本发明专利技术涉及一种脑电图信号分类方法，包括以下步骤：一、把脑电图信号分解成本征模函数的和；二、对每个本征模函数进行经验调幅-调频分解，得到经验调频分量；三、判断得到的经验调频分量中是否含有骑行波；四、如果含有骑行波，进行去骑行波处理；五、计算经验调幅分量；六、计算经验调频分量的正交分量；七、计算瞬时相位：八、计算调幅带宽和调频带宽；九、将调幅带宽和调频带宽作为支持向量机的输入，对脑电图信号进行分类。该方法不受信号乘积的Hilbert变换约束，避免新的骑行波的产生并且具有很好的局部特性，是对现有的脑电图信号分类方法的不足进行改进。
【技术实现步骤摘要】
本专利技术涉及ー种脑电图信号分类方法，可应用于医学脑电图信号等非平稳非线性信号分析与处理，属于现代信号处理领域。
技术介绍
脑电图(EEG)信号是经过对引导电极周围上亿神经元电活动测量记录而含有大量的关于脑部活动信息的信号，对脑部活动的评估有重要的临床意义，是研究脑部功能状态、神经疾病诊断和检测的重要临床工具。对于EEG信号特征參数的提取对神经疾病的诊断意义重大。比如基于Fourier变换的频谱就是ー种对癫痫疾病检测和诊断的重要特征。但是Fourier变换是ー种全局的变换，无法表述信号的时频局域特性，而信号的时频局域特性正是非平稳信号的最根本 最关键的性质，因此Fourier频谱对于非平稳信号的分析有局限性。而脑EEG信号恰恰是ー种非线性非平稳信号，因此ー些诸如短时傅里叶变换、小波变换、多尺度小波变换、伪Wigner-Ville分布等基于时频域分析的方法被人们利用以提取EEG信号的特征參数。美籍华人N. E. Huang等人于1998年提出ー种适合于分析非线性非平稳信号的方法，即经验模态分解(EMD)(參见N. E. Huang et al, The empirical modedecomposition and the hilbert spectrum for nonlinear and non-stationarytime series analysis, Proc. Roy. Soc. Lond. A, vol. 454 (1998) 903-995 及U. S. Pat. No.5,983,162 “Computer implemented empirical mode decompositionmethod, apparatus and article of manufacture”)。它能把复杂信号分解为有限个(往往数目很少)本征模函数(IMF)，所分解出来的各IMF分量是ー种单模态函数，包含了原信号的不同时间尺度的局部特征。EMD方法具有直观、直接、后验和自适应特点，并且ー经提出就在雷达、声纳、地震、海洋、气候、医学不同的领域得到迅速有效的应用。经验模态分解方法也在EEG信号的分析处理中得到应用。在EEG信号分析中，确定发作性事件是否为癫痫发作、确定癫痫发作类型等脑电图信号分类问题的研究有助于临床上正确诊断癫痫疾病、确定癫痫灶。R. B. Pachori等发现在提取诸如频率均值、解析信号复平面轨迹面积等特征參数以便对癫痫信号分类方面，分析EEG信号的本征模函数的特征參数比直接分析脑电图信号特征參数更有意义，这是因为实际测得的EEG信号也是多模态而非单模态的。近年来，最小ニ乘支持向量机(LS-SVM)技术在癫痫-健康脑电图信号、癫痫发作-非发作脑电图信号等分类中应用越来越引起人们的关注。基于支持向量机技术的脑电图信号分类一般地可以概括为图3示框图。其中最重要的是第二部分如何对原EEG信号的特征提取，该部分提取的特征作为下一部分支持向量机的输入直接影响支持向量机分类的可靠性，因此该部分提取的特征必须包含原EEG信号的重要特征。比如Siuly等利用聚类技术提取信号各子段的最小值、最大值、均值、中间数、众数等9个统计特征參数作为最小ニ乘支持向量机的输入(參见Siuly, Y. Li andP. Wen,Clustering technique-based 丄east square support vector machine ior EEbsignal classification, Comput. Methods Progr.Biomed. , Vol. 104(2011) 358 - 372.)；R. B. Pachori等通过EMD和希尔伯特变换得到的解析信号表示提取原EEG信号的各个本征模函数的调幅带宽和调频带宽特征參数作为最小ニ乘支持向量机的输入，而且通过比较发现该方法具有更高的分类精度(V. B. Bajaj and R. B. Pachori, Classification of seizureand non-seizure EEG signals using Empirical Mode Decomposition, IEEE Earlyaccess articles Tran. Inform. Tech. Biomed. (99) (2011), I - 7.)。通过信号的解析表不得到带宽和经验调幅-调频分解方法简介如下瞬时频率是非平稳非线性信号的ー个重要參数，而信号的带宽是信号的频率成分的ー种刻画。ー个非平稳信号一般地可以表示为x(t)=a(t)COS0 (t)，其中a(t)和Θ (t)分别为信号的瞬时幅值和瞬时相位。为分析方便通常将实信号表示成复信号的形式，比如权利要求1.ー种脑电图信号分类方法，其特征在于，包括以下步骤一、输入脑电图信号，并对输入的脑电图信号进行经验模态分解，把脑电图信号分解成本征模函数的和；ニ、对每个本征模函数C(t)=a(t)C0S Θ (t)进行经验调幅-调频分解，得到经验调频分量2.根据权利要求I所述的ー种脑电图信号分类方法，其特征在于，步骤四所述去骑行波处理包括以下步骤1)首先判断其是否为孤立骑行波，判断方法对于上凸或下凸的骑行波，如果其右端点为下ー个上凸或下凸的骑行波的左端点，则该骑行波为首尾相连非孤立的骑行波，否则为孤立的骑行波；2)如果是孤立骑行波则直接进行骑行波翻转，即沿着连接骑行波的两个端点的直线翻转骑行波，假设s(t)为一段骑行波，l(t)为连接两端的直线，骑行波s (t)经翻转后为21(t)-s(t);然后找到被翻转的骑行波的极值，用该极值的绝对值去除骑行波左侧第一个过零点到骑行波右侧第一个过零点之间的波形数据，经这ー过程处理后不仅该孤立骑行波被去除掉而且局部的数据被归一化；3)如果步骤I)判断不是孤立的骑行波而是连续出现几个骑行波首尾相连，首先翻转甸个骑行波；然后选择最左端骑行波的左端点和最右端骑行波的右端点再加上两端点间的另ー个点共三个点进行抛物线插值拟合，拟合出来的抛物线作为母波的一部分；之后用抛物线的极值的绝对值去除最左端骑行波左侧第一个过零点和最右侧骑行波右侧第一个过零点之间的波形数据，经这ー过程处理后不仅该首尾相连的骑行波被去除掉而且局部的数据被归一化； 4)最后检查是否还有骑行波，如果有则返回步骤I)重复执行，否则退出。全文摘要本专利技术涉及，包括以下步骤一、把脑电图信号分解成本征模函数的和；二、对每个本征模函数进行经验调幅-调频分解，得到经验调频分量；三、判断得到的经验调频分量中是否含有骑行波；四、如果含有骑行波，进行去骑行波处理；五、计算经验调幅分量；六、计算经验调频分量的正交分量；七、计算瞬时相位八、计算调幅带宽和调频带宽；九、将调幅带宽和调频带宽作为支持向量机的输入，对脑电图信号进行分类。该方法不受信号乘积的Hilbert变换约束，避免新的骑行波的产生并且具有很好的局部特性，是对现有的脑电图信号分类方法的不足进行改进。文档编号A61B5/0476GK102824173SQ201210344890公开日2012年12月19日 申请日期2012年9月17日 优先权日2012年9月17日专利技术者李志强, 郝本文档来自技高网...
【技术保护点】
一种脑电图信号分类方法，其特征在于，包括以下步骤：一、输入脑电图信号，并对输入的脑电图信号进行经验模态分解，把脑电图信号分解成本征模函数的和；二、对每个本征模函数c(t)=a(t)cosθ(t)进行经验调幅？调频分解，得到经验调频分量F(t)=cosθ(t)；三、判断得到的经验调频分量中是否含有骑行波；四、如果含有骑行波，进行去骑行波处理；五、通过计算经验调幅分量；六、计算经验调频分量的正交分量，为了得到四个象限的相位值以便解卷绕求解瞬时相位，对的符号根据三角函数特点做以下处理：如果F(t)单调递增则取否则取这样相位便可对应四个象限的值；七、计算瞬时相位：由经验调频分量及其正交分量反正切解卷绕得到瞬时相位θ(t)=unwrap[arctansinθ(t)F(t)];八、由步骤五得到的调幅分量和步骤七得到的瞬时相位，按照Cohen带宽公式计算调幅带宽和调频带宽：<ω>=1E∫-∞+∞θ′(t)a2(t)B2AM=1E∫-∞+∞a′2(t)dtB2FM=1E∫-∞+∞(θ′(t)-<ω>)2a2(t)dt九、将步骤八计算得到的调幅带宽和调频带宽作为支持向量机的输入，对脑电图信号进行分类。FDA00002147091800011.jpg,FDA00002147091800012.jpg,FDA00002147091800013.jpg,FDA00002147091800014.jpg,FDA00002147091800015.jpg...
【技术特征摘要】
【专利技术属性】
技术研发人员：李志强，郝新红，栗苹，于成大，闫晓鹏，梁营，
申请(专利权)人：北京理工大学，
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。