[发明专利]一种区分脑电眨眼伪迹与额极痫样放电的智能分类方法

说明书

本发明公开了一种区分脑电眨眼伪迹与额极痫样放电的智能分类方法，首先对脑电EEG信号进行滤波处理与信号切割；然后对处理后的脑电EEG信号进行平滑非线性能量算子(SNEO)信号变换与变分模态提取(VME)信号变换得到SNEO数据集和VME数据集；然后对三个数据集对应的信号进行20维特征提取；再通过K‑means算法进行二分类无监督聚类，构建无监督分类模型；最后通过建立的无监督分类模型实现眨眼伪迹与痫样放电信号的分类。本发明既克服包含痫样放电信号背景下眨眼伪迹检测精度低的困难，又可以解决现有模型忽略痫样放电的问题，还能够实现眨眼伪迹与额极痫样放电的精准自动化分类。

技术领域

本发明属于脑电信号处理及智慧医疗领域，针对包含额极痫样放电的强噪声脑电信号，涉及一种基于K均值(K-means)无监督聚类算法并融合多类信号多维特征表示的分类方法。在癫痫脑电分析与伪迹滤除领域，额极痫样放电与眨眼伪迹的有效区分至关重要。本发明是基于痫样放电背景下的EEG数据的痫样放电信号与眨眼伪迹信号的自动化分类方法。

背景技术

脑电图(EEG)是脑神经细胞的电生理活动在大脑皮层或头皮表面的总体反应，包含了丰富的脑部活动信息，被广泛的应用于脑机接口(BCI)、心理学、脑中枢神经系统疾病辅助诊断(如脑卒中、癫痫、脑炎、代谢性脑病变)等领域。眨眼伪迹在脑电采集过程中具有不可避免性，因此脑电伪迹的检测是后续脑电分析与信号分析中至关重要的环节。然而，在癫痫辅助检测与分析研究中，癫痫患者背景下的痫样放电信号波形与眨眼引起的脑电伪迹十分相似，并且两者的出现位置也具有高度一致性，均集中在脑电前额通道，这往往对眨眼伪迹信号检测产生巨大干扰。目前传统的眨眼伪迹检测方法通常会忽略眨眼伪迹与额极痫样放电高度相似性这一关键问题，仅仅关注眨眼伪迹的识别而忽视痫样放电信号与眨眼伪迹信号的分类，因此在额叶癫痫患者的脑电图中传统的眨眼伪迹检测模型就会失效。针对这个问题，本发明提出了一种针对包含额极痫样放电的强噪声脑电信号的融合多类信号多维特征表示的分类方法，实现了基于K-means算法的眨眼伪迹与痫样放电信号的自动化精准分类。

发明内容

针对现有技术中存在的不足，本发明提供一种区分脑电眨眼伪迹与额极痫样放电的智能分类方法。

本发明针对额叶癫痫患者脑电信号中包含大量痫样放电信号并与眨眼伪迹相似度高、难以区分这一特点，利用多种信号变换方法提出了可以在少数通道下实现的多维特征表示方法，并结合K-means算法构建了眨眼伪迹和额极痫样放电信号的精准分类模型。

本发明的技术方案主要包括如下步骤：

步骤1、对脑电EEG信号进行滤波处理与信号切割。

步骤2、对步骤1处理后的脑电EEG信号进行平滑非线性能量算子(SNEO)信号变换与变分模态提取(VME)信号变换得到SNEO数据集和VME数据集。

步骤3、对三个数据集对应的信号进行20维特征提取。

步骤4、通过K-means算法进行二分类无监督聚类，构建无监督分类模型。

步骤5、通过建立的无监督分类模型实现眨眼伪迹与痫样放电信号的分类。

所述步骤1，具体步骤如下：

将21通道、1000Hz的原始脑电EEG信号进行滤波处理。每通道分别经过50Hz陷波滤波器和0.5-30Hz带通滤波器，得到滤波信号；由于眨眼伪迹与痫样放电信号主要影响第1通道(Fp1通道)和第2通道(Fp2通道)，故后续脑电信号仅使用前两通道。由于眨眼伪迹电位信号和额极痫样放电信号持续时间均在1s以内，故采用滑动窗口方法对滤波数据进行切割，窗口大小设置为1s，步长为0.5s。由此得到切割信号，所有的切割信号组成完整的样本数据集，假设样本数据集信号个数为T。

所述步骤2，具体步骤如下：