一种基于卷积变分自编码器的无监督脑电高频振荡信号自动检测方法技术

本发明专利技术公开了一种基于卷积变分自编码器的无监督脑电高频振荡信号(HFOs)自动检测方法。本发明专利技术包括：脑电信号预处理模块，对机器记录的原始脑电信号进行切片、筛选、滤波器滤波和归一化处理；短时能量法预筛选模块，运用短时能量法筛选出所有疑似HFOs；小波变换及提取时频图的红色分量模块，运用小波变换生成时频图并提取时频图的红色分量；卷积变分自编码器提取高维特征模块，对于得到的图像，提取高维特征，并对其进行降维处理；K

【技术实现步骤摘要】
一种基于卷积变分自编码器的无监督脑电高频振荡信号自动检测方法


[0001]本专利技术设计一种基于卷积变分自编码器的无监督脑电高频振荡信号自动检测方法，属于医学信号处理领域。

技术介绍

[0002]尽管大约70％的癫痫患者可以通过抗癫痫药物来控制他们的症状，但是仍有约30％的癫痫患者只能通过手术切除致痫灶来得到进一步的治疗。因此，精确定位致痫灶也是成功手术的关键。近十几年的研究发现，颅内脑电中的脑电高频振荡信号(High Frequency Oscillations,HFOs)可以作为致痫灶可靠生物标记物。与传统的致痫灶生物标志物棘波相比，HFOs是一种更有效的致痫灶生物标志物。
[0003]HFOs通常被定义为短时小幅度的脑电信号片段，其具有两个重要的组成部分，分别是涟波(80
‑
250Hz)和快涟波(250
‑
500Hz)。研究指出HFOs检测的金标准是人工识别，但是这种方法会消耗大量的人力和时间，并且检测效果会因人而异。因此亟需一种HFOs自动检测方法来代替人工识别，以提高HFOs检测效率节省时间，避免因为人工识别耗费大量时间而耽误了癫痫患者的临床治疗。
[0004]最早提出的HFOs检测器为阈值检测器——根据均方根或者线长的特征来设定阈值。近年来随着机器学习的蓬勃发展，许多基于机器学习的HFOs检测方法也被提出，比如基于能量比值特征和支持向量机的检测方法等。但是这些方法存在一些明显的缺陷，比如阈值检测器只运用了单个特征标量，并且需要人为设置一个阈值，因此检测准确率低。另外，对于一些基于特征和有监督学习的检测方法，研究者需要人工筛选出一系列具有表征性的特征，其模型训练过程也需要真实标签。人工选择特征和标注数据集都是繁重的工作，需要耗费大量精力和时间，而结合卷积自编码与传统聚类方法能够有效的解决这些问题，实现HFOs信号的检测。

技术实现思路

[0005]本专利技术的目的在于针对目前HFOs检测方法上的复杂程度较高和自动化程度较低的情况，提出一种基于卷积变分自编码器的脑电高频振荡信号自动检测方法，该方法采用卷积变分自编码器对疑似高频振荡信号生成的时频图提取高维特征并同时进行降维处理，最后使用K
‑
means算法对疑似高频振荡信号进行分类。该方法可以避免人工特征选取和采用真实标签训练算法，节省大量的时间和人力，同时达到较高的检测性能。
[0006]为实现上述目的，本专利技术采用以下技术方案：
[0007]1.一种基于卷积变分自编码器的脑电高频振荡信号自动检测方法，其特征在于包括以下步骤：
[0008]第一步，预处理颅内脑电数据：
[0009]1‑
1.编辑双极导联脑电信号，筛选出没有损坏和大量噪声的通道。
[0010]1‑
2.对获得的颅内脑电数据进行滤波处理，并修正数据中的异常值。
[0011]第二步，预检测脑电高频振荡信号：
[0012]2‑
1.计算步骤1
‑
2预处理之后的脑电数据的短时能量，并根据阈值来检测出疑似高频振荡信号。获得具有相同采样点数的疑似高频振荡信号片段。
[0013]2‑
2.采用基于MATLAB的用户交互界面对2
‑
1中获得的疑似高频振荡信号进行标注。
[0014]第三步，疑似高频振荡信号的时频分析：
[0015]3‑
1.对每一个疑似高频振荡信号片段进行连续小波变换，获得二维时频量图。
[0016]3‑
2.提取二维时频图的红色通道分量，并生成对应的灰度图；对图片进行降维处理。
[0017]第四步，基于卷积变分自编码器和K
‑
means算法的高频振荡信号自动检测：
[0018]4.1.将红色分量的时频图作为卷积变分自编码器的输入，编码器将自动对红色分量时频图降噪，降维和提取高维特征。
[0019]4.2.获得由卷积变分自编码器重构后的红色分量时频图，将这些时频图的像素矩阵展开成一维的向量；K
‑
means算法将所得向量进行聚类，给出聚类后的样本预测标签，并与真实标签进行比对，评估所提出的自动监测算法检测HFOs的性能。
[0020]步骤1
‑
2中采用高阶巴特沃斯带通滤波器获得80
‑
500Hz频段内的脑电信号，并且计算出整个脑电信号片段的标准差，对于大于标准差正n倍或小于标准差负n倍的采样点，将其值调整为正n倍或负n倍标准差。
[0021]步骤2
‑
1利用短时能量法对预处理过后的脑电信号进行预检测，将连续的脑电信号分帧处理，按帧计算脑电信号平均值与标准差，短时能量法定义阈值为平均值上下x个标准差，连续出现三帧阈值以上的片段被记录为疑似脑电高频振荡信号。
[0022]步骤2
‑
2采用我们设计的MATLAB用户交互界面对在步骤2
‑
1获得的疑似脑电高频振荡信号进行标注。使用其进行标注时，完成标注的数据会自动保存。
[0023]步骤4
‑
1采用卷积变分自编码器，能够自动地对输入的图片进行特征提取，降维和降噪处理。
[0024]在获得重构的时频图数据集后，需要使用K
‑
means算法将它们聚类为四种疑似HFOs，它们分别为涟波、快涟波、棘波以及噪声。为了更好地判定K
‑
means的聚类结果，即给予每一类一个确定的标签(涟波、快涟波、棘波以及噪声)，该方法采用了一个有效的特征——频谱质心，它代表了输入信号的频谱中心，其表达式为
[0025][0026]其中T是采样间隔，N是疑似HFOs的采样点数。M[k]为频谱功率谱密度估计，可以表示为
[0027][0028]其中w[n]和x[n]为汉明窗和疑似HFOs。对于每一类重构时频图，它们的频谱质心均会被计算出来，该方法将根据频谱质心的统计量来判断每一类的具体的标签，进而区分HFOs和误检HFOs。
[0029]本专利技术的有益效果在于：
[0030]1.本专利技术提出基于卷积变分自编码器的高频振荡信号自动检测方法，该方法采用了二维时频图的红色分量作为卷积变分自编码器的输入。红色分量的灰度图可以体现时频图及其对应的疑似高频振荡信号的主要频率成分。卷积变分自编码器可以提取红色分量时频图的高维频率特征并去除图片中的一部分噪声，最后无监督聚类算法K
‑
means将向量化的重构时频图进行聚类并区分HFOs与误检HFOs。与之前的工作相比，该方法并不需要人工挑选合适的特征，特征提取的过程由简单的提取红色分量和卷积变分自编码器自动完成。
[0031]2.本专利技术使用无监督的方法可以更好地应用在临床治疗当中，减少人工标注产生的时间成本，并且在训练数据集上能够达到优异的检测性能。与现存的多种经典方法相比，本专利技术能够在真实疑似HFOs数据集达到较高的检测性能，具体为92.8％的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积变分自编码器的无监督脑电高频振荡信号自动检测方法，其特征在于包括预处理颅内脑电数据、预检测脑电高频振荡信号、疑似脑电高频振荡信号的时频分析、基于卷积变分自编码器和K
‑
means算法的脑电高频振荡信号自动检测,其中脑电高频振荡信号是指脑电信号中频率为80～500Hz、具有至少4个连续波峰的高频振荡波形；具体步骤为：第一步，预处理颅内脑电数据：1
‑
1.编辑双极导联脑电信号，筛选出没有损坏和大量噪声的通道。1
‑
2.对获得的颅内脑电数据进行滤波处理，并修正数据中的异常值。第二步，预检测脑电高频振荡信号：2
‑
1.计算步骤1
‑
2预处理之后的脑电数据的短时能量，并根据预先选定好的阈值来检测出疑似高频振荡信号。获得具有相同采样点数的疑似高频振荡信号片段。2
‑
2.采用基于MATLAB的用户交互界面对2
‑
1中获得的疑似高频振荡信号进行标注。第三步，疑似高频振荡信号的时频分析：3
‑
1.对每一个疑似高频振荡信号片段进行连续小波变换，获得二维时频量图。3
‑
2.提取二维时频图的红色通道分量，生成灰度图，然后对生成的灰度图进行降维处理。第四步，基于卷积变分自编码器和K
‑
means算法的高频振荡信号自动检测：4.1.将红色分量的时频图作为卷积变分自编码器的输入，编码器将自动对红色分量时频图降噪与提取高维特征。4.2.获得由卷积变分自编码器重构后的红色分量时...

【专利技术属性】
技术研发人员：赖大坤，钟岚烽，李未来，向炜曦，康同舟，李恩，高勇，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：