31％
LBP特征
91.12％
93.09％
82.87％
幅值&LBP特征
93.64％
97.63％
82.07％
表1中，aEEG信号的LBP图像特征整体的分类能力比通常的幅值特征好，在正确率、
敏感度以及特异性上都有不同程度的提升。特别地，以幅值特征和LBP图像特征组合在一起
的特征，可使SVM的分类能力有更大的提升，相较于单纯的幅值特征，分类正确率提高超过4
个百分点。
本发明的保护内容不局限于以上实施例。在不背离发明构思的精神和范围下，本
领域技术人员能够想到的变化和优点都被包括在本发明中，并且以所附的权利要求书为保
护范围。