[發明專利]基于缺項特征的腦電圖分類檢測裝置

有效

• 申請號: 201310113615.0
• 申請日: 2013-04-03
• 公開（公告）號: CN103190904A
• 公開（公告）日: 2013-07-10
• 發明（設計）人: 周衛東;劉銀霞;袁莎莎;馬曉光
• 申請（專利權）人: 山東大學
• 主分類號: A61B5/0476
• 分類號: A61B5/0476
• 代理公司: 濟南金迪知識產權代理有限公司 37219
• 代理人: 許德山

1.一種基于缺項特征的腦電圖分類檢測裝置，其特征在于，包括依次電路連接的多路腦電放大器、數據采集卡、計算機，所述計算機中內置有信號預處理模塊、信號分段模塊、缺項特征提取模塊、貝葉斯線性判別分析分類模塊和閾值判斷模塊；先由多路腦電放大器對腦電圖信號進行放大，然后由數據采集卡采集腦電圖信號并送入計算機中，最后通過計算機內的模塊分別對腦電圖信號進行預處理、分段、計算缺項特征、利用貝葉斯線性判別分析分類器對腦電缺項特征進行分類、利用閾值判斷對分類進行標記；其中：

所述的多路腦電放大器，對腦電圖信號進行放大；

所述的數據采集卡，采集腦電圖信號，并存儲到計算機中；

所述的信號預處理模塊,對腦電圖信號進行0.5-30Hz帶通濾波的處理，以濾除腦電圖信號中肌電信號和工頻干擾；

所述的信號分段模塊，對帶通濾波處理后的腦電圖信號進行分段，將每1024個不重復的點分為一段；

所述的缺項特征提取模塊，對每段腦電圖信號計算其缺項特征向量，缺項特征向量s計算如下：

s=[LA(1),LA(2),...,LA(L)]^T，其中T是轉置符號，L為導聯數，l表示導聯編號（l=1,2,…,L），LA(l)是導聯l腦電圖信號的缺項特征；這里M(l)=Σm=ABmp(m,l),]]>M2(l)=Σm=ABm2p(m,l),]]>Σm=ABp(m,l)=1,]]>A表示該段信號的最小幅度值，B表示該段信號的最大幅度值，m為后驗分布的均值，p(m,l)表示在導聯l上幅度值等于m的概率；

所述的貝葉斯線性判別分析分類模塊，對缺項特征向量進行貝葉斯線性判別分析分類，得到分類輸出值；

所述的閾值判斷模塊，將分類輸出值與閾值進行比較并標記，閾值取Th=0，如果分類輸出值大于閾值Th，則標記為1，分類輸出值小于等于閾值Th，則標記為-1。

2.如權利要求1所述的貝葉斯線性判別分析分類模塊，對缺項特征向量進行貝葉斯線性判別分析分類，得到分類輸出值，其特征在于，步驟如下：

①假定貝葉斯回歸中的目標值x和缺項特征向量s與疊加的高斯白噪聲n線性相關：x＝w^Τs+n，其中w為權值向量，w^Τ中的T是轉置符號，得到權值向量w的似然函數p(Y_SX|β,w)：

p(YSX|β,w)=(β2π)N2exp(-β2||STw-x||2)]]>

上式中，x是目標向量，S表示訓練集特征向量水平堆砌組成的矩陣，S^Τ是S的矩陣轉置，β表示噪聲方差的逆，N表示訓練集中的樣本數，Y_SX表示集合{S,x}，運算符號||?||²表示歐式距離的平方；

②求權值向量w的先驗分布p(w|α)：

p(w|α)=(α2π)M2(ϵ2π)12exp(-12wTI(α)w)]]>

式中α為先驗分布參數，I(α)是一個M+1維的對角方陣，M是特征向量的維數：

π為圓周率，w為權值向量，w^Τ是w的矩陣轉置，ε為充分小的常數；

③求權值向量w的后驗分布p(w|β,α,Y_SX)，由貝葉斯公式可得：

p(w|β,α,YSX)=p(YSX|β,w)p(w|α)∫p(YSX|β,w)p(w|α)dw]]>

式中β表示噪聲方差的逆，α為先驗分布參數，Y_SX表示集合{S,x}，S表示訓練集特征向量水平堆砌組成的矩陣，x是目標向量，p(Y_SX|β,w)是w的似然函數，p(w|α)是w的先驗分布；

④由于先驗和似然函數都服從高斯分布，因此后驗分布也服從高斯分布，可得后驗分布的均值m：

m＝β(βSS^Τ+I(α))^-1Sx

其中，x是目標向量，S表示訓練集特征向量水平堆砌組成的矩陣，β表示噪聲方差的逆，α為先驗分布參數；

⑤對于新測試數據的缺項特征向量s_new，貝葉斯線性判別分析分類器的輸出y等于：

y＝m^Ts_new

其中m為后驗分布的均值。