基于多分类SVM算法的癫痫发作自动检测方法.pdf

第 卷第 期重庆邮电大学学报(自然科学版).年 月 ().:./.基于多分类 算法的癫痫发作自动检测方法收稿日期:修订日期:通讯作者:庞 宇 .基金项目:重庆市教委科学技术研究计划项目()国家自然科学基金()厅市共建中枢神经系统药物四川省重点实验室开放课题()重庆市自然科学基金()重庆市技术创新与应用发展专项重点项目().:()()()()().王元发庞 宇周前能黄志伟(.重庆邮电大学 光电工程学院重庆.西南医科大学 医学信息与工程学院四川 泸州)摘 要:高性能的癫痫脑电信号自动检测方法对减轻医生负担并提高癫痫的诊断效率具有重要临床研究意义 论文提出了一种能够区分正常、癫痫发作和发作间期脑电信号的高性能三分类系统 采用 小波构成的 级提升式小波变换将脑电信号分解为不同子带信号求得不同子带信号的近似熵、能量、局部波动率、自回归系数、指数特征值利用 得分法进行特征选择提高分类精度同时减小计算复杂度基于二叉树多分类支持矢量机()对脑电信号分类实现正常、癫痫发作和发作间期信号的自动检测实验表明系统的准确率、灵敏度和特异性均达到 优于现有的分类识别方法提出的三分类系统具有良好的分类性能为癫痫及癫痫发作的临床检测提供了较好参考价值关键词:癫痫及癫痫发作检测三分类器提升小波变换二叉树 高性能中图分类号:文献标志码:文章编号:()(.):().().:引 言癫痫是由脑部神经异常放电引起的慢性疾病长期频繁的癫痫发作会对患者的身心、智力产生严重影响 如果癫痫发作未及时发现与治疗会因高热、循环衰竭、神经元损伤导致不可逆的脑损伤给患者及其家人造成极大的痛苦和伤害且癫痫的突然性发作可能导致生命危险 及时、准确地检测癫痫疾病并采取对应的治疗或控制措施不但可以减轻患者的痛苦及其家庭的负担而且可以提高患者的健康水平 目前脑电图()检测由于其无创、方便的特点在癫痫疾病检测中扮演着重要的角色 传统的检测方法是由医疗工作者对患者 信号长时间监测并根据临床经验视觉诊断 该方法耗时效率低下而且不方便 近年来专家学者提出了一种基于计算机软件技术以及智能分类算法的癫痫 信号自动检测方法 本文研究一种高性能的多分类器用于区分正常、癫痫发作和发作间期 信号在临床上具有重要意义通过机器学习算法对癫痫 信号训练与自动识别是一种常用的方法 近年来许多机器学习算法包括人工神经网络()、邻 近()、朴素贝叶斯()、线性判别分析()、支 持 矢 量 机()、极限学习机()以及最小二乘回归等用在 信号自动检测中并取得较好的检测效果其中 处理非线性 信号由于良好的性能引起极大的关注文献通过仿真对比了、几种分类算法得出 可以取得较好分类性能的结论 具有较好的分类性能和泛化能力被广泛应用到癫痫 信号的自动分类识别中本文采用 算法自动检测癫痫 信号 由于癫痫 信号数据样本较大传统 的训练算法将耗费大量时间 文献提出 的序列最小优化()算法可以用于大样本快速训练 文献对 算法进行改进提出了改进的 算法()减少了计算上的浪费进一步加快了 的训练速度 因此本文采用 算法对 信号进行训练从分类的角度讲 本质是一个二分类算法而对于同时区分正常、癫痫发作和发作间期 信号等实际问题需要用到多分类 通过多个二分类 构建的多分类方法有一对一、一对多、有向无环图、纠错输出编码和二叉树()等方法 对区分正常、癫痫发作和发作间期 信号的三分类问题一对一、一对多、有向无环图、纠错输出编码需要构建 个 分类器二叉树多分类 只需要 个分类器特征提取作为 分类识别中的重要组成部分直接影响 信号的分类性能 针对非线性非平稳的 信号离散小波变换()在时频域具有较好的分辨能力已被证实处理 信号是一种有效的工具研究表明 更适用于 信号棘波的检测同时形状类似于棘波的 ()母小波能够有效地处理癫痫 信号 常用的 滤波器设计基于卷积运算而该算法计算复杂度较高并且运算过程中需要较大的内存 为了克服这些缺点本文采用提升小波变换()算法对癫痫 信号进行分解同时采用 的多分辨率分解将 信号分解为不同频段的子带信号然后有选择性地提取不同频带 信号的特征量基于、及 的优点本文提出了一种高性能的癫痫及癫痫发作 信号自动检测方法实现正常、癫痫发作和发作间期 信号分类识别 首先将原始 信号经多级 得到不同频段范围的子带信号求得小波变换后数据的近似熵()、能量、局部波动率、自回归系数()、指数特征值其次采用随机效应模型的 得分法筛选具有较好分类性能的特第 期 王元发等:基于多分类 算法的癫痫发作自动检测方法征值构成高维特征向量将高维特征通过 算法对 类 信号进行训练最后采用二叉树多分类 实现 信号分类识别 分类识别算法与原理.癫痫 信号处理及特征提取.基于 的 信号处理在 信号处理中采用 可以减小存储、提高计算速度 小波提升策略的基本结构如图 所示图 提升小波结构.图 中:和 分别代表奇、偶序列为预测产生的高频小波系数为更新产生的低频小波系数和 为 和 分别归一化后的值 本文采用基于 的 级 将癫痫 信号分解为不同时频特性的子带信号.自相关系数特征提取自相关系数描述一个时间序列中先前数据值与之后数据值的相关程度即度量这个时间序列过去对现在的影响 根据 信号的特点正常人的 信号非线性度和混沌性比癫痫患者强通过自相关系数可以很好描述这种差别 第 级小波系数的 个连续时间序列的自相关系数为 ()()()()()式中()和分别表示第 级的第 个小波系数值和第 级小波系数平均值.指数特征提取基于重标极差(/)分析的 指数是一种时间序列分形统计法通过改变时间尺度的大小研究时间序列统计规律变化对于一个时间序列()定义前 个数据点的平均误差为 ()()()式中()是与 相对应的平均误差的最小值和最大值之差定义为()()()()()式中 定义()/()为()()()()()()根据 信号特性同时为了减小特征计算复杂度本文将()/()的对数值作为特征值之一记为().特征提取研究表明正常人的 信号时间序列比癫痫发作时更复杂通过计算两者的 值可区分正常人与癫痫患者.局部波动率特征提取局部波动率是取时间序列点的一部分数据求方差计算过程为:给定一个时间序列 取其中的 个连续数据 求方差得到 并组成数列再求这个数列的平均值将其作为特征值之一.能量特征提取癫痫发作时 信号常表现出高频率或者高幅值通过 能量能够较好识别癫痫是否发病 离散 能量定义为()()()()()()式中:为 能量算子 为原始 信号.多分类识别算法为了区分正常、癫痫发作和发作间期 信号需要用到多分类 图 为三分类的 算法结构在训练阶段第 个二分类 将类别、共同作为一类类别 单独作为一类 第 个二分类 将类别 与 进行训练 当预测新的样本 时通过第 个二分类 判别 所属类别 如果为类别 即为最终结果如果为类别 或 需要利 重 庆 邮 电 大 学 学 报(自然科学版)第 卷用第 个二分类 进行判别 从图 可以看出二叉树多分类 在三分类问题中只需要 个分类器图 三分类的 结构.图 为非线性 分类器映射将低维的非线性可分情况转化为高维的线性可分情况求解 比如可以将左边的二维空间点()映射到右边三维空间点()通过非线性 样本数据 采用如下公式判断所属类别()()()()式中:为非零拉格朗日乘子个数即支持矢量个数()为核函数本文采用高斯核函数为输入样本 的标注类别为训练产生的非零拉格朗日乘子 本文采用便捷、高效的 训练算法对癫痫 信号进行训练产生图 中 算法的 个分类器模型图 非线性 分类器特征映射.本文方法多分类 信号识别系统分为 个阶段:训练阶段和测试阶段 图 为癫痫 信号分类系统的训练和测试流程 采用 级小波变换将 分解为近似和细节小波系数计算各小波系数的特征值构成高维特征向量将标记类别的高维特征向量输入到 中进行训练产生多分类器模型 训练结束后未标记的 信号同样经过 级小波变换并提取特征构成高维特征向量通过多分类 自动识别为正常、癫痫发作或发作间期的 信号图 三分类 信号分类流程图.实验数据本文实验数据采用德国波恩大学公开发布的癫痫 信号数据库 该 数据集共包含、类 信号子集采样频率为.每类信号子集包含 段 信号每段信号包括 个采样数据点每个数据段的时间长度都为.数据子集 和 分别来自于 个正常人睁眼和闭眼状态数据子集 和 来自于癫痫发作间期状态其中 在癫痫病灶外区域采集 在癫痫病灶内区域采集数据子集 来自癫痫病人发作时状态.特征提取优化及特征筛选一个好的分类器如果没有较好的特征提取方法也难取得良好的分类性能本文从不同视角提取 信号特征为了寻找()中 为何值时分类性能较好本文计算原始信号的自相关系数的前几项进行统计正常人与患者 的 如图 所示其中蓝色线段数据取自患者绿色线段数据取自正常人图 正常人与患者 的.从图 可以看出自相关系数的第 项分辨效果最强也就是正常人与患者的()值具有显著差异因此选择这一项作为特征值之一并作正常人与患者()直方分布图如图 所示 图 第 期 王元发等:基于多分类 算法的癫痫发作自动检测方法中蓝色取自患者绿色取自正常人可以看出两类数据具有显著的分辨效果图 正常人与患者 的()分布.()图 是()随()变化图 图 中蓝色曲线由患者数据计算得到绿色曲线由正常人数据计算得到 在().附近两类数据的()交叠部分很少具有较高的区分度 图 所示为两类数据的()直方分布图可以看出两类数据的()值分布差异显著交叠区域小具有较高的区分度因此将()选作特征值之一图 ()随()变化.()()图 正常人与患者 的()分布.()本文采用了随机效应模型中的 得分法筛选具有较高区分度的特征量 设 是某一个待评估的特征值现有两类数据、每类数据有若干数据样本 先对 组数据的若干样本求特征值 然后求 的平均值和方差记为 和 同理得到 组数据的 于是、两组数据特征值 的 得分记为 表示为()()得分 值越大意味着特征值 的分辨效果越好 以近似熵为例表 描述了各个信号近似熵的 得分得分越高表明这个特征值的区分度越高 根据计算结果选取、的近似熵作为特征值表 的 得分.信号来源 得分原始信号.根据上述方法计算全部特征的 得分并选取得分值较高的几个特征 由于部分特征之间具有强相关性而选择具有强相关性的特征对提高分类精确度没有显著贡献 因此根据各个特征之间的相关性对特征组合进行微调和精简筛选结果如表 所示 采用这些特征进行特征提取构成高维特征向量作为三分类 的输入 实验结果与分析.三分类性能指标对于区分正常、癫痫发作和发作间期 类问题实验性能采用如下 个指标进行评价:敏感度()、特异性()、精度()表 给出了三分类性能指标的详细定义 表 中、分别表示、的 数表示从数据子集 中被分为 的 总个数表示 重 庆 邮 电 大 学 学 报(自然科学版)第 卷从数据子集 中被分为 的 总个数其他相应的参数可以通过类似方法解释表 特征筛选结果.特征值名称提取信号自相关系数()原始信号 指数()一次差分后的信号 指数()()近似熵()原始信号近似熵()()近似熵()()近似熵()()局部波动率原始信号局部波动率 分位数原始信号 能量平均值原始信号表 三分类性能定义.类别敏感度特异性精度/()/()()/()/()/()/().结果与讨论本文采用德国波恩大学癫痫 的、这 类数据对所设计的分类器进行性能测试 在 数据的预处理中每 个数据点的时间窗构成一个 为了弥补数据截断对 信号的连续性信息影响在计算时将每个 数据进行 交叠 为了验证将数据分割成 后对分类精度的影响选择不同长度的(.、.、.、.、.)对其产生的影响进行分析随着 长度的增加分类精度在不断提高 选择过长的 需要较长的时间检测出癫痫疾病本文选择每个 的时间长度为.每个数据段()被分为 个 每一个数据子集共有 个、个数据子集共有 个 实验采用 交叉验证对三分类系统进行性能测试为了分析 交叉验证对特征筛选结果的影响将交叉验证的 个训练集分别采用 得分法进行特征筛选结果基本一致 本文根据各个特征之间的相关性对特征组合进行微调和精简实验采用表 的特征进行特征提取表 为样本长度为.时三分类系统的精度、