[发明专利]癫痫病发作检测和发作前预测的脑电数据分析系统

说明书

本发明提供一种癫痫病发作检测和发作前预测的脑电数据分析系统，该系统先采集头皮EEG信号，并通过对头皮EEG信号处理得到时频域特征、时域特征和频域特征，然后使用特征选择算法对得到的特征集合进行筛选，得到最优特征子集，最后使用最优特征子集对SVM进行训练，得到分类器，通过分类器得到癫痫预测数据和癫痫检测数据。本发明仅使用病人的头皮EEG信号，大大减少了病人的痛苦，且本发明在仅使用头皮EEG信号的情况下仍能达到高于现有技术的检测准确率，还能对癫痫的发作进行提前5‑10s的预测，并且预测率接近100％。

技术领域

本发明涉及医疗设备，尤其是涉及一种癫痫病发作检测和发作前预测的脑电数据分析系统。

背景技术

现有的癫痫病检测技术使用的都是病人的颅内EEG(脑电图的英文缩写)信号，需要对病人进行开颅并植入颅内电极，对病人造成了很大的生理和心理负担，增加其痛苦，且其检测的准确率也不高。

现有技术仅仅注重于癫痫病的检测而非预测，且预测技术使用的也是病人的颅内脑电，预测率低，实际应用价值不高。

发明内容

本发明的目的在于：针对现有技术存在的问题，提供一种癫痫病发作检测和发作前预测的脑电数据分析系统，解决现有癫痫病检测会对病人造成很大的生理和心理负担，且检测准确率不高的问题。

本发明的发明目的通过以下技术方案来实现：

一种癫痫病发作检测和发作前预测的脑电数据分析系统，其特征在于，该系统包括：

头皮EEG信号采集设备，用于采集头皮EEG信号；

时频域特征提取模块，用于通过对头皮EEG信号进行小波分解与重构，得到相应的四级小波系数，分别在四段小波系数上提取统计学特征、分形维数特征与熵类特征作为时频域特征；

时域特征提取模块，用于从头皮EEG信号中提取统计学特征、分形维数特征与熵类特征作为时域特征；

频域特征提取模块，用于对头皮EEG信号进行傅立叶变换得到EEG的频谱图，在频谱图中提取频域特征；

最优特征子集获取模块，用于使用特征选择算法对时频域特征提取模块、时域特征提取模块和频域特征提取模块得到的特征集合进行筛选，得到最优特征子集；

癫痫预测检测模块，用于使用最优特征子集对SVM进行训练，得到分类器，通过分类器得到癫痫预测数据和癫痫检测数据。

进一步的，所述统计学特征包括平均值、极大值、极小值、方差、偏度、斜度、峰值、均方根、峰值因子、尺寸因子、总变分、Hurst指数、去趋势波动分析、Hjorth参数：机动性、Hjorth参数：复杂性、Fisher信息；所述分形维数特征包括：Mandelbrot分形维数、Petrosian分形维数、Higuchi分形维数；所述熵类特征包括：样本熵、排列熵、奇异值熵、频谱熵。

进一步的，从四段小波系数上提取统计学特征、分形维数特征与熵类特征的步骤为：分别把各段小波系数输入到每个特征的提取算法上，算法得到相应的特征值。

进一步的，头皮EEG信号中提取统计学特征、分形维数特征与熵类特征的步骤为：把头皮EEG信号进行小波分解与重构得到小波系数，把小波系数输入到每个特征的提取算法上，算法得到相应的特征值。

进一步的，头皮EEG信号进行傅立叶变换得到EEG的频谱图，在频谱图中提取频域特征的步骤包括：对频谱图特征提取时，其特征是按照脑电波的波段对频谱进行划分，具体划分为δ：0.5-4Hz，θ：4-8Hz，α：8-13Hz，β2：13-20Hz，β1：20-30Hz，γ：30-60Hz，随后在每个波段上运行特征提取算法。

进一步的，所述特征选择算法包括方差分析法，递归特征消除法与BackFS算法。