The invention belongs to the technical field of EEG signal processing, in particular an extraction method for EEG signal automatic evaluation of EEG features in the EEG feature extraction method based on the structure of the EEG signal automatic evaluation system can be used for epilepsy monitoring, automatic diagnosis, curative effect evaluation. EEG feature extraction method consists of the following steps: the input time series phase space reconstruction from high dimensional data of high dimensional data coordinate transformation to achieve the direction of normalization, for high dimensional data translation to achieve position normalization, interception of high dimensional data of some local manifold, calculate the corresponding local manifold features set statistics as EEG signals. The EEG signal evaluation system based on the method of the invention can detect EEG abnormalities when the patient is not in the attack.
【技术实现步骤摘要】
本专利技术属于脑电信号处理
，具体涉及一种脑电信号特征提取方法。
技术介绍
癫痫是一种常见病，患者发病时常失去知觉，如果患者在驾驶机动车时发病会危急自己和他人生命安全，因此癫痫的诊断非常重要。癫痫有可能是原发性的，也可能是因为脑部其它疾病和损伤引起的并发症，对于后一种情况一般在脑部都存在病灶，而前一种情况脑部没有明显病灶。 现有的用于癫痫诊断的医疗器械的工作原理是首先由电极帽连接到放大器再连接到计算机组成的硬件系统将脑电信号采集进计算机，然后由经过训练的医生用肉眼观察计算机中记录的脑电图，根据脑电图的波形判断是否有癫痫特征出现。根据国际标准，门诊病人的脑电图需要记录20分钟，医生根据20分钟脑电图的总体涨落趋势判断是否有异常波形出现，一般一名医生一天只能接诊数量非常有限的病人。如果患者发病不是非常频繁，则医生很难在20分钟的脑电图记录中观察到异常，此时患者需要住院观察并接受24小时不间断的脑电图跟踪记录，在这种情况下，医生可能要花数个小时人工分析脑电图，效率非常低。另一个难题是——要训练一个能够正确判断脑电图中有无癫痫特征的医生需要花很多年，目前只有大城市中极少数医生能够较为准确地识别脑电图中的癫痫特征，而中小城市和农村几乎没有在脑电图分析方面训练有素的医生，原因是脑电信号类似随机信号，从时域波形上很难观察到有规律的特征。 基于以上现状，用机器实现脑电信号模式的自动分析和分类对于癫痫诊断是一个很好的解决方案，带来的好处有(1)采用机器自动诊断解决了培养一个能够分析脑电图的医生需要花费很多年时间的问题，可以方便地在广大地区部署机器诊断系统。...
【技术保护点】
一种用于脑电信号自动评估的脑电信号特征提取方法，其特征在于：所述的脑电信号特征提取方法至少包含以下几个计算步骤： （ａ）对输入的脑电时间序列Ｓ＝［Ｓ↓［１］，Ｓ↓［２］，…，Ｓ↓［Ｎ］］进行状态空间重构：先选取参数Ｊ和Ｍ，取５≤Ｍ≤３ ０，取Ｊ为脑电时间序列自相关函数第一次下降到最大值的１／ｅ时对应的时刻，再任意选取Ｌ个满足１≤ｔ（１）＜ｔ（２）＜…＜ｔ（Ｌ）≤Ｎ－（Ｍ－１）Ｊ的正整数｛ｔ（ｉ）｜ｉ＝１，２，…，Ｌ｝，令Ｘ↓［ｉ］＝［Ｓ↓［ｔ（ｉ）］，Ｓ↓［ｔ（ｉ）＋Ｊ］，…，Ｓ↓［ｔ（ｉ）＋（Ｍ－１）Ｊ］］↑［Ｔ］，则称［Ｘ↓［１］，Ｘ↓［２］，…，Ｘ↓［Ｌ］］或｛Ｘ↓［１］，Ｘ↓［２］，…，Ｘ↓［Ｌ］｝为时间序列Ｓ的一个状态空间重构，把｛Ｘ↓［１］，Ｘ↓［２］，…，Ｘ↓［Ｌ］｝看作Ｍ维空间的一个点集合或流形，把［Ｘ↓［１］，Ｘ↓［２］，…，Ｘ↓［Ｌ］］看作Ｍ维空间的一个轨迹；以上状态空间重构或者用行向量的形式实现，即令Ｘ↓［ｉ］＝［Ｓ↓［ｔ（ｉ）］，Ｓ↓［ｔ（ｉ）＋Ｊ］，…，Ｓ↓［ｔ（ｉ）＋Ｍ－１）Ｊ］］，ｉ＝１，２，…，Ｌ； （ｂ ）对重构的流形进行方向归一化...
【技术特征摘要】
1、一种用于脑电信号自动评估的脑电信号特征提取方法，其特征在于所述的脑电信号特征提取方法至少包含以下几个计算步骤(a)对输入的脑电时间序列S＝[S1，S2，...，SN]进行状态空间重构先选取参数J和M，取5≤M≤30，取J为脑电时间序列自相关函数第一次下降到最大值的1/e时对应的时刻，再任意选取L个满足1≤t(1)<t(2)<...<t(L)≤N-(M-1)J的正整数{t(i)|i＝1，2，...，L}，令Xi＝[St(i)，St(i)+J，...，St(i)+(M-1)J]T，则称[X1，X2，...，XL]或{X1，X2，...，XL}为时间序列S的一个状态空间重构，把{X1，X2，...，XL}看作M维空间的一个点集合或流形，把[X1，X2，...，XL]看作M维空间的一个轨迹；以上状态空间重构或者用行向量的形式实现，即令Xi＝[St(i)，St(i)+J，...，St(i)+M-1)J]，i＝1，2，...，L；(b)对重构的流形进行方向归一化根据流形在各个方向上分布的特点定出基准方向，参照基准方向对流形进行坐标变换；(c)对重构的流形进行位置归一化根据流形的形状和结构特点确定基准点，参照基准点对流形进行平移操作；(d)截取重构的流形或轨迹的一些局部区域；(e)对截取的局部流形或轨迹进行统计量的计算，把计算得到的统计量作为输入的脑电时间序列的特征。2、根据权利要求1所述的方法，其特征在于计算步骤(b)中，采用主元分析法定出基准方向，令X＝[X1，X2，...，XL]，X是一个M×L维的矩阵，计算XXT的M个特征值，并按从大到小的顺序排列得到λ1≥λ2≥...≥λM，以这M个矩阵特征值对应的矩阵XXT的特征向量{U1，U2，...，UM}作为主轴，令U＝[U1，U2，...，UM]，利用Y＝UTX对X进行坐标变换，得到新的坐标Y，Y对应经过方向归一化的流形；或者首先计算{X1，X2，...，XL}的算术平均中心Xi与x两点可以确定一条直线Li，设Xj到直线Li距离为dij，求Di是所有点到直线Li的平均距离，计算Dk是{Di|i＝1，2，...，L}中的最小值，选为第一主轴，这里‖xk-x‖表示向量(xk-x)的模，构造一个经过中心x且与第一主轴垂直U0的超平面，计算{X1，X2，...，XL}在此超平面的投影值{P1，P2，...，PL}，这里{Pi|i＝1，2，...，L}是M-1维向量，对P＝[P1，P2，...，PL]进行主元分析，找到矩阵PPT的M-1个从大到小排序的特征值λ1≥λ2≥...≥λM-1和其对应的特征向量U1，U2，...，UM-1，{U0，U1，...，UM-1}构成一个新的坐标系，用U＝[U0，U1，...，UM-1]对X＝[X1，X2，...，XL]进行坐标变换，得到Y＝UTX，Y对...
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。