基于新型能量算子和多尺度熵的癫痫自动检测_帅国彬.pdf

第 40 卷第 3 期计算机应用与软件Vol.40 No 32023 年 3 月Computer Applications and SoftwareMar 2023基于新型能量算子和多尺度熵的癫痫自动检测帅国彬胡伟波(南开大学电子信息与光学工程学院微电子工程系天津 300350)收稿日期:2020 07 25。帅国彬，硕士生，主研领域:脑科学。胡伟波，研究员。摘要提出癫痫检测的新算法，创新地使用新型能量算子和多尺度熵，不仅能够实时跟踪脑电信号能量，而且可以在脑电信号未知情况下提取其有效的特征信息。对脑电信号进行一定尺度的小波变换;利用新型 Teager能量算子和多尺度熵提取脑电信号的非线性特征，将特征信号输入到极限学习机中，用来识别正常脑电信号与癫痫脑电信号。实验结果表明，此方法具有高分类精度，可达到 98 89%，优于文献中所报道的多种检测方法，可以应用于癫痫临床检测。关键词癫痫脑电信号小波变换新型 Teager 能量算子多尺度熵中图分类号TP391 4文献标志码ADOI:10 3969/j issn 1000-386x 2023 03 022AUTOMATIC DETECTION OF EPILEPSY BASED ON NEW ENEGY OPEATOAND MULTI-SCALE ENTOPYShuai GuobinHu Weibo(Department of Microelectronics，College of Electronic Information and Optical Engineering，Nankai University，Tianjin 300350，China)AbstractThis paper proposes a new algorithm for epilepsy detection This algorithm used a new type of energyoperator and multi-scale entropy innovatively，which could not only track the energy of the EEG signal in real time，butalso extract its effective feature information when the EEG signal was unknown Wavelet transform was performed on theEEG signal at a certain scale，then the new Teager energy operator and multi-scale entropy were used to extract thenonlinear characteristics of the EEG signal The characteristic signal was input into the extreme learning machine toidentify the normal EEG signals and epilepsy EEG signals The experimental results show that this method has highclassification accuracy，reaching 98 89%，which is superior to the multiple detection methods reported in the literatureand can be applied to clinical epilepsy detectionKeywordsEpilepsyEEG signalWavelet transformNew Teager energy operatorMulti-scale entropy0引言癫痫(Epilepsy)是一种常见的慢性精神性脑部疾病，是由于大脑神经元突发异常放电所引起的大脑短暂性异常障碍，具有反复性和突发性1。脑电图(Electroencephalogram，EEG)是通过非侵入性电极从头皮采集，综合反映大脑的放电活动，是诊断癫痫的有效工具。在传统的癫痫检测中，医学专家通过观察脑电图，找出包含癫痫特征的脑电波形。这种方法不仅耗时耗力，具有强的主观性，而且脑电图中存在的大量噪声也会对医学专家的判断产生干扰。近年来，癫痫自动检测和识别技术的发展帮助医学专家简化诊断过程和提高诊断准确性。随着对脑科学的探索，研究表明人类的大脑相当于一个复杂的非线性动力系统2，因此，各种建立在非线性方法基础上的癫痫性发作自动检测被相继提出。Hasan3 发现正常 EEG 的近似熵大于癫痫发作期 EEG的近似熵，可用近似熵对脑电信号进行特征提取并分类。文献 4 对近似熵算法进行优化，提出了样本熵，将其用于癫痫检测。传统的近似熵、样本熵和模糊熵等非线性特征分类性能较差，所得到的分类结果精度138计算机应用与软件2023 年较低。文献 5利用多变量经验模态分解(MEMD)提取脑电信号特征，并使用 CNN 进行分类，得到了87 2%的分类准确度。文献 6 使用关联性特征选择(CFS)的提取方法，使用随机森林(F)作为分类器，得到 98%的检测准确率。Zhou 等7 提出基于快速傅里叶变换和卷积神经网络模型得到 97 5%的癫痫检出率。虽然已有很多的特征提取和分类方法运用于癫痫检测中，但如何提取含有丰富鉴别信息的有效特征用于后续的癫痫检测依然是个重要的挑战。本文提出了一种新的脑电信号特征提取算法，并进一步探讨了在癫痫性发作自动检测中的应用。癫痫检测算法的流程如图 1 所示。首先，利用小波变换多分辨率分析对脑电信号进行一定尺度的分解，由于癫痫特征波频段的频率范围为 8 Hz 42 Hz，所以舍去其他频段的信号，保留此频段的信号。其次，进行新型Teager 能量算子计算，作用是能够消除零均值噪声的影响，而且可以有效地提取信号能量，具有增强信号的能力，从而利于信号的特征提取。进而，使用多尺度熵提取脑电信号的特征信息，它将脑电信号扩展到多个时间尺度，以便在时间尺度不确定时提供额外的观察视角。在脑电图中，潜在的脑电模式是未知的，因此相关的时间尺度也是未知的。所以，本文提出多尺度熵是在未知情况下分析脑电信号的有效方法。最后通过极限学习机对不同尺度的熵值进行训练和分类。图 1癫痫检测算法流程图1原理1 1小波变换及多分辨率分析小波变换是空间(时间)和频率的局部变换。信号的连续小波变换的定义为:Wf(a，b)=a1/2f(t)*t b()adt(1)式中:a 为变换尺度参数，b 为时移参数。多分辨率分析(Multiresolution analysis，MA)是研究和构建小波正交基的自然框架。它的空间分解是在不同尺度下，信号经降采样和滤波处理分解，从而得到一系列正交子空间 Vj。多分辨率分析只对低频空间进一步分解，对高频部分不予考虑，使频率的分辨率变得越来越高。1 2新型 Teager 能量算子Teager 能量算子(Teager Energy Operator，TEO)是一个非线性算子，可以实时跟踪和反映信号的瞬时能量。若有连续时间信号 x(t)，TEO 的定义:x(t)=d(x)d()t2 x(t)dx2(t)dt2(2)如果 x(t)=Acos(t+)，则有:x(t)=(Acos(t )=(A)2(3)若对 x(t)进行采样，其采样频率为 fs，基频为 f，=2f/fs，则连续信号 x(t)的离散形式应为 x(n)=Acos(n+)。TEO 的离散表达式为:(x(n)=x2(n)x(n 1)x(n+1)=(Asin)2(4)若 足够小，则 sin。因此将 限制在 /4，即 f/fs1/8 时，式(4)变为:(x(n)=x2(n)x(n 1)x(n+1)(A)2(5)由式(5)可知，Teager 能量算子可以对被测信号相邻的 3 个采样点进行计算，从而能够跟踪和反映被测信号的瞬时能量。但在实际情况中，信号中往往掺杂着大量噪声，在背景噪声频率较大或者信噪比较低的情况下使用 TEO 计算信号的瞬时能量，产生的噪声能量会使结果出现偏差。由于 TEO 算法较差的抗噪性会直接影响检测结果的准确性，因此本文提出了一种新型 Teager 能量算子(NTEO)。NTEO 是将分辨率参数 i 引入 TEO 中，对信号前后相隔 i 个采样点进行采样，即 x(n i)、x(n)、x(n+i)，增强了对信号频率的敏感性，从而提高了NTEO 算法的抗噪性，如式(6)所示。(x(n)=x2(n)x(n i)x(n+i)=A2sin2(i)(6)由 TEO 可知，当 i /4，即 f/fs1/8i 时，式(6)变为:(x(n)=x2(n)x(n i)x(n+i)(Ai)2(7)由式(7)可知，NTEO 也是利用信号的三个采样点跟踪和反映信号的瞬时能量，具有 TEO 算法的优点。同时，NTEO 通过引入分辨率参数 i，增强了信号的频域特性，以应对复杂环境下噪声带来的误差。1 3多尺度熵多尺度熵(MSE)是度量不同尺度因子下时间序列的复杂性。算法分为两部分:一是对时间序列进行粗粒化得到多组新序列;二是对新序列进行熵计算。步骤如下:(1)设时间序列 X=x1，x2，xn 和尺度因子 u(u=1，2，)，求粗粒化向量序列 y(u)j，计算公式为:第 3 期帅国彬，等:基于新型能量算子和多尺度熵的癫痫自动检测139y(u)j=1ujui=(j1)u+1xi1 j nu(8)(2)设相似性容忍度为 r，计算向量序列 y(u)j 在不同尺度下的熵值，具体方法如下:重构向量序列 y(1)，y(2)，y(n m+1)，其中向量 y(i)=y(u)i，y(u)i+1，y(u)i+m 1，m 为嵌入维数。将两个向量 y(i)和 y(j)之间的最大模定义为两者之间的距离 dm(y(i)，y(j)，距离计算公式如下:dm(y(i)，y(j)=max(y(i+k)y(j+k)(9)式中:0km 1。统计 y(i)与 y(j)之间距离 dr 的 j 的数目，记为 Bi。对于 1in m，定义:Bmi(r)=1n m 1Bi(10)定义平均相似率 Bm(r)，公式如下:B(m)(r)=nmi=1Bmi(r)n m(11)将维数改变为 m+1，重复步骤 步骤，计算平均相似率 Bm+1(r)。熵定义:En(n，m，r)=lnBm+1(r)Bm(r)(12)1 4极限学习机极限学习机(ELM)是一种针对前馈神经网络(SLFN)的新型快速学习训练算法，该算法随机对输入权重和偏置进行赋值，并且在训练过程中无须做出调整，只需要通过矩阵计算出输出权重即可。相比于传统的学习算法，ELM 的优点在于学习速度快、泛化性能好，且不会陷入局部极小点。具体步骤如下:给定任意 N 个样本(Xi，ti)，设 SLFN 有 K 个隐藏节点，则 SLFN 可表示为:Ki=1ig(Wi Xj+bi)=ajj=1，2，N(13)式中:g(x)为激活函数;Wi为输入权重;i为输出权重;bi为偏置。由于 SLFN 的最终目的是使输出误差最小，即:Nj=1aj tj=0(14)所以，存在 Wi、xj、bi使得:Ki=1ig(Wi Xj+bi)=tjj=1，2，N(15)设 H 为单隐层输出矩阵，为输出权重，T 为期望输出，则用矩阵可以表示为:H=T(16)由式(16)，利用最小二乘法，即可求出输出权重。2实验与分析本文采用的癫痫数据集来源于波恩大学脑电信号数据库。此数据集包含5 类子集，标号为 A E，每类子集又分为100 个脑电信号数据段，采样频率为17361 Hz。首先选择 db4 作为小波基函数对已准备好的数据集进行 4 层小波分解。由于版面限制，在本文中仅对A 组(正常 EEG)和 E 组(癫痫发作期 EEG)数据集的第一份数据(z001 和 s001)进行分析和显示。结果如图 2 图 3