[發明專利]基于優化的多維樣本熵的癲癇發作信號檢測方法

有效

• 申請號: 202010637325.6
• 申請日: 2020-07-03
• 公開（公告）號: CN111870241B
• 公開（公告）日: 2022-05-17
• 發明（設計）人: 丁吉;劉陽;汪茜;張啟忠;高云園;席旭剛
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: A61B5/369
• 分類號: A61B5/369;A61B5/372;A61B5/00
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 楊舟濤

本發明公開了一種基于優化的多維樣本熵的癲癇發作信號檢測方法。在這項研究中，本發明采用多維樣本熵作為特征來區分癲癇發作狀態和正常狀態，并對其進行了優化，提高了計算效率。此外，通過結合多維樣本熵征提取和Bi?LSTM，開發了一種新的預測方法來預測癲癇發作。結果表明，該方法取得了良好的表現，可預測5分鐘后腦電的多維樣本熵，準確率高達80.09％，誤報率為0.26/h。本研究的結果表明，所提出的預測方案更適合于實際癲癇發作預測。

技術領域

本發明屬于信號特征分析領域，涉及一種基于優化的多維樣本熵和雙向長短時記憶神經網絡(Bi-directional Long Short-Term Memory，Bi-LSTM)的癲癇發作信號檢測方法。

背景技術

癲癇是由于腦神經元超同步化異常放電引起的一種常見的腦部疾病，在神經系統疾病中排名第二，發病率僅次于腦卒中。癲癇發作是一種慢性長期反復性的疾病，具有突發性，在病發期間會造成腦功能暫時喪失。在國外癲癇的患病率約為3‰～10‰。，在我國的患病率有4‰～9‰，到目前為止，全球大約有5千萬患者正在經歷病痛的折磨。多數癲癇患者在發作時會突然昏倒，全身痙攣，意識喪失。同時由于癲癇發作的猝發性，如果此時病人正從事某種危險操作(如駕駛汽車)，則很容易受到意外傷害。若能在癲癇發作前預測到癲癇即將發作，即使是較短的時間，也可使患者或醫生能夠及時采取必要的預防保護措施，這對病人是十分有利的。癲癇發作預測對癲癇治療起著重要的作用，因而成為當前癲癇病學研究中的一個熱點。

目前已提出各種技術來解決該問題，其中腦電圖(Electroencephalography,EEG)具有多種優勢，包括高時間分辨率，低成本，能夠長期監測和便攜等，已被證明是癲癇發作分析的有效的優選方法之一。

在過去的幾十年中已經提出了許多分析腦電信號的方法，這些方法可以分為兩種：線性方法和非線性方法。線性方法包括時域分析，頻域分析和時頻域分析。時域分析是用于分析癲癇信號的第一種方法。時域分析的優點是時域波形包含了腦電圖的所有信息，但是這種方法缺乏客觀性，而且誤差較大。頻域分析克服了時域分析的缺點，但它的前提是平穩的隨機信號，而EEG信號是非線性和非平穩的信號，這導致了許多局限性。時頻域分析方法包括短時傅立葉變換，小波變換，Hilbert-Huang變換和經驗模態分解等，是目前研究腦電信號的最常用方法，并取得了較好的結果。

從非線性動力學角度來分析，大量研究表明大腦的活動具有及其復雜的動力學特性，大腦可以看作是一個非線性動力系統。通過提取基于非線性動力學理論的腦電特征來識別癲癇腦電已成為癲癇發作自動檢測的前沿動向之一。生物信號很微弱，且往往帶有環境中的噪聲，而熵方法在生物信號處理具有顯著優勢。基于熵的方法的另一個優點是，與其他非線性方法相比，它可以通過更少的數據來獲得有意義的結果。其中樣本熵是基于近似熵研究出來的一種新算法，可以規避近似熵的一些缺陷。不依賴數據長度，一致性更好，對于數據的丟失不敏感，算法更簡單。且Mormann等人指出雙變量和多變量測量相對于單變量具有更優的性能。

癲癇發作信號檢測的關鍵不僅在于特征的提取，還有分類器的選取。支持向量機(Support Vector Machine，SVM)，決策樹，卷積神經網絡(Convolutional NeuralNetworks，CNN)等許多分類算法已被用于對癲癇特征進行分類并取得了良好的效果。長短時記憶神經網(Long Short-Term Memory，LSTM)是一種時間遞歸神經網絡，與其他分類算法不同的是，LSTM既可以用于分類，又可以對時間序列進行預測。其中Bi-LSTM是LSTM的一種變體，由一個前向的和一個后向的LSTM組成，魯棒性更強。

發明內容

基于以上討論，本發明提出了一種基于優化多維樣本熵和Bi-LSTM的癲癇發作信號檢測方法，將多個通道的EEG信號聯合起來分析并提取特征。然后用Bi-LSTM預測多維樣本熵的變化趨勢，并對預測的多維樣本熵進行分類，以區分癲癇發作期和正常期達到檢測癲癇發作信號的目的。

為了實現以上目的，本發明方法主要包括以下步驟：