[发明专利]实时自动检测癫痫特征波的方法

说明书

技术领域

本发明涉及一种实时自动检测癫痫发作的方法，特别涉及一种大脑癫痫棘波的检测方法。

背景技术

脑电图是诊断癫痫最为重要的辅助检查手段，可以帮助医生确定病人的发作是不是癫痫，尤其对那些不典型发作或相似发作的疾病，可以帮助鉴别诊断。临床上许多疾病，如呼吸暂停、运动障碍、晕厥、心律失常、睡眠障碍、偏头痛及各种神经症状，有时极象癫痫发作，凭借脑电图检查，我们往往可以作出准确的诊断。临床上有典型癫痫发作的患者，大部分可以在脑电图检查中发现癫痫样特征波。癫痫样特征波主要有以下几种：棘波(或尖波)、棘(或尖)慢复合波、以及多棘波群等。因此，癫痫脑电的检测，主要是脑电信号中棘波的检测。从60年代起，癫痫脑电的自动检测技术就受到了注意，许多人在这一领域做了大量的工作，提出了多种检测方法。当前棘波检测算法主要分为五种：第一种是利用经典的信号处理技术，通过非线性滤波器对脑电信号进行预测，将预测结果与输入信号作比较，若两者之差较大，即为癫痫特征波。其优点是对高斯噪声有较好的抑制，缺点是当信号中存在伪差(如眼动，心电信号，肌电信号等)时，误检率比较严重，如果脑电信号特性随时间改变而滤波器参数保持不变，则滤波器的性能会受到影响。第二种是脑电信号与由癫痫波形构成的模板集合计算互相关函数，超过阅值即为癫痫特征波。其缺点是：由于癫痫波形的复杂性，定义一个适合普遍病例的模板集合比较困难，而且，为了在误检率和漏检率之间找到折衷的方法，对阈值的设置也是很困难的。第三种是将脑电信号分解成“半波”(两个相邻幅度极值之间的部分)，提取相对于背景活动的特征参数，将这些特征参数与所设定的阈值比较，超过阈值的视为棘波。其特点是直观，较之前两种方法效果好，但棘波定义的模糊性及伪差波形的不规则性，给棘波的特征提取和判别带来较大的困难。第四种是利用小波变换直接计算脑电信号的时频特征获得脑电图中的锐变点，即棘波。将小波变换技术应用于棘波检测的主要问题是母小波的选择，一般选取形状近似于棘波的母小波效果较好。第五种是通过神经网络学习训练来进行检测。比如CN99124210.6专利就是应用了神经网络，该方法需要训练数据来获取知识，将″学到″的只是蕴含在各神经元与权值中，好像人脑的学习过程。因此需要大量的样本，算法复杂和工作量大，同时不能很好的适应不同的对象。请参考《基于脑电信号分析的癫痫特征检测方法及研究进展》(生物医学工程学杂志，22(3)：606-609，2005)。

脑电图中癫痫波形的实时自动检测是临床上很有意义的工作。然而，自动检测这种癫痫样瞬态特征却非常困难，自动检测的困难在于：第一，所谓的特征波形并没有一个明确的标准，癫痫样特征波形与正常脑电之间的差别基本上是相对的、模糊的；第二，脑电信号是一个非线性时变信号。事实上，无论是从时域还是频域上都很难严格定义一个棘波。因此，不论是基于脑电波形分析的时域自动检测方法还是利用参数模型的频域自动检测方法，实际应用都存在不可避免的困难。

发明内容

本发明针对现有技术的不足，提供了一种利用经验模态分解、希尔伯特变换和平滑的非线性能量算子等来实时自动检测癫痫发作的方法。

本发明自动检测病人脑电图癫痫特征波的方法要求实时性，为此首先采用移动窗口技术对信号进行分段，接着用如下方法进行检测：(1)采用经验模态分解将原始脑电信号分解为一系列的固有模态函数(IMF)；(2)计算固有模态函数(IMF)的信噪比，挑选出高信噪比的固有模态函数(IMF)，对其采用自动小波去噪方法进行预处理；(3)采用希尔伯特变换计算每个固有模态函数的暂态能量并求和得到暂态总能量S；(4)对暂态总能量S应用平滑的非线性能量算子来检测棘波。结果表明这种方法具有较高的精确性，能够有效的检测癫痫棘波。

本发明在临床上主要应用于两个方面：一方面是对长期脑电信号的实时监视，其作用是减少待分析的数据量和脑电信号分析者的工作量，目的是检测出可能是棘波的脑电信号片段，尽可能减少误检率，然后由脑电信号专家对提取出的脑电数据段进行复查，作进一步证实；另一方面是对日常临床数据的检测，其目的是减少视觉检查的过程，即在检测出棘波的同时，保证误检率为零。

所述的经验模态分解采取经验筛法将脑电信号x(t)分解成固有模态函数，表示成