一种基于高维随机矩阵理论的脑电信号分类方法及系统

技术领域

本发明属于脑电信号处理技术领域，尤其涉及一种基于高维随机矩阵理论的脑电信号分类方法及系统。

背景技术

脑电图(Electroencephalogram,EEG) 可以反映大脑神经元放电活动，头皮脑电图具有无创伤、成本低和易获取优势，广泛应用于癫痫、帕金森、睡眠障碍等神经系统疾病的诊断和监测中。EEG信号分析一般流程包括数据采集、数据预处理、特征提取和分类、后处理，其中特征提取和分类器设计是核心，提取EEG信号有用的特征信息并提高分类的准确率是脑电信号处理分析的重点。

常用的EEG信号特征提取方法主要有自回归模型、共空间模型、小波变换、功率谱密度估计、非线性动力学等。分类器的设计主要有基于统计分析的方法和基于机器学习的方法。基于统计分析的方法，通过监测脑电信号一段时间内某些特征指标的变化趋势，如棘波频次、不同频段的相对功率、基于零交叉间隔的分布相似性等特征，通过计算患者当前脑电图状态与患者参考状态的差异程度，设定合适的阈值来判断患者当前脑电图是否符合假设状态。基于机器学习的方法通过支持向量机(Support Vector Machine,SVM)、随机森林(Random Forest, RF)、贝叶斯分类器等机器学习算法学习脑电信号特征信息，如功率谱密度、小波能量、分形维数、样本熵等特征，然后对当前观测脑电信号进行分类。随着深度学习技术的发展，基于卷积神经网络(Convolutional Neural Networks, CNN)、循环神经网络(Recurrent Neural Network,RNN)、以及融合模型等深度学习的脑电信号检测技术也相继出现，可以自动提取脑电信号的特征信息并分类。

基于统计分析和基于传统机器学习的脑电信号特征提取和分类技术，模型复杂度低、可解释性强、易于实现，需根据专家经验人工的提取特征信息，虽然这些特征是具有实际意义的物理量，但也损失了很多信息，无法处理特征之间的隐关系以及隐藏的深度特征，另外如果提取特征的过程耗时过长也会影响实际应用。相较于传统机器学习模型，深度学习模型融合了特征提取与分类两步，在训练样本数据足够多的情况下能取得更好预测效果，但深度学习模型往往依赖大量的病患数据，否则容易因参数过拟合影响模型泛化性能。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于高维随机矩阵理论的脑电信号分类方法及系统。

本发明的目的是通过以下技术方案实现的：

根据本说明书的第一方面，提供一种基于高维随机矩阵理论的脑电信号分类方法，该方法包括：

对患者脑电信号进行预处理后，通过滑动加窗截断，获取观测信号样本数据；

计算当前脑电观测信号与假设脑电状态参考信号的相似度，包括：将判断观测信号样本数据和假设脑电状态参考信号样本数据的相似性问题转换为判断二者总体协方差矩阵的相似性，利用样本数据构造检验统计量，并将检验统计量调整为服从标准正态分布，判断调整后的检验统计量是否在置信区间内，从而得到观测时刻对应的第一相似度指标；

计算当前脑电观测信号与正常脑电状态参考信号的相似度，包括：将判断观测信号样本数据和正常脑电状态参考信号样本数据的相似性问题转换为判断二者总体协方差矩阵的相似性，利用样本数据构造检验统计量，并将检验统计量调整为服从标准正态分布，判断调整后的检验统计量是否在置信区间内，从而得到观测时刻对应的第二相似度指标；

设计由所述第一相似度指标和所述第二相似度指标构成的组合指标，对患者脑电信号样本数据进行连续观测，将各观测时刻的第一相似度指标和第二相似度指标的计算结果分别依次存入对应的指标向量，判断组合指标是否满足设定阈值，从而判断患者是否处于所假设的脑电状态。

进一步地，将观测时刻k对应的观测信号样本数据记为

进一步地，利用样本数据构造检验统计量判断假设检验问题是否成立，包括：利用样本数据

进一步地，所述样本估计量

其中，

进一步地，通过计算检验统计量

进一步地，

其中，

进一步地，利用调整后的检验统计量

进一步地，将第一相似度指标对应的指标向量中所有元素的均值作为第一组合指标

根据本说明书的第二方面，提供一种基于高维随机矩阵理论的脑电信号分类系统，该系统包括：

信号预处理模块，用于对患者脑电信号进行预处理，并对预处理后的信号通过滑动加窗截断获取观测信号样本数据；

第一相似度指标计算模块，用于计算当前脑电观测信号与假设脑电状态参考信号的相似度，包括：将判断观测信号样本数据和假设脑电状态参考信号样本数据的相似性问题转换为判断二者总体协方差矩阵的相似性，利用样本数据构造检验统计量，并将检验统计量调整为服从标准正态分布，判断调整后的检验统计量是否在置信区间内，从而得到观测时刻对应的第一相似度指标；

第二相似度指标计算模块，用于计算当前脑电观测信号与正常脑电状态参考信号的相似度，包括：将判断观测信号样本数据和正常脑电状态参考信号样本数据的相似性问题转换为判断二者总体协方差矩阵的相似性，利用样本数据构造检验统计量，并将检验统计量调整为服从标准正态分布，判断调整后的检验统计量是否在置信区间内，从而得到观测时刻对应的第二相似度指标；

组合指标计算模块，用于设计由所述第一相似度指标和所述第二相似度指标构成的组合指标，对患者脑电信号样本数据进行连续观测，将各观测时刻的第一相似度指标和第二相似度指标的计算结果分别依次存入对应的指标向量；

脑电状态判断模块，用于判断组合指标是否满足设定阈值，从而判断患者是否处于所假设的脑电状态。

根据本说明书的第三方面，提供一种基于高维随机矩阵理论的脑电信号分类装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，用于实现如第一方面所述的基于高维随机矩阵理论的脑电信号分类方法。

本发明的有益效果是：本发明充分利用了观测信号样本数据内部的隐性关系和深层次特征，同时利用高维随机矩阵更适合高维小样本数据分析的优势，使得本发明在患者脑电信号观测样本量相对较小的情况下能够更快更准确的识别患者是否处于所假设的脑电状态，更适用于实时监测场景。此外，本发明在应用于如癫痫发作预测这类由正常状态过渡至患病状态的实时监控时，不仅考虑了患者处于患病状态的信号特征，同时也利用了患者处于正常状态的信号特征，通过对两个阶段的信号总体协方差特性进行比较，提高了判断患者是否处于所假设脑电状态的精准性。

附图说明

图1为一示例性实施例提供的基于高维随机矩阵理论的脑电信号分类方法流程图；

图2为一示例性实施例提供的通过滑动窗口获取观测数据矩阵示意图；

图3为一示例性实施例提供的当前脑电观测信号与假设脑电状态参考信号的相似度计算流程图；

图4为一示例性实施例提供的癫痫患者脑电信号实时监测及癫痫发作预测告警流程图；

图5为一示例性实施例提供的基于高维随机矩阵理论的脑电信号分类系统结构图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

随机矩阵理论是基于矩阵中的随机变量，通过比较随机多维时间序列的统计特性，可以反映真实数据的相关性和偏离随机分布特性的程度，并揭示整个实际数据的行为特征，被广泛应用于金融、物理、生物统计、计算机科学等领域。EEG信号是一种高维度的时间序列，某个特定的脑区域的活动会影响到多个EEG通道的结果，因此大脑皮层区域的活动会导致不同电极上测量到的信号之间存在一些时空相关性。

高维随机矩阵理论研究了随机矩阵维度与样本数处于同一数量级时（即样本数n与矩阵的维度数p比满足

本发明考虑脑电信号分析技术在癫痫发作预测等场景应用时对信号分析实时性、准确性的要求，针对基于统计分析的EEG信号在特征提取时损失较多信息，无法处理特征之间的隐性关系和深层次特征的问题，利用高维随机矩阵理论中协方差矩阵相似性判断原理，通过比较患者当前脑电观测信号与所假设状态的参考信号以及患者正常状态下脑电信号的相似性和不相似性，设计组合指标并与患者特定阈值进行比较，当组合指标均满足阈值条件时则判定患者处于假设的状态。本发明考虑EEG信号的样本数据的整体特性，较大程度的保留了EEG信号的原始特征信息和通道间的相关性信息，同时利用高维随机矩阵理论更适合高维小样本数据分析的优势，使得本发明在患者脑电信号观测样本量相对较小的情况下能够更快更准确的识别患者所处状态。

如图1所示，本发明提供一种基于高维随机矩阵理论的脑电信号分类方法，通过连续监测患者当前观测周期内脑电信号与假设脑电状态参考信号、正常脑电状态参考信号的总体协方差矩阵的相似度性和不相似性，设计组合指标并判断是否满足设定阈值，来判断患者是否处于所假设的脑电状态。本发明方法具体实现流程如下：

（1）信号预处理：对患者脑电原始信号进行降噪、滤波、去伪迹、基线校准等预处理操作。

（2）进行加窗处理，通过加窗截断，获取观测信号样本数据，具体为：对预处理后的信号进行滑动加窗截断，获得观测时刻k对应的长度为

（3）计算当前脑电观测信号与假设脑电状态参考信号的相似度

若患者当前脑电信号处于所假设的脑电状态，则当前观测信号样本数据

观测信号样本数据

考虑到脑电信号的时空复杂性，现实情况中，即使样本数据

此时，将判断观测信号样本数据

图3为当前脑电观测信号与假设脑电状态参考信号的相似度计算流程图。具体地，利用样本数据

其中，tr表示求矩阵的迹运算，

其中，

根据高维随机矩阵理论，检验统计量

其中，

至此，检验统计量

接下来，利用

（4）计算当前脑电观测信号与正常脑电状态参考信号的相似度

考虑到在脑电信号分类的实际应用中，通常需要判断患者当前所处的脑电状态是否处于正常状态，以及如果为非正常状态时，是否处于所假设类别的患病状态。因此，为进一步降低分类的误判率，还需要判断患者当前所处的脑电状态是否明显区别于正常状态。

利用在

其中，

同样的，设置上述假设成立的置信水平

（5）计算组合指标并判断是否满足阈值条件，从而判定患者是否处于所假设的脑电状态。

设计由

当患者当前脑电状态属于所假设的脑电状态时，当前脑电观测信号的特征将与假设脑电状态参考信号的特征具有很高的相似度，且偏离正常脑电状态参考信号的特征，从而向量

以癫痫患者发作前期状态识别为实例进行所提方法及系统实现过程的说明。癫痫是全球最常见的神经系统疾病之一，反复发作对患者的精神与认知功能造成持续性负面影响，甚至危及生命。癫痫患者的脑电活动一般可分为发作间期、发作前期、发作期和发作后期，发作前期是患者从正常状态到发作状态的过渡期。准确和高效的识别患者的发作前期是癫痫发作预测技术的关键，能帮助患者尽早的使用治疗药物来控制癫痫，提高患者的生活质量和安全性。如图4所示，利用本发明方法实现患者癫痫发作前期识别的过程描述如下：

（1）信号预处理

此部分主要对患者脑电原始信号进行降噪、滤波、去伪迹、基线校准等预处理操作，可采用成熟方法。将预处理后的实时观测信号表示为

（2）加窗处理

对预处理后的信号

（3）计算观测信号与患者发作前期参考信号的相似度

患者发作前期参考信号的样本数据记为

（3.1）利用样本数据

其中各参数的计算公式如下：

，/>

（3.2）计算调整后的检验统计量

（3.3）设置假设检验问题

（4）计算观测信号与患者发作间期参考信号的相似度

患者发作间期参考信号的样本数据记为

参考步骤（3），利用样本数据

设置假设

（5）计算组合指标并判断是否满足告警阈值

对患者脑电信号的样本数据进行连续采样时间点观测，观测次数

当患者从发作间期逐渐转变为发作前期时，向量

本发明根据患者脑电信号处于所假设的状态时，实时脑电观测信号与假设状态参考信号具有统计学意义上的相似性原理，基于高维协方差矩阵相似性检验理论构造检验统计量实现当前观测脑电信号与假设状态参考信号的相似度评估。

本发明考虑患者从正常脑电状态逐渐过渡至假设脑电状态时，实时观测脑电信号的样本数据由与正常状态的样本数据的相似度逐渐降低、与假设状态的参考信号样本数据的相似度逐渐提高，通过比较患者当前脑电观测信号与所假设状态的参考信号以及患者正常状态下脑电信号的相似性和不相似性，设计组合指标监测模式，基于双重阈值实现患者脑电信号是否处于假设状态的实时分类。

与前述基于高维随机矩阵理论的脑电信号分类方法的实施例相对应，本发明还提供了基于高维随机矩阵理论的脑电信号分类系统的实施例。如图5所示，本发明提供的基于高维随机矩阵理论的脑电信号分类系统，包括以下模块：

信号预处理模块，用于对患者脑电信号进行预处理，并对预处理后的信号通过滑动加窗截断获取观测信号样本数据；

第一相似度指标计算模块，用于计算当前脑电观测信号与假设脑电状态参考信号的相似度，包括：将判断观测信号样本数据和假设脑电状态参考信号样本数据的相似性问题转换为判断二者总体协方差矩阵的相似性，利用样本数据构造检验统计量，并将检验统计量调整为服从标准正态分布，判断调整后的检验统计量是否在置信区间内，从而得到观测时刻对应的第一相似度指标；

第二相似度指标计算模块，用于计算当前脑电观测信号与正常脑电状态参考信号的相似度，包括：将判断观测信号样本数据和正常脑电状态参考信号样本数据的相似性问题转换为判断二者总体协方差矩阵的相似性，利用样本数据构造检验统计量，并将检验统计量调整为服从标准正态分布，判断调整后的检验统计量是否在置信区间内，从而得到观测时刻对应的第二相似度指标；

组合指标计算模块，用于设计由所述第一相似度指标和所述第二相似度指标构成的组合指标，对患者脑电信号样本数据进行连续观测，将各观测时刻的第一相似度指标和第二相似度指标的计算结果分别依次存入对应的指标向量；

脑电状态判断模块，用于判断组合指标是否满足设定阈值，从而判断患者是否处于所假设的脑电状态。

上述方法实施例涉及的各步骤的所有相关内容均可以援引到对应功能模块的功能描述，在此不再赘述。

此外，本发明还提供了基于高维随机矩阵理论的脑电信号分类装置的实施例。本发明实施例提供的基于高维随机矩阵理论的脑电信号分类装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，用于实现上述实施例中的基于高维随机矩阵理论的脑电信号分类方法。

本发明实施例还提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述实施例中的基于高维随机矩阵理论的脑电信号分类方法。

所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备的外部存储设备，例如所述设备上配备的插接式硬盘、智能存储卡（Smart Media Card，SMC）、SD卡、闪存卡（Flash Card）等。进一步的，所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。

以上所述仅为本说明书一个或多个实施例的较佳实施例而已，并不用以限制本说明书一个或多个实施例，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例保护的范围之内。