【技术实现步骤摘要】
本专利技术属于脑电信号分析，具体涉及一种基于多领域融合特征和深度学习的脑病检测系统。
技术介绍
1、脑电图(electroencephalogram，eeg)被广泛用于精神疾病的临床诊断和治疗，它使用连接到头皮上的电极记录大脑中的电活动。eeg拥有低廉的成本，具有无痛和非侵入性的特点，使用方便，同时可以提供高时间分辨率的脑电信号。
2、脑电图可用于检测和诊断各种脑部疾病，包括抑郁症、多动症、阿尔茨海默病、癫痫、创伤性脑损伤和帕金森病等。目前已经有相关研究表明，一些脑病的存在会直接影响大脑的正常电生理活动。类似于癫痫，即使未处在癫痫的发作期，即患者在测试时没有任何症状，但是其大脑仍然会产生很多异常的电活动，如果能准确捕获这些电活动，就可以对癫痫进行早期的诊断和治疗。还有像阿尔兹海默病和帕金森病，研究表明，这两类疾病的患者在睡眠时的脑电波会较慢，即低频段的波形会占据大部分时间，同时伴随很多异常活动。除了能检测到异常的电生理活动，eeg信号还能用来检测不同部位的电活动水平。比如注意力缺陷多动障碍的患者前额叶皮层活动水平通常较低，而前额叶皮层负责注意力和冲动控制。还可以检测脑外伤后大脑活动的变化，可以帮助医生监测脑外伤患者的康复情况并确定最合适的治疗方法。
3、另外，随着社会生活压力的增加，抑郁症、焦虑症等精神类疾病已经成为一种常见社会问题，它已经成为全球疾病负担的主要原因。若这类疾病在前期得不到及时的诊断和治疗将会进一步恶化从而会导致自杀。尽管如此，在一些不发达国家和地区，由于缺乏医疗资源和专业医务人员，以及社
4、近年来，有各种研究采用机器学习技术和eeg信号来检测大脑相关疾病。主要是提取单通道脑电信号的时域特征、频域特征、非线性特征等，结合传统的机器学习方法进行检测和分类。传统的单通道特征主要包括：信号的统计特征、功率谱、近似熵、样本熵等。这些特征主要是从单一的eeg通道提取的，不能代表多个通道之间的关系。传统的研究关注单个通道，本质上是单变量方法，这些方法可能没有考虑不同脑电图信号之间的相互通信；大脑各个区域之间并不是静态独立的，各个区域不断进行动态交流才使得大脑正常运作起来；越来越多的研究表明，大脑连通性可以揭示不同大脑区域的功能以及它们之间复杂的皮层交流，这有助于更好地研究类似于抑郁症等大脑疾病。
5、目前，已经出现了衡量大脑连通性的特征，主要包括基于信息论(互信息、传递熵等)，基于广义同步(同步似然指数、s-index等)、基于granger因果关系(部分定向相干、定向传递函数等)、基于系数(皮尔逊相关系数、斯皮尔曼相关系数等)和基于相位同步(锁相值、相位滞后指数等)。但是这些特征只能从特定的方向来分析脑电信号。而脑电信号作为典型的非平稳生理信号，不仅了解信号时域和频域信息，还要了解信号的频率随时间的变化、瞬时频率、瞬时振幅和相位等信息。
6、脑电信号包含复杂的大脑信息，单独从时域、频域提取的特征都不能全面反映eeg信号的特点。从多个角度提取eeg信号的信息并结合不同领域的特点将是未来有效诊断各种脑部疾病的新方向。同时eeg信号自身携带大量的生理噪声，这些噪声与信号相似，传统的去除噪声方法有可能会丢失信号本身的信息，对提取的特征有一定的影响。因此寻找一个能从多领域衡量大脑多通道连通性和对噪声具有一定鲁棒性的特征至关重要。
7、根据发表在《科学》杂志上的最新科学研究，大脑众多活动的基石并不在于特定大脑的孤立运作领域，而是在他们的动态联系和互动中。因此，大脑是一个复杂的系统，它集成了许多部分以产生一个连贯的生物整体。孤立大脑区域的自主激活无法理解复杂的概念。神经科学研究逐渐表明，大脑的众多区域以不同的方式联系在一起，并协同构建复杂的大脑网络，从而实现复杂的认知功能。因此利用大脑之间的功能连接网络来实现各类疾病的诊断将是未来的一个新的发展趋势。
8、目前利用eeg信号对一些精神类疾病实现快速准确的识别是仍待解决的一项难题，脑电信号作为一种典型的非平稳信号，其中蕴含着大量的噪声和复杂的信息。因此如何高效的挖掘其中有效信息并且避免噪声的干扰是一个值得探索的方向。
技术实现思路
1、为了克服上述问题，本专利技术提供一种基于多领域融合特征和深度学习的脑病检测方法，能够准确的对多种大脑相关疾病进行识别。
2、一种基于多领域融合特征和深度学习的脑病检测系统，包括数据采集和预处理模块、特征提取模块、脑病识别模块；其中：
3、1.数据采集和预处理模块，采集参与者至少20分钟的静息态eeg脑电信号；并对采集到的eeg脑电信号进行初步预处理；将预处理后的eeg脑电信号按照60秒的固定时间间隔进行分段，每段信号重叠25％，将分段后的每一段脑电信号作为一个独立样本，每个独立样本的脑电信号为：
4、
5、其中t表示eeg脑电信号的时间变量，即eeg信号采集的时间，n表示将时间变量t进行离散化得到的离散变量，tn表示将时间进行离散化处理后某一时间点，n表示信号的总离散点数，c表示eeg通道的序号，sc表示该独立样本中全部通道的eeg脑电信号；
6、2.特征提取模块使用解析morlet小波作为小波基函数对每一个独立样本的所有通道信号分别进行同步压缩小波变换，得到每一通道信号的同步压缩小波时频矩阵swts(f,t)，其中f表示频率；
7、选取每一个独立样本中的任意两通道，其中两通道的eeg脑电信号分别记为x(t)和y(t)，计算每个通道信号的时频小波自谱sx,x(f,t)和sy,y(f,t)，以及两个通道信号的时频小波交叉谱sx,y(f,t)；
8、结合相干函数定义，通过求出的时频小波自谱和时频小波交叉谱，计算两通道信号x(t)和y(t)之间的同步压缩小波相干swcx,y(f,t)，将得到的swcx,y(f,t)在时间维度上进行平均，得到时间平均同步压缩小波相干mswcx,y(f)，以表示两个通道信号在频率维度上的平均相干度，其中0≤mswcx,y(f)≤1；
9、使用时频小波交叉谱sx,y(f,t)来计算两个通道信号的相位差φx,y(f,t)，并计算两个通道信号之间的锁相值plv，其中0≤plvx,y(f)≤1；
10、将锁相值和时间平均同步压缩小波相干进行融合，并通过一个映射函数f(x)将区间范围从[0,2]映射到[0,1]；最终得到新的融合特征p-mswc，其中0≤p-mswc(f)≤1；
11、遍历每个独立样本中所有通道的信号，分别计算独立样本中每两个通道信号之间的融合特征p-mswc(f)本文档来自技高网...
【技术保护点】
1.一种基于多领域融合特征和深度学习的脑病检测系统，其特征在于，包括数据采集和预处理模块、特征提取模块、脑病识别模块；其中：
2.根据权利要求1所述的一种基于多领域融合特征和深度学习的脑病检测系统，其特征在于，所述数据采集和预处理模块的预处理内容为：将EEG脑电信号重采样至256Hz、剔除A1和A2电极的数据、采用陷波滤波器去除50Hz电源线噪声、采用FIR滤波器进行0.5-70Hz带通滤波、采用ASR算法去除眼动伪影。
3.根据权利要求1所述的一种基于多领域融合特征和深度学习的脑病检测系统，其特征在于，所述特征提取模块的具体内容如下：
4.根据权利要求1所述的一种基于多领域融合特征和深度学习的脑病检测系统，其特征在于，所述脑病识别模块中构建的轻量化CNN模型中四个全连接层具体参数设置为：
5.根据权利要求1所述的一种基于多领域融合特征和深度学习的脑病检测系统，其特征在于，所述脑病识别模块中构建的轻量化CNN模型的训练过程，具体包括如下步骤：
【技术特征摘要】
1.一种基于多领域融合特征和深度学习的脑病检测系统，其特征在于，包括数据采集和预处理模块、特征提取模块、脑病识别模块；其中：
2.根据权利要求1所述的一种基于多领域融合特征和深度学习的脑病检测系统，其特征在于，所述数据采集和预处理模块的预处理内容为：将eeg脑电信号重采样至256hz、剔除a1和a2电极的数据、采用陷波滤波器去除50hz电源线噪声、采用fir滤波器进行0.5-70hz带通滤波、采用asr算法去除眼动伪影。
3...
【专利技术属性】
技术研发人员：李玲，王先硕，刘旭，赵彦平，徐巍，刘沁梅，张海蓉，黄玉兰，
申请(专利权)人：吉林大学，
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。