[發(fā)明專利]采用新型能量算子和多尺度熵的癲癇檢測方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202011557928.1
• 申請日: 2020-12-25
• 公開（公告）號: CN112784683A
• 公開（公告）日: 2021-05-11
• 發(fā)明（設(shè)計(jì)）人: 胡偉波;帥國彬;燕翔;馬偉;肖知明;王美玉
• 申請（專利權(quán)）人: 南開大學(xué);南開大學(xué)深圳研究院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;A61B5/372;A61B5/00
• 代理公司: 天津市亦略知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 12250
• 代理人: 黎鵬

本申請?zhí)峁┝艘环N采用新型能量算子和多尺度熵的癲癇檢測方法及系統(tǒng)，從分解后的腦電信號中篩選出癲癇特征波頻段的待檢測信號，利用新型Teager能量算子計(jì)算，得出能量增強(qiáng)信號；采用多尺度熵對增強(qiáng)信號提取特征信息；將提取的特征信息輸入訓(xùn)練好的極限學(xué)習(xí)機(jī)中，得出檢測結(jié)果。采用新型Teager能量算子，不僅能夠跟蹤和反映被測信號的瞬時(shí)能量，還增強(qiáng)了對信號頻率的敏感性，提高了能量算子算法的抗噪性；采用多尺度熵算法將信號擴(kuò)展到多個(gè)時(shí)間尺度，提高檢測的容錯(cuò)率和精確度；采用極限學(xué)習(xí)機(jī)作為數(shù)據(jù)訓(xùn)練分類模型，隱含層和輸出層之間的連接權(quán)值也不需要迭代調(diào)整，而是通過解方程組一次性確定，極大的加快了算法運(yùn)行速度。

技術(shù)領(lǐng)域

本發(fā)明涉及醫(yī)學(xué)數(shù)據(jù)處理領(lǐng)域，具體涉及一種采用新型能量算子和多尺度熵的癲癇檢測方法及系統(tǒng)。

背景技術(shù)

癲癇是一種常見的慢性精神性腦部疾病，是由于大腦神經(jīng)元突發(fā)異常放電所引起的大腦短暫性異常障礙，具有反復(fù)性和突發(fā)性。腦電圖是通過非侵入性電極從頭皮采集，綜合反映大腦的放電活動，是診斷癲癇的有效工具。在傳統(tǒng)的癲癇檢測中，醫(yī)學(xué)專家通過觀察腦電圖，找出包含癲癇特征的腦電波形。這種方法不僅耗時(shí)耗力，具有強(qiáng)的主觀性，而且腦電圖中存在的大量噪聲也會對醫(yī)學(xué)專家的判斷產(chǎn)生干擾。因此，近年來，癲癇自動檢測和識別技術(shù)被廣泛研究，以幫助醫(yī)學(xué)專家簡化診斷過程和提高診斷準(zhǔn)確性。

隨著對腦科學(xué)的探索，研究表明人類的大腦相當(dāng)于一個(gè)復(fù)雜的非線性動力系統(tǒng)，因此，各種建立在非線性方法基礎(chǔ)上的癲癇性發(fā)作自動檢測被相繼提出。

現(xiàn)階段，癲癇檢測中，2007年，Hasan Ocak發(fā)現(xiàn)正常EEG的近似熵大于癲癇發(fā)作期EEG的近似熵，可用近似熵對腦電信號進(jìn)行特征提取并分類。2012年，Cheol Seung Yoo對近似熵算法進(jìn)行優(yōu)化，提出了樣本熵，將其用于癲癇檢測。2017年，Zahra Asmat利用多變量經(jīng)驗(yàn)?zāi)B(tài)分解(MEMD)提取腦電信號特征，并使用CNN進(jìn)行分類，得到了87.2％的分類準(zhǔn)確度。2017年，Md Mursal in使用關(guān)聯(lián)性特征選擇(CFS)的提取方法，使用隨機(jī)森林(RF)作為分類器，得到98％的檢測準(zhǔn)確率。2018年，Zhou等人提出基于快速傅里葉變換和卷積神經(jīng)網(wǎng)絡(luò)模型得到97.5％的癲癇檢出率。

現(xiàn)有的腦電信號特征提取算法缺點(diǎn)：傳統(tǒng)的近似熵、樣本熵和模糊熵等非線性特征分類性能較差，所得到的分類結(jié)果精度較低；關(guān)聯(lián)性特征選擇(CFS)和完全集成經(jīng)驗(yàn)?zāi)B(tài)分解不能在腦電信號未知的情況下有效的提取特征信息。

現(xiàn)有的數(shù)據(jù)訓(xùn)練分類模型缺點(diǎn)：BP算法的輸入層到隱含層權(quán)值和隱含層到輸出層權(quán)值全部需要迭代求解(梯度下降法)，算法運(yùn)行時(shí)間長，耗時(shí)久。

發(fā)明內(nèi)容

有鑒于此，本申請實(shí)施例致力于提供一種采用新型能量算子和多尺度熵的癲癇檢測方法及系統(tǒng)，對Teager能量算子進(jìn)行改進(jìn)，不僅能夠跟蹤和反映被測信號的瞬時(shí)能量，還增強(qiáng)了對信號頻率的敏感性，提高了能量算子算法的抗噪性；使用多尺度熵提取腦電信號的特征信息，它將腦電信號擴(kuò)展到多個(gè)時(shí)間尺度，以便在時(shí)間尺度不確定時(shí)提供額外的觀察視角；采用極限學(xué)習(xí)機(jī)作為數(shù)據(jù)訓(xùn)練分類模型，極限學(xué)習(xí)機(jī)輸入層到隱含層的連接權(quán)值、隱含層的閾值可以隨機(jī)確定，且設(shè)定完后不用再次調(diào)整；隱含層和輸出層之間的連接權(quán)值也不需要迭代調(diào)整，而是通過解方程組一次性確定，極大的加快了算法運(yùn)行速度。

為此，本發(fā)明的一個(gè)實(shí)施例中提供一種采用新型能量算子和多尺度熵的癲癇檢測方法，包括：

S1、獲取腦電信號，采用小波變化和多分辨率分析，對腦電信號進(jìn)行分解；

S2、從分解后的腦電信號中篩選出癲癇特征波頻段的待檢測信號，利用新型Teager能量算子計(jì)算，得出能量增強(qiáng)信號；

S3、采用多尺度熵對增強(qiáng)信號提取特征信息；

S4、將提取的特征信息輸入訓(xùn)練好的極限學(xué)習(xí)機(jī)中，得出檢測結(jié)果。