[发明专利]一种基于词袋模型和极限学习机的癫痫发作预警方法

说明书

技术领域

本发明涉及癫痫发作预警领域，特别涉及一种基于词袋模型和极限学习机的癫痫发作预警方法。

背景技术

癫痫是仅次于中风的第二大常见的神经系统疾病。统计数据表明，全球有近5000万癫痫患者，在发展中国家就有4000万，而我国的癫痫患者超过900万人，且在以每年40万的速度增加。癫痫的发作是对患者巨大的折磨，且发作期间难以控制的行为可能对病人造成额外的伤害。癫痫的发作具有反复的特点，且发作时间没有明显规律。脑电信号直接采集大脑不同区域的电压变化，是大脑活动的直接反映，是癫痫发作预警的关键信号源。因此，如何提取脑电信号中癫痫发作相关信息，从而在癫痫发作前做出预警，以便医生及时采取措施抑制或缓解癫痫发作，一直是癫痫领域研究的热点。

研究表明，癫痫发作前患者的一些生理信号会产生变化，且癫痫的发作更可能是一个较长时间的演化过程，因此可以通过检测这些变化对于癫痫的发作进行预测。而临床应用中，有经验的医师可以通过患者脑电信号的特点对癫痫的发作做出数分钟或数秒钟的预测。这些临床的经验为基于脑电信号的癫痫预测提供了脑电处理的方向，但人工仍然很难对于长时间的复杂信号做出较准确的分析。利用计算机对于癫痫发作的前期进行预警可以提前癫痫预测的时间，发现癫痫发作中脑电信号变化的新模式。

癫痫的发作分为间期、前期、发作期、后期四个阶段，其预测问题可以转化为癫痫前期和癫痫间期的分类问题。癫痫预测的实现是通过提取癫痫脑电信号特征，利用机器学习算法学习脑电信号变化的规律，从而自动预测癫痫的发作。目前的癫痫预警系统通常对于癫痫进行几秒钟到几分钟的预警，对于癫痫的长时预警可以增加干预方案的准备时间，为抑制癫痫发作提供更充分的准备。传统的脑电信号处理没有考虑癫痫发作中神经元异常放电的发展过程，难以处理较长时间的预测问题。

此外，大脑中信号的传递会引起电极间和不同时刻的同步活动，而在癫痫发作过程中这种同步性异常放电的检测更加重要。一些传统的特征可以表达两个电极间的相关性，但仍然难以充分表达脑电信号电极间和时间上的同步模式。

综上所述，现有技术存在以下问题：(1)长时的癫痫预警不准确；(2)现有脑电信号特征提取难以充分表达脑电信号在电极间和时间上的同步模式。

发明内容

针对上述技术的不足，本发明提出一种基于词袋模型和极限学习机的癫痫发作预警方法。该方法提取脑电信号的词袋模型特征，通过组合局部特征形成对于更长范围脑电序列的客观表达，从而使长时的癫痫预警更加准确。

本发明方法的主要思路是：将采集的多电极脑电进行预处理；将癫痫前期和癫痫间期的脑电信号片段分别进行聚类并做成两个字典，构成了癫痫脑电信号的局部表达；将一个时间窗内的局部信号投影到做好的字典上，提取时间窗内的直方图作为其特征；将顺序的多个时间窗的特征序列连接起来，考虑序列的特征；将提取到的序列特征输入极限学习机(ELM)中，分类输入序列为癫痫前期或癫痫间期；若分类为癫痫前期，则发出警报，若分类为癫痫间期，则报告正常。

本发明的具体实现步骤如下：

步骤1：采集癫痫发作前期及发作间期脑电信号

脑电信号采集系统记录癫痫患者脑电信号的长期变化，医师根据分析脑电信号及观察发作形式等手段标记出癫痫发作的起始及终止时间；根据记录的起始时间，依据发作前期为癫痫发作前1小时，发作间期为两次发作间，且前后1小时无癫痫发作的时段

步骤2：预处理

根据脑电变化，删除电压不变的电极，采用带通滤波器去除脑电信号中伪迹，有效频率为0.05～100Hz；将采集到的发作前期及发作间期脑电信号进一步分割为长度为1分钟的脑电信号片段。

步骤3：词袋特征提取

步骤3.1：波形词典构造

在采集到的发作间期和发作前期脑电数据中分别以长度m的窗口随机采样x个局部波形段，通过聚类算法对前期和间期的局部波形分别聚类，用聚类中心构成发作前期和发作间期的波形字典；

步骤3.2：脑电片段的词袋特征提取

在脑电信号片段中，将脑电信号片段利用长度为u的滑动窗口进一步划分为脑电信号单元；通过计算脑电信号单元中所有局部波形段与所述波形字典中波形之间的距离，统计各窗口中发作前期和发作间期字典波形出现的频率；其中，脑电信号单元中局部波形段和波形字典中波形的维度相同；连接脑电信号单元在发作前期和发作间期字典上的直方图作为脑电信号单元的特征；进一步连接脑电信号单元的特征组成脑电信号片段的词袋特征；

步骤4：分类模型学习