[發(fā)明專利]基于腦功能網(wǎng)絡(luò)特征的癲癇發(fā)作預(yù)測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201910217803.5
• 申請(qǐng)日: 2019-03-21
• 公開（公告）號(hào): CN109893126A
• 公開（公告）日: 2019-06-18
• 發(fā)明（設(shè)計(jì)）人: 胡月靜;張啟忠;席旭剛;高云園
• 申請(qǐng)（專利權(quán)）人: 杭州電子科技大學(xué)
• 主分類號(hào): A61B5/0476
• 分類號(hào): A61B5/0476;A61B5/00
• 代理公司: 杭州君度專利代理事務(wù)所(特殊普通合伙) 33240
• 代理人: 朱月芬

1.基于腦功能網(wǎng)絡(luò)特征的癲癇發(fā)作預(yù)測(cè)方法，其特征在于，該方法包括如下步驟：

步驟(1)采集腦電數(shù)據(jù)及預(yù)處理，所有的信號(hào)均由國(guó)際標(biāo)準(zhǔn)的10-20電極分布系統(tǒng)采樣得到；數(shù)據(jù)預(yù)處理包括小波去噪、心電、眼電剔除等；

步驟(2)將采集的信號(hào)預(yù)處理；

步驟(3)多軌道自回歸建模并計(jì)算非線性定向相干值

在處理多通道EEG信號(hào)時(shí)，采用多變量自回歸MVAR模型可描述通道間的相互作用；線性自回歸模型如下：

其中，X(t)＝[x₁(t),x₂(t),...,x_p(t)]^T表示在采樣時(shí)間t時(shí)采樣值，e(t)表示具有零均值高斯白噪聲的估計(jì)誤差，p是模型階數(shù)，c_p,q表示系數(shù)矩陣；

作為線性MVAR表達(dá)式的擴(kuò)展，關(guān)于輸出Y的非線性MVAR表示為：

其中n表示系統(tǒng)的階數(shù),最大階數(shù)為M；p和q是y和x的回歸模型階數(shù),并且p+q＝n,K表示最大滯后階數(shù),e_y(t)是模型預(yù)測(cè)誤差,c_p,q表示模型的系數(shù)矩陣；運(yùn)用頻率響應(yīng)函數(shù)，關(guān)于非線性MVAR模型的y的整體頻譜表示為“內(nèi)部”功率和“因果”功率：

其中，H_x→y(f)描述頻域中的無噪聲系統(tǒng)的輸入-輸出關(guān)系，即輸入X和輸出Y；現(xiàn)在系數(shù)矩陣包括線性和非線性因果信息；基于非線性系統(tǒng)的線性矩陣表示，從X到Y(jié)的非線性部分相關(guān)相干性NPDC表示為線性PDC的直接泛化：

其中,表示誤差驅(qū)動(dòng)的頻率響應(yīng)函數(shù)；此時(shí)，求得值表示從通道間信號(hào)源的相互作用和相對(duì)耦合強(qiáng)度；當(dāng)其為0時(shí)，表示兩通道間沒有任何聯(lián)系，值越大表示耦合關(guān)系越強(qiáng)，但都不超過1；，利用此式求解癲癇患者腦電信號(hào)在γ波、β波、α波、θ波、δ波頻段內(nèi)的NPDC；

步驟(4)將相干矩陣轉(zhuǎn)換為閾值內(nèi)的稀疏鄰接矩陣

計(jì)算NPDC矩陣并基于顯著性水平方法選擇閾值T；當(dāng)NPDC值大于T時(shí)，認(rèn)為兩個(gè)通道是相關(guān)的，表示為1；當(dāng)NPD值小于T時(shí),認(rèn)為兩個(gè)信道之間沒有相關(guān)性，其由0表示；這使得EEG信道的連通性結(jié)果變?yōu)槎祷仃嚕环治鲟徑泳仃囋氐闹担袛嗍欠裨诠δ芄?jié)點(diǎn)之間存在連接關(guān)系，以及構(gòu)建腦功能網(wǎng)絡(luò)FBN模型；

步驟(5)網(wǎng)絡(luò)特征提取及分類

使用圖論從獲得的二值化矩陣中提取連通性特征，以描述由EEG信號(hào)表示的網(wǎng)絡(luò)節(jié)點(diǎn)之間的關(guān)系；采用度和聚類系數(shù)來衡量網(wǎng)絡(luò)的全局和局部屬性；對(duì)于由NPDC建立的定向網(wǎng)絡(luò)，每個(gè)節(jié)點(diǎn)保持一個(gè)度值，描述各個(gè)節(jié)點(diǎn)的屬性，它表示連接到該節(jié)點(diǎn)的其它節(jié)點(diǎn)的數(shù)量；網(wǎng)絡(luò)的聚類系數(shù)定義為每個(gè)節(jié)點(diǎn)的聚類系數(shù)的平均值，用于描述網(wǎng)絡(luò)中節(jié)點(diǎn)之間連接的緊密性；計(jì)算每個(gè)NPDC連通矩陣中每個(gè)節(jié)點(diǎn)的度和聚類系數(shù)作為特征；

最后，ELM分類器根據(jù)每個(gè)NPDC連通矩陣中每個(gè)節(jié)點(diǎn)的度和聚類系數(shù)作為的特征，區(qū)分發(fā)作間期和正常期；

步驟(6)建立癲癇發(fā)作預(yù)測(cè)系統(tǒng)

ELM分類器首先用于訓(xùn)練和分類樣本是否屬于癲癇發(fā)作期或正常狀態(tài)，基于從癲癇發(fā)作和正常狀態(tài)提取的圖論特征；應(yīng)用訓(xùn)練的ELM分類器連續(xù)檢測(cè)每個(gè)輸入樣本的狀態(tài)，定義如果在癲癇發(fā)作開始之前觸發(fā)警報(bào)，則預(yù)測(cè)是正確的；由于在正常和癲癇發(fā)作狀態(tài)下為每個(gè)受試者記錄了多個(gè)信號(hào)，我們采用了留一法交叉驗(yàn)證進(jìn)行訓(xùn)練和測(cè)試ELM分類器，其中一個(gè)EEG被選為測(cè)試集，其余被視為訓(xùn)練集；個(gè)體受試者的預(yù)測(cè)準(zhǔn)確性被定義為正確預(yù)測(cè)的數(shù)量除以總預(yù)測(cè)的數(shù)量；

距離發(fā)作的時(shí)間Time如下：

Time＝s-w*Num

其中S表示EEG信號(hào)的總持續(xù)時(shí)間，w表示滑動(dòng)窗口的步長(zhǎng)，Num是滑動(dòng)窗口的數(shù)量；對(duì)于每個(gè)受試者，將預(yù)測(cè)時(shí)間定義為屬于受試者的所有預(yù)測(cè)時(shí)間的平均值。

2.根據(jù)權(quán)利要求1所述的基于腦功能網(wǎng)絡(luò)特征的癲癇發(fā)作預(yù)測(cè)方法，其特征在于：所述的步驟二中信號(hào)預(yù)處理具體為：通過小波濾波器將頻率限制在0-60Hz。