本发明专利技术提供了一种基于色散指数的时空网络融合的发作智能检测装置，包括：采集模块：用于采集脑电信号；预处理模块：用于数据预处理；对采集到的原始EEG数据进行带通滤波得到干净EEG信号；时间网络与空间网络提取特征模块：用于提取时间网络和空间网络的特征；特征选择模块：用于选择时间网络和空间网络各自最有效的特征；机器学习检测模块：用于执行机器学习发作检测并得到结果。作检测并得到结果。作检测并得到结果。
【技术实现步骤摘要】
基于色散指数与时空网络融合的发作智能检测装置
[0001]本专利技术涉及计算机领域，尤其涉及一种基于色散指数的时空网络融合的发作智能检测装置。
技术介绍
[0002]癫痫是一种慢性、复发性和突发性神经疾病，在不同程度上影响全球7000多万人。用于判断癫痫发作的传统临床医学方法依赖于医生对脑电图（Electroencephalogram，EEG）数据的视觉观察，这很可能是有偏差和低效的。因此，引入脑电信号的智能检测是非常必要的。
[0003]识别癫痫的方法很多，最近复杂网络理论被越来越多的应用在癫痫检测方面。对于一维的脑电信号，之前相继提出了可视图算法，水平可视图算法和加权可视图算法等等算法，通过算法构建以采样点为网络节点的时间脑网络，从而计算出网络特征，再接着对特征使用机器学习或者深度学习进行分类。对于多维的脑电信号，通常将脑电的每个通道视为网络的节点，之后采用互信息，相位滞后指数的虚部等相关性指标作为网络的边权重构建空间脑网络，同样提取特征进行分类。对于单个时间或者空间网络涌现出了非常多的研究，并且也都得出了良好的检测结果，但是目前有关时间网络与空间网络的融合仍然缺乏研究。
[0004]网络的边权重可以有不同的计算方法，常用的有互信息，皮尔森相关系数等等。但是不同的相关指标构建得到的网络的特性和特征都不相同。为了更有效的检测癫痫发作，本文在色散熵的基础上，引入了一种新的相关指标名为色散指数。色散指数首先利用正态累积分布函数对信号点进行映射和分类；其次，将每个嵌入向量映射到色散模式，然后统计信道之间同时出现相同的色散模式的次数。最后，使用香农熵公式计算色散指数。
[0005]
技术实现思路
[0006]针对现有技术中存在的问题，本专利技术提供了一种基于色散指数的时空网络融合的发作智能检测的装置，以提高癫痫发作的识别率。
[0007]为实现上述目的，本专利技术通过以下方案实现：基于色散指数的时空网络融合的发作智能检测装置，包括以下模块：采集模块：用于采集脑电信号；其中，选取实验对象，使用脑电采集设备采集癫痫患者的脑电数据，建立实验数据库；预处理模块：用于数据预处理；对采集到的原始EEG数据进行带通滤波得到干净EEG信号，然后将脑电信号分割成4s长的脑电片段，再使用多元变分模式分解将脑电片段分解为四个频段的数据；时间网络与空间网络提取特征模块：用于提取时间网络和空间网络的特征；其中，首先使用快速水平可视图算法对脑电片段的每个通道构建时间网络并提取时间网络的特
征，所有通道的对应特征求平均得到时间网络的片段特征；然后使用色散指数计算空间网络的边权重，构建以通道为节点的空间网络，对所有频段构建的网络计算特征并求平均得到空间网络的片段特征；特征选择模块：用于选择时间网络和空间网络各自最有效的特征；其中，首先输入每个脑电片段对应的时间网络与空间网络的特征，然后对于时间网络和空间网络的特征分别基于K最近邻分类算法进行后向特征选择选出最有效的一个特征；机器学习检测模块：用于执行机器学习癫痫检测并得到结果；其中，将经过特征选择后的时间和空间网络的特征作为特征向量训练随机森林分类模型，得到机器学习的癫痫检测结果；本专利技术还公开了一种基于色散指数的时空网络融合的发作智能检测方法，该方法包括以下步骤：步骤S1：采集脑电信号，选取实验对象，建立癫痫脑电数据库，对脑电信号所有通道中的癫痫发作时段进行标记；步骤S2：对脑电信号进行预处理操作，使用带通滤波器去除高频分量和伪迹，将脑电信号分割成4s的若干个脑电片段，然后使用多元变分模态分解得到脑电片段的4个频段。
[0008]步骤S3：采用快速水平可视图算法构建时间网络并提取时间网络特征，采用色散指数计算空间网络边权重，构建以通道为节点的空间网络并提取网络特征。
[0009]步骤S4：采用K最近邻分类算法分别对时间网络和空间网络的特征进行后向特征选择，得到两个网络各自最有效的特征。
[0010]步骤S5：将步骤S4的结果作为特征向量训练随机分类模型，得到最终的癫痫检测结果。
[0011]根据本专利技术的一实施例，步骤S1中的采样频率为512Hz，并需要采取大量的脑电数据作为实验样本，实验体包括不同性别、不同年龄段的人。
[0012]根据本专利技术的一实施例，在采用快速水平可视图算法和色散指数进行时间网络和空间网络特征提取的过程中，包括：步骤S31，对于每个通道以采样点为节点，弧度加权函数计算边权重，构建时间网络；步骤S32，对时间网络提取加权度和聚类系数两个特征，所有通道的特征求平均得到时间网络的片段特征；步骤S33，以通道为节点，使用色散指数计算边权重，构建空间网络；步骤S34，对空间网络提取加权度，调和中心性，紧密中心性和特征向量中心性四个特征，所有频段的特征求平均得到空间网络的片段特征；根据本专利技术的一实施例，在进行色散指数的计算中，包括：步骤S331：设置嵌入维度（m），时间滞后（d）和线性映射区间的数量（s）三个参数；步骤S332：计算原始脑电信号使用正态累积分布函数的函数值，函数值位于0和1之间，将区间[0,1]等分为s个部分，并根据函数值大小映射为第s个部分。
[0013]步骤S333：步骤S332的结果中根据公差d组成的等差数列为矩阵的第一列元素，矩阵每行的第一个元素按顺序选择m个元素，组成矩阵的其他元素。
[0014]步骤S334：矩阵的每个行向量可以映射为一种色散模式，所有可能的色散模式个
数有s
m
个，统计色散模式的出现次数再根据香农熵的计算公式得到色散指数的大小。
[0015]根据本专利技术的一实施例，在采用机器学习方法进行特征选择的过程中，包括：步骤S41：对时间网络的片段特征基于K最近邻分类算法进行后向特征选择，即每次剔除对分类准确率贡献最小的特征，直到剩下最后一个特征。
[0016]步骤S42：记录时间网络最终选择的特征。
[0017]步骤S43：对空间网络的片段特征基于K最近邻分类算法进行后向特征选择。
[0018]步骤S44：记录空间网络最终选择的特征，并和时间网络选择的特征组成新的特征向量。
[0019]采用本专利技术的技术方案，通过时间网络与空间网络相融合进行发作智能检测，从而极大提高了发作的检测率。
[0020]附图说明
[0021]图1为本专利技术基于色散指数的时空网络融合的发作智能检测装置的总流程图。
[0022]图2为本专利技术时间和空间网络特征提取流程图。
[0023]图3为本专利技术色散指数计算流程图。
[0024]图4为本专利技术机器学习特征选择流程图。
具体实施方式
[0025]大脑活动时电信号的变化活动能够反映与人类疾病相关的生理信息，在检测癫痫发作时发挥着重要作用。癫痫检测的有效方法之一是构建复杂网络来提取有代表性的网络特征。现有的网络构建方法通常只构建时间网络或者空间网络，很难完整准确的获取多维度的网络特征，从而无法进一步提高癫痫检测的准确率。有鉴于此，本实施例提供一种基于色散指数的时空网络融合的发本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.基于色散指数的时空网络融合的发作智能检测装置，其特征在于，包括以下模块：采集模块：用于采集脑电信号；其中，选取实验对象，使用脑电采集设备采集癫痫患者的脑电数据，建立实验数据库；预处理模块：用于数据预处理；对采集到的原始EEG数据进行带通滤波得到干净EEG信号，然后将脑电信号分割成4s长的脑电片段，再使用多元变分模式分解将脑电片段分解为4个频段的数据；时间网络与空间网络提取特征模块：用于提取时间网络和空间网络的特征；其中，首先使用快速水平可视图算法对脑电片段的每个通道构建时间网络并提取时间网络的特征，所有通道的对应特征求平均得到时间网络的片段特征；然后使用色散指数计算空间网络的边权重，构建以通道为节点的空间网络，对所有频段构建的网络计算特征并求平均得到空间网络的片段特征；特征选择模块：用于选择时间网络和空间网络各自最有效的特征；其中，首先输入每个脑电片段对应的时间网络与空间网络的特征，然后对于时间网络和空间网络的特征分别基于K最近邻分类算法进行后向特征选择选出最有效的一个特征；机器学习检测模块：用于执行机器学习癫痫检测并得到结果；其中，将经过特征选择后的时间和空间网络的特征作为特征向量训练随机森林...
【专利技术属性】
技术研发人员：刘俊飚，戴珅懿，吴端坡，
申请(专利权)人：杭州妞诺科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。