[發(fā)明專利]一種基于EEG信號(hào)的醫(yī)療診斷輔助系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 202110010464.0
• 申請(qǐng)日: 2021-01-05
• 公開（公告）號(hào): CN112741638B
• 公開（公告）日: 2022-04-08
• 發(fā)明（設(shè)計(jì)）人: 王磊;梁錦威;劉洋;石巖;張書源
• 申請(qǐng)（專利權(quán)）人: 北京航空航天大學(xué)
• 主分類號(hào): A61B5/369
• 分類號(hào): A61B5/369;A61B5/372;A61B5/00;A61B5/16
• 代理公司: 北京卓特專利代理事務(wù)所(普通合伙) 11572
• 代理人: 陳變花;田冰

1.一種基于EEG信號(hào)的信息處理系統(tǒng)，包括：EEG信號(hào)采集裝置與計(jì)算機(jī)；EEG信號(hào)采集裝置實(shí)現(xiàn)EEG信號(hào)的采集、放大、濾波及信號(hào)傳輸，將EEG信號(hào)傳輸?shù)接?jì)算機(jī)；計(jì)算機(jī)實(shí)現(xiàn)對(duì)EEG信號(hào)的去噪、特征提取和分類預(yù)測(cè)并進(jìn)行可視化顯示；

所述計(jì)算機(jī)包括處理器與存儲(chǔ)器；所述處理器通過執(zhí)行軟件來實(shí)施如下方法：

對(duì)EEG信號(hào)采集裝置傳送來的EEG信號(hào)進(jìn)行軟件濾波以去除硬件濾波器電容、電阻不匹配所引入的噪聲以及50Hz工頻干擾；采用滑動(dòng)窗口將其切分成具有3s時(shí)間長(zhǎng)度的EEG信號(hào)分段，對(duì)每個(gè)EEG信號(hào)分段提取其時(shí)域特征、頻域特征及非線性特征；基于這些特征構(gòu)造推斷樣本，使用訓(xùn)練好的隨機(jī)森林分類器對(duì)一個(gè)或多個(gè)推斷樣本預(yù)測(cè)其分類，得到一個(gè)或多個(gè)推斷樣本屬于指定類別的概率，并進(jìn)行可視化顯示；

其中，通過統(tǒng)計(jì)分析方法獲取所述EEG信號(hào)分段的時(shí)域特征，所述時(shí)域特征包括EEG信號(hào)的最大值、最小值、均值、方差、峰度、偏度和/或波寬，所獲取的時(shí)域特征作為第一特征向量；

通過周期圖法獲取所述EEG信號(hào)分段的頻域特征，所述頻域特征包括EEG信號(hào)分段的功率譜，計(jì)算功率譜的過程如下：

將所述EEG信號(hào)分段包括的S點(diǎn)觀察數(shù)據(jù)X(n)＝{x(1),x(2),…,x(S)}作為能量有限的信號(hào)，其中S是正整數(shù)，n＝1,2,…,S，對(duì)x(n)，n＝1,2,…,S，做快速傅立葉變換(FFT)后得到頻域信號(hào)序列X_S(w)，其中w為頻域變量，然后再取X_S(w)的模平方，并除以S作為對(duì)EEG信號(hào)分段功率譜的估計(jì)，以P_PER(w)來表示用周期圖法估計(jì)出來的功率譜，公式如下：

通過如下處理為EEG節(jié)律與EEG信號(hào)分段的功率譜建立時(shí)頻關(guān)系：

1)將EEG信號(hào)分段分解成δ、θ、α與β4個(gè)頻帶，其中δ頻帶是1-3Hz，θ頻帶是4-7Hz，α頻帶是8-13Hz，β頻帶是14-30Hz；

2)用所述計(jì)算功率譜的過程分別提取4個(gè)頻帶的功率譜特征；

3)將4個(gè)頻帶的功率譜特征組合成一個(gè)功率譜向量，該功率譜向量從能量的角度刻畫了EEG節(jié)律之間的相對(duì)強(qiáng)弱；

將所獲取的功率譜向量作為所述EEG信號(hào)分段的第二特征向量；

所述EEG信號(hào)分段的非線性特征通過樣本熵估計(jì)獲取，計(jì)算樣本熵的過程如下：

對(duì)于EEG信號(hào)分段包括的S點(diǎn)序列X(n)＝{x(1),x(2),…,x(S)}，其中S是正整數(shù)，n＝1,2,…,S，計(jì)算樣本熵的過程如下：

1)重構(gòu)l維向量序列：X_l(i)＝{x(i),x(i+1),…,x(i+l-1)}，其中，1≤i≤S-l+1，向量序列表示EEG信號(hào)分段的S點(diǎn)序列中從第i點(diǎn)開始的l個(gè)連續(xù)的x值；

2)定義X_l(i)與X_l(j)之間的矢量距離為d[X_l(i),X_l(j)]，即：

其中1≤i≤S-l+1,1≤j≤S-l+1，且j≠i；

3)對(duì)于給定的X_l(i),1≤i≤S-l+1，在容許偏差距離r，r0，條件下，統(tǒng)計(jì)d[X_l(i),X_l(j)]≤r的j，的數(shù)目，1≤j≤S-l+1,j≠i，該數(shù)目記為B_i，此數(shù)目B_i與d[X_l(i),X_l(j)]的個(gè)數(shù)的比值記為：

4)求所有的i對(duì)應(yīng)的的平均值，記為B^l(r)：

5)維數(shù)l增加1，令c＝l+1，重復(fù)1)～4)，得到：

6)則所述EEG信號(hào)分段序列的樣本熵為：

實(shí)際計(jì)算過程中，S取有限值，樣本熵估計(jì)為：

將所述EEG信號(hào)分段分解為δ、θ、α與β4個(gè)頻帶，其中δ頻帶是1-3Hz，θ頻帶是4-7Hz，α頻帶是8-13Hz，β頻帶是14-30Hz，用所述計(jì)算樣本熵的過程分別計(jì)算各頻帶的樣本熵，將4個(gè)頻帶的樣本熵組合成一個(gè)樣本熵向量，該樣本熵向量刻畫了所述EEG信號(hào)分段的EEG各節(jié)律的復(fù)雜程度，將所獲取的樣本熵向量作為所述EEG信號(hào)分段的第三特征向量；

所述處理器通過執(zhí)行軟件還根據(jù)多個(gè)EEG信號(hào)構(gòu)造用于訓(xùn)練所述隨機(jī)森林分類器的訓(xùn)練樣本；

所述的隨機(jī)森林分類器的訓(xùn)練樣本構(gòu)造過程如下：

采集多個(gè)EEG信號(hào)，根據(jù)采集EEG信號(hào)得到具有指定時(shí)間長(zhǎng)度的第一多個(gè)EEG信號(hào)分段；

對(duì)第一多個(gè)EEG信號(hào)分段的每個(gè)EEG信號(hào)分段提取所述第一特征向量、所述第二特征向量與所述第三特征向量，其中第一特征向量、第二特征向量與第三特征向量共包括M個(gè)特征，用第一特征向量、第二特征向量與第三特征向量構(gòu)造樣本段，還為每個(gè)樣本段添加指示了類別的標(biāo)簽，其中標(biāo)簽指示了所述樣本段所屬EEG信號(hào)的類別；將樣本段作為所述隨機(jī)森林分類器的訓(xùn)練樣本，訓(xùn)練樣本的集合稱為訓(xùn)練集，訓(xùn)練集的大小為N，其中M、N為正整數(shù)；

所述處理器通過執(zhí)行軟件還用所述訓(xùn)練樣本訓(xùn)練所述隨機(jī)森林分類器；

用所述訓(xùn)練樣本訓(xùn)練所述隨機(jī)森林分類器的過程如下：

使用bootstrap sampling方法從所述訓(xùn)練集中隨機(jī)選取訓(xùn)練樣本得到K個(gè)不同的訓(xùn)練子集，每個(gè)訓(xùn)練子集包括N個(gè)訓(xùn)練樣本；用K個(gè)訓(xùn)練子集的每個(gè)訓(xùn)練K個(gè)決策樹之一，決策樹的每一個(gè)節(jié)點(diǎn)隨機(jī)地從訓(xùn)練樣本的m個(gè)特征中選擇最優(yōu)的特征進(jìn)行分裂，使每棵決策樹進(jìn)行最大限度的生長(zhǎng)，得到K個(gè)決策樹分類器D_j，j＝1,…,K；

對(duì)于第j棵決策樹，對(duì)于沒有參與該第j棵決策樹的生成的袋外樣本集的每個(gè)樣本，計(jì)算該第j棵決策樹對(duì)它的分類情況；以簡(jiǎn)單多數(shù)投票作為該樣本的分類結(jié)果；用誤分個(gè)數(shù)占樣本總數(shù)的比例作為所述隨機(jī)森林分類器的袋外估計(jì)誤差；

使用網(wǎng)格搜索方法調(diào)整決策樹數(shù)量K、分裂特征數(shù)m，重復(fù)所述用所述訓(xùn)練樣本訓(xùn)練所述隨機(jī)森林分類器的過程；

基于最小的袋外估計(jì)誤差對(duì)應(yīng)的決策樹數(shù)量K、分裂特征數(shù)m構(gòu)造最優(yōu)的隨機(jī)森林分類器；其中，K、M、N、m為正整數(shù)，且mM；

其中，所述處理器通過執(zhí)行軟件來使用訓(xùn)練好的隨機(jī)森林分類器對(duì)一個(gè)或多個(gè)推斷樣本預(yù)測(cè)其分類；

使用訓(xùn)練好的隨機(jī)森林分類器對(duì)一個(gè)或多個(gè)推斷樣本預(yù)測(cè)其分類的過程如下：

采集EEG信號(hào)，根據(jù)采集EEG信號(hào)得到具有指定時(shí)間長(zhǎng)度的第二多個(gè)EEG信號(hào)分段；

用第二多個(gè)EEG信號(hào)分段的每個(gè)EEG信號(hào)分段的所述第一特征向量、所述第二特征向量與所述第三特征向量，構(gòu)造推斷樣本，其中第一特征向量、第二特征向量與第三特征向量共包括M個(gè)特征；

所述隨機(jī)森林分類器對(duì)推斷樣本進(jìn)行預(yù)測(cè)，K個(gè)決策樹有K個(gè)預(yù)測(cè)概率分布P_i＝[p_i1,p_i2,…,p_iJ]，i＝1,…,K，聯(lián)合所述K個(gè)預(yù)測(cè)概率分布得到最終的概率分布P’＝[p′₁,p′₂,…,p′_J]，所述概率分布表征所述推斷樣本的類別的概率，其中J為類別的數(shù)目，K、J為正整數(shù)，其中

其中a_i∈[0,1]為決策樹i的加權(quán)系數(shù)，