[发明专利]一种脑电图信号分类方法

说明书

技术领域

本发明涉及一种脑电图信号分类方法，可应用于医学脑电图信号等非平稳非线性信号分析与处理，属于现代信号处理领域。

背景技术

脑电图(EEG)信号是经过对引导电极周围上亿神经元电活动测量记录而含有大量的关于脑部活动信息的信号，对脑部活动的评估有重要的临床意义，是研究脑部功能状态、神经疾病诊断和检测的重要临床工具。

对于EEG信号特征参数的提取对神经疾病的诊断意义重大。比如基于Fourier变换的频谱就是一种对癫痫疾病检测和诊断的重要特征。但是Fourier变换是一种全局的变换，无法表述信号的时频局域特性，而信号的时频局域特性正是非平稳信号的最根本最关键的性质，因此Fourier频谱对于非平稳信号的分析有局限性。而脑EEG信号恰恰是一种非线性非平稳信号，因此一些诸如短时傅里叶变换、小波变换、多尺度小波变换、伪Wigner-Ville分布等基于时频域分析的方法被人们利用以提取EEG信号的特征参数。

美籍华人N.E.Huang等人于1998年提出一种适合于分析非线性非平稳信号的方法，即经验模态分解(EMD)(参见N.E.Huang et al,The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis,Proc.Roy.Soc.Lond.A,vol.454(1998)903-995及U.S.Pat.No.5,983,162“Computer implemented empirical mode decomposition method,apparatus and article of manufacture”)。它能把复杂信号分解为有限个(往往数目很少)本征模函数(IMF)，所分解出来的各IMF分量是一种单模态函数，包含了原信号的不同时间尺度的局部特征。EMD方法具有直观、直接、后验和自适应特点，并且一经提出就在雷达、声纳、地震、海洋、气候、医学不同的领域得到迅速有效的应用。经验模态分解方法也在EEG信号的分析处理中得到应用。

在EEG信号分析中，确定发作性事件是否为癫痫发作、确定癫痫发作类型等脑电图信号分类问题的研究有助于临床上正确诊断癫痫疾病、确定癫痫灶。R.B.Pachori等发现在提取诸如频率均值、解析信号复平面轨迹面积等特征参数以便对癫痫信号分类方面，分析EEG信号的本征模函数的特征参数比直接分析脑电图信号特征参数更有意义，这是因为实际测得的EEG信号也是多模态而非单模态的。近年来，最小二乘支持向量机(LS-SVM)技术在癫痫-健康脑电图信号、癫痫发作-非发作脑电图信号等分类中应用越来越引起人们的关注。基于支持向量机技术的脑电图信号分类一般地可以概括为图3示框图。其中最重要的是第二部分如何对原EEG信号的特征提取，该部分提取的特征作为下一部分支持向量机的输入直接影响支持向量机分类的可靠性，因此该部分提取的特征必须包含原EEG信号的重要特征。比如Siuly等利用聚类技术提取信号各子段的最小值、最大值、均值、中间数、众数等9个统计特征参数作为最小二乘支持向量机的输入(参见Siuly，Y.Li and P.Wen,Clustering technique-based least square support vector machine for EEG signal classification,Comput.Methods Progr.Biomed.,Vol.104(2011)358–372.)；R.B.Pachori等通过EMD和希尔伯特变换得到的解析信号表示提取原EEG信号的各个本征模函数的调幅带宽和调频带宽特征参数作为最小二乘支持向量机的输入，而且通过比较发现该方法具有更高的分类精度(V.B.Bajaj and R.B.Pachori,Classification of seizure and non-seizure EEG signals using Empirical Mode Decomposition,IEEE Early access articles Tran.Inform.Tech.Biomed.(99)(2011),1–7.)。通过信号的解析表示得到带宽和经验调幅-调频分解方法简介如下：

瞬时频率是非平稳非线性信号的一个重要参数，而信号的带宽是信号的频率成分的一种刻画。一个非平稳信号一般地可以表示为：x(t)=a(t)cosθ(t)，其中a(t)和θ(t)分别为信号的瞬时幅值和瞬时相位。为分析方便通常将实信号表示成复信号的形式，比如：