基于多通道多维特征优化的脑电眨眼伪迹检测方法
文献发布时间:2023-06-19 10:08:35
技术领域
本发明属于脑电信号处理及智慧医疗领域,涉及一种针对实时多通道强噪声脑电信号的基于支持向量机并融合多通道多维特征表示(FE)与特征优化(FO)的眨眼伪迹检测方法,本发明是基于多通道脑电EEG数据的眨眼伪迹自动化检测方法。
背景技术
脑电图在患者健康检测与诊断等方面应用广泛,然而眨眼伪迹会严重污染采集的脑电信号,并会曲解潜在的神经信号信息而严重阻碍脑电信号后续的分析研究和应用。有效的眨眼伪迹检测算法对脑科学研究和临床应用都具有重大的理论和实际意义。传统的眨眼伪迹检测模型通常是利用多通道脑电EEG信号借助独立成分分析(ICA)方法来构造,其建模的前提往往都假设脑电数据所有通道是干净无其他外部因素干扰、多通道数据线性混合、伪迹成分是非高斯源的。而在实际临床应用中,脑电信号并不满足这些基本假设,并且由于患者的年龄和个体差异导致很多通道数据噪声极大,无法反映真实脑电情况。针对单个个体尤其是儿童来说,多通道脑电信号采集会受到各种因素干扰,多数通道无法使用。并且还会由于年龄差异等原因导致针对个体化的特征失效。传统的基于单一特征的检测算法无法解决这类问题。针对这个问题,本发明提出了一种针对实时多通道强噪声脑电信号的融合多通道多维特征表示(FE)与特征优化(FO)的眨眼伪迹检测方法;同时,针对传统眨眼伪迹检测算法复杂性高、非自动化的弊端,利用支持向量机(SVM)算法实现脑电信号中眨眼伪迹的自动化精准检测。
发明内容
针对现有技术中存在的不足,本发明提供一种基于多通道多维特征优化的脑电眨眼伪迹检测方法。
本发明针对脑电信号中包含大量眨眼伪迹并主要出现在前额通道以及多数通道噪声信号大这一特点,可以利用少数通道数据处理该通道数据损坏问题,提出了可以在少数通道下实现的多维特征表示(FE)与特征优化(FO)方法,并结合支持向量机(SVM)算法构建了眨眼伪迹和非眨眼伪迹信号的精准分类模型。
本发明的技术方案主要包括如下步骤:
步骤1、对多通道脑电EEG信号进行滤波处理以及类别划分。
步骤2、对步骤1处理后的多通道脑电EEG信号进行16维特征提取。
步骤3、针对提取到的16维特征,采用方差过滤式方法做特征选择。
步骤4、通过支持向量机算法构建针对眨眼伪迹和非眨眼伪迹样本数据集的伪迹检测模型。
步骤5、通过建立的伪迹检测模型进行脑电眨眼伪迹检测。
所述步骤1,具体步骤如下:
将21通道、1000Hz的原始脑电EEG信号进行滤波处理。每通道分别经过50Hz陷波滤波器和0.5-30Hz带通滤波器,得到滤波信号;由于眨眼伪迹电位信号持续时间为0.5s,故采用滑动窗口方法进行数据切割,窗口大小设置为1s,步长为0.5s。由此得到切割实验信号。然后将每个切割信号进行类别划分。将包含眨眼伪迹的信号记为eyeblink类,类别标签为1;将不包含眨眼伪迹的信号记为normal类,类别标签为0,并从两类样本中各取出20%作为测试样本,剩下的80%为训练样本。
所述步骤2,具体步骤如下:
2-1计算训练样本的通道1(Fp1通道)和通道2(Fp2通道)的极差均值MAD(mean ofamplitude difference)、平均功率均值MAP(mean of average power)、方差均值MV(meanof variance)、峰态系数均值MKC(mean of kurtosis coefficient)、偏态系数均值MSC(mean of skewness coefficient)、极值点数均值MEN(mean of extremum number)、分形维数均值MFD(mean of fractal dimension)、相关系数CC(correlation coeffcient)、样本熵均值MSE(mean of sample entropy)、多尺度熵均值MME(mean of multiscaleentrop)以及平滑非线性能量算子峰态系数均值MNKC(mean of smooth nonlinear energyoperator kurtosis coefficient)、偏态系数均值MNSC(mean of smooth nonlinearenergy operator skewness coefficient)、相关系数NCC(smooth nonlinear energyoperator correlation coefficient),并计算通道1(Fp1通道)、通道2(Fp2通道)、通道5(C3通道)和通道6(C4通道)的平均功率差值APD(average power difference),通道1(Fp1通道)、通道2(Fp2通道)、通道9(O1通道)和通道10(O2通道)的相关系数差值CCD(correlation coefficient difference)以及通道1(Fp1通道)、2(Fp2通道)、3(F3通道)、4(F4通道)四个通道的功率谱密度均值与通道7(P3通道)、8(P4通道)、9(O1通道)、10(O2通道)四个通道的功率谱密度均值的的差值均值PSDD(mean value of power spectraldensity difference)。以上共16维特征。
假设样本数据为S
2-2通过如下公式计算极差均值MAD:
式中max()代表取最大值,min()代表取最小值。
2-3通过如下公式计算方差均值MV:
式中μ
2-4通过如下公式计算平均功率均值MAP:
2-5通过如下公式计算峰态系数均值MKC:
其中σ
2-6通过如下公式计算偏态系数均值MSC:
2-7通过如下方法计算极值点数均值MEN:
首先计算S
2-8通过如下公式与方法计算分形维数均值MFD:
其中FD()表示分形维数值,ε表示计盒维数计算时的格子边长,G()表示信号数据的格子数累计,通过上式求得前两通道的分形维数值并求平均得到MFD。
2-9通过如下公式相关系数CC:
其中var()表示方差计算,Cov()表示协方差计算。
2-10通过如下公式与方法计算样本熵均值MSE:
式中SE()表示信号样本熵,m表示重构信号维数,δ表示时间延迟,r表示预定义的阈值参数,n()表示匹配m维向量对的数目。通过上式求得前两通道的样本熵值并求平均得到MSE。
2-11通过如下公式与方法计算多尺度熵均值MME:
ME(S,m,τ,r)=SE(S′,m,δ=τ,r)
式中ME()表示多尺度熵值,
2-12通过如下公式计算第i个通道S
ES
式中ω(t)表示窗函数,ES
式中Eμ
2-13为了弥补多通道脑电信号的空间信息,通过如下公式与方法计算平均功率差值APD:
APD=2*(P(S
式中P()为计算平均功率值,其计算公式为:
2-14通过如下公式与方法计算相关系数差值CCD:
CCD=2*CC(S
式中CC()为利用步骤2-9计算相关系数值。
2-15通过如下公式与方法计算功率谱密度差值PSDD:
式中PSD()代表通道信号的功率谱密度,mean()代表均值计算。
2-16假设两类训练样本所有数目为T,对所有训练样本进行步骤2-2至2-15的16维特征提取,并构成T*16维的特征向量FVs。
所述步骤3,具体步骤如下:
针对特征向量FVs,采用方差过滤式方法做特征选择。
3-1通过如下公式计算特征向量FVs每一维度方差V
其中L为每一维度所有数据个数,vμ
3-2将得到的方差结果进行降序排序,输出排序后的方差值对应的特征维度索引。
3-3根据3-2得到的特征维度索引结果,从前往后选取数目为M的特征维度索引对应的特征作为新的T*M维的特征向量NFVs。
所述步骤4,具体步骤如下:
4-1利用步骤3得到的特征向量NFVs结合两个类别的类别标签和支持向量机算法进行模型训练得到分类器模型。
4-2对测试样本进行特征提取,提取的特征为步骤3特征选择后的M维特征,然后得到测试样本特征向量TFVs,并利用分类器模型对TFVs进行逐个预测分类,计算检测结果。
4-3根据检测结果,通过调节分类器模型的核函数类型、核函数参数构建出最优分类器模型,即伪迹检测模型。
本发明有益效果如下
本发明针对个人尤其是儿童脑电信号多通道数据极易损坏以及个体间和同一个体不同年龄间信号差异性大的问题,可以利用少数通道数据,融合多维特征表示(FE)与特征优化(FO),并结合支持向量机算法构建眨眼伪迹和非眨眼伪迹信号的精准分类模型,既可以克服临床脑电EEG信号多通道数据损坏问题,又可以解决现有模型复杂性高实时性低的问题,还能够实现眨眼伪迹的精准自动化检测。
附图说明
图1本发明的方法流程图;
图2本发明多维特征提取与选择示意图。
具体实施方式
下面结合附图和具体实施方式对本发明作详细说明。
如图1和2所示,基于支持向量机的眨眼伪迹检测方法,多维特征表示(FE)与特征优化(FO)方法的实现步骤在发明内容内已有详细的介绍,即本发明的技术方案主要包括如下步骤:
步骤1、对多通道脑电EEG信号进行滤波处理以及类别划分。
步骤2、对步骤1处理后的多通道脑电EEG信号进行16维特征提取。
步骤3、针对提取到的16维特征,采用方差过滤式方法做特征选择。
步骤4、通过支持向量机算法构建针对眨眼伪迹和非眨眼伪迹样本数据集的伪迹检测模型。
步骤5、通过建立的伪迹检测模型进行脑电眨眼伪迹检测。
所述步骤1,具体步骤如下:
将21通道、1000Hz的原始脑电EEG信号进行滤波处理。每通道分别经过50Hz陷波滤波器和0.5-30Hz带通滤波器,得到滤波信号;由于眨眼伪迹电位信号持续时间为0.5s,故采用滑动窗口方法进行数据切割,窗口大小设置为1s,步长为0.5s。由此得到切割实验信号。然后将每个切割信号进行类别划分。将包含眨眼伪迹的信号记为eyeblink类,类别标签为1;将不包含眨眼伪迹的信号记为normal类,类别标签为0,并从两类样本中各取出20%作为测试样本,剩下的80%为训练样本。
所述步骤2,具体步骤如下:
2-1计算训练样本的通道1(Fp1通道)和通道2(Fp2通道)的极差均值MAD(mean ofamplitude difference)、平均功率均值MAP(mean of average power)、方差均值MV(meanof variance)、峰态系数均值MKC(mean of kurtosis coefficient)、偏态系数均值MSC(mean of skewness coefficient)、极值点数均值MEN(mean of extremum number)、分形维数均值MFD(mean of fractal dimension)、相关系数CC(correlation coeffcient)、样本熵均值MSE(mean of sample entropy)、多尺度熵均值MME(mean of multiscaleentrop)以及平滑非线性能量算子峰态系数均值MNKC(mean of smooth nonlinear energyoperator kurtosis coefficient)、偏态系数均值MNSC(mean of smooth nonlinearenergy operator skewness coefficient)、相关系数NCC(smooth nonlinear energyoperator correlation coefficient),并计算通道1(Fp1通道)、通道2(Fp2通道)、通道5(C3通道)和通道6(C4通道)的平均功率差值APD(average power difference),通道1(Fp1通道)、通道2(Fp2通道)、通道9(O1通道)和通道10(O2通道)的相关系数差值CCD(correlation coefficient difference)以及通道1(Fp1通道)、2(Fp2通道)、3(F3通道)、4(F4通道)四个通道的功率谱密度均值与通道7(P3通道)、8(P4通道)、9(O1通道)、10(O2通道)四个通道的功率谱密度均值的的差值均值PSDD(mean value of power spectraldensity difference)。以上共16维特征。
假设样本数据为S
2-2通过如下公式计算极差均值MAD:
式中max()代表取最大值,min()代表取最小值。
2-3通过如下公式计算方差均值MV:
式中μ
2-4通过如下公式计算平均功率均值MAP:
2-5通过如下公式计算峰态系数均值MKC:
其中σ
2-6通过如下公式计算偏态系数均值MSC:
2-7通过如下方法计算极值点数均值MEN:
首先计算S
2-8通过如下公式与方法计算分形维数均值MFD:
其中FD()表示分形维数值,ε表示计盒维数计算时的格子边长,G()表示信号数据的格子数累计,通过上式求得前两通道的分形维数值并求平均得到MFD。
2-9通过如下公式相关系数CC:
其中var()表示方差计算,Cov()表示协方差计算。
2-10通过如下公式与方法计算样本熵均值MSE:
式中SE()表示信号样本熵,m表示重构信号维数,δ表示时间延迟,r表示预定义的阈值参数,n()表示匹配m维向量对的数目。通过上式求得前两通道的样本熵值并求平均得到MSE。
2-11通过如下公式与方法计算多尺度熵均值MME:
ME(S,m,τ,r)=SE(S′,m,δ=τ,r)
式中ME()表示多尺度熵值,
2-12通过如下公式计算第i个通道S
ES
式中ω(t)表示窗函数,ES
式中Eμ
2-13为了弥补多通道脑电信号的空间信息,通过如下公式与方法计算平均功率差值APD:
APD=2*(P(S
式中P()为计算平均功率值,其计算公式为:
2-14通过如下公式与方法计算相关系数差值CCD:
CCD=2*CC(S
式中CC()为利用步骤2-9计算相关系数值。
2-15通过如下公式与方法计算功率谱密度差值PSDD:
式中PSD()代表通道信号的功率谱密度,mean()代表均值计算。
2-16假设两类训练样本所有数目为T,对所有训练样本进行步骤2-2至2-15的16维特征提取,并构成T*16维的特征向量FVs。
所述步骤3,具体步骤如下:
针对特征向量FVs,采用方差过滤式方法做特征选择。
3-1通过如下公式计算特征向量FVs每一维度方差V
其中L为每一维度所有数据个数,vμ
3-2将得到的方差结果进行降序排序,输出排序后的方差值对应的特征维度索引。
3-3根据3-2得到的特征维度索引结果,从前往后选取数目为M的特征维度索引对应的特征作为新的T*M维的特征向量NFVs。
所述步骤4,具体步骤如下:
4-1利用步骤3得到的特征向量NFVs结合两个类别的类别标签和支持向量机算法进行模型训练得到分类器模型。
4-2对测试样本进行特征提取,提取的特征为步骤3特征选择后的M维特征,然后得到测试样本特征向量TFVs,并利用分类器模型对TFVs进行逐个预测分类,计算检测结果。
4-3根据检测结果,通过调节分类器模型的核函数类型、核函数参数构建出最优分类器模型,即伪迹检测模型。
为了达到更好的眨眼伪迹和非眨眼伪迹信号的精准检测效果,以下将从实际应用时参数的选择与设计方面展开介绍,以作为该发明用于其他应用的参考:
本方法在处理多通道脑电EEG信号时,设置每一段输入数据为1秒,数据的重叠率设为50%。针对临床上个体差异导致个体化特征失效以及儿童信号采集噪声大、多通道数据损坏等问题,本发明利用信号多维特征提取以及特征选择算法处理个体差异问题。步骤2-2至2-12提取的多维特征包含了脑电信号的时域、频域等最主要信息,而步骤2-12至2-15提取的特征则是为了保证多通道脑电信息的空间性以及完全性。
在特征选择过程中,保留方差排序在前8位的特征。最后采用的支持向量机算法设置了rbf核函数以实现非线性分类,参数sigma设置为3,参数C设置为2。
为了真实测试本发明对眨眼伪迹信号的检测效果,在浙江大学医学院附属儿童医院真实病患EEG数据上与多种目前主流检测算法进行了对比实验:
实验数据为21通道,采样频率为1000Hz,数据共分为5个不同患病个体,平均数据长度为18分钟。LeorShoker等人在2005年提出的BSS-SVM算法在数据集上的平均灵敏度(sensitivity)为61.47%,平均特异度(specificity)为70.98%;ChongYehSai等人在2018年提出的Wavelet-ICA-SVM算法在数据集上的平均灵敏度为67.66%,平均特异度为75.78%;RajdeepGhosh等人在2018年提出的SVM-Autoencoder算法在数据集上的平均灵敏度为91.34%,平均特异度为96.80%;本发明在数据集上的平均灵敏度为96.48%,平均特异度为98.62%。本发明相对于上述三种对比算法平均灵敏度分别提高了35.01%、28.82%、5.14%,平均特异度分别提高了27.64%、22.84%、1.82%。这充分证明了本发明在真实数据上的相较于目前眨眼伪迹检测模型的优异性能。
本发明的提出可用于解决临床上个体差异导致个体化特征失效以及儿童信号采集噪声大、多通道数据损坏的问题,通过信号多维特征表示(FE)与特征优化(FO)算法得到特征向量,结合支持向量机分类模型能够达到精准的眨眼伪迹与非伪迹信号的精准检测。
- 基于多通道多维特征优化的脑电眨眼伪迹检测方法
- 基于EMD-CSP脑电特征学习与智能融合的眨眼伪迹检测方法