一種腦電信號狀態變化的實時檢測方法及系統與流程
2023-05-16 00:50:11
本發明屬於腦電信號檢測領域，尤其涉及一種腦電信號狀態變化的實時檢測方法及系統。
背景技術：
腦電信號能夠為臨床診斷提供大量精確有效的生理和心理信息，實時監控腦電信號能夠在線獲得觀察對象的腦功能活動狀態，已經廣泛應用於臨床診斷及商業應用中。
在監控過程中，實時檢測腦電信號狀態的變化，能夠實時發現人腦功能活動狀態的變化，可輔助診斷癲癇等精神類疾病的發作。然而，當前的臨床診斷中，對於腦電信號狀態變化的檢測，多依賴於有經驗的醫師憑藉人眼觀察腦電圖。由於腦電圖數據量龐大，人眼長時間檢查腦電信號中異常發作情況往往是一個枯燥且費時的工作，由此容易造成檢測精度低、檢測時間長等局限，無法達到監控過程中實時檢測的要求。
技術實現要素：
為了解決現有技術的不足，本發明提供了一種腦電信號狀態變化的實時檢測方法，該方法在腦電信號監控過程中對信號的變化點做出決策，無需先驗知識，可在線實時的進行檢測，能夠直接應用於腦電信號狀態監控及變化檢測相關應用中。
本發明的一種腦電信號狀態變化的實時檢測方法，包括：
提取腦電信號的特徵值；
利用自回歸模型對提取的腦電信號的特徵值進行建模，並通過殘差分析計算腦電信號的時序異常度；
基於隨機冪鞅對腦電信號的時序異常度進行統計檢驗，進而確定腦電信號狀態發生變化的時刻。
進一步的，提取腦電信號的幅值特徵值的具體過程為：
以1：n的降採樣率對腦電信號進行降採樣，形成腦電信號電壓幅值序列；其中，n為大於1的正整數；
引入一個固定長度的滑動窗，在該滑動窗內來提取窗內腦電信號電壓幅值序列的時域統計特徵；
將得到的時域統計特徵融合成一維特徵向量。
本發明通過降採樣以及滑動窗技術，將腦電信號的時域統計特徵融合為一維特徵向量，將腦電信號進行了統一化，提高了腦電信息狀態變化檢測的準確度。
進一步的，利用自回歸模型對提取的腦電信號的特徵值進行建模之後，當某一時刻的腦電信號不再滿足上述建立的模型時，則當前時刻為變化點。
進一步的，通過殘差分析計算腦電信號的時序異常度的具體過程為：
分別通過一維特徵向量中的特徵值與利用自回歸模型對提取的腦電信號的特徵值進行建模得到特徵值作差，得到預測誤差；
對預測誤差進行標準化；
通過求取任一標準化後的預測誤差與標準化後的預測誤差均值之間的歐式距離，得到腦電信號的時序異常度。
本發明通過引入預測誤差，進而對腦電信號的時序異常度進行計算，能夠得到準確的計算結果，進而提高了腦電信號狀態變化實時檢測的準確性及效率。
進一步的，基於隨機冪鞅對腦電信號的時序異常度進行統計檢驗，進而確定腦電信號狀態發生變化的時刻的具體過程包括：
首先，構建鞅函數；
然後，通過doob最大值不等式進行決策來判斷當前時刻是否為腦電信號狀態發生變化的時刻。
其中，通過doob最大值不等式(doob’smaximalinequality)進行決策，即：
h0:1＜m(c)＜λ
ha:m(c)≥λ
若當前時刻c的martingale值小於預設的λ值時，則接受上述不等式中的假設檢驗h0，則當前時刻c不是變化點；否則接受假設檢驗ha，即認為當前時刻c為變化點。不等式中閾值λ通過交叉驗證得到，可通過改變不等式中λ的值實現檢測結果的動態調整。
本發明還提供了一種腦電信號狀態變化的實時檢測方法系統。
本發明的一種腦電信號狀態變化的實時檢測方法系統，包括：
特徵值提取模塊，其用於提取腦電信號的特徵值；
異常度計算模塊，其用於利用自回歸模型對提取的腦電信號的特徵值進行建模，並通過殘差分析計算腦電信號的時序異常度；
變化時刻確定模塊，其用於基於隨機冪鞅對腦電信號的時序異常度進行統計檢驗，進而確定腦電信號狀態發生變化的時刻。
進一步的，所述特徵值提取模塊包括：
降採樣模塊，其用於以1：n的降採樣率對腦電信號進行降採樣，形成腦電信號電壓幅值序列；其中，n為大於1的正整數；
滑動窗口特徵提取模塊，其用於引入一個固定長度的滑動窗，在該滑動窗內來提取窗內腦電信號電壓幅值序列的時域統計特徵；
特徵融合模塊，其用於將得到的時域統計特徵融合成一維特徵向量。
進一步的，所述異常度計算模塊中，當某一時刻的腦電信號不再滿足上述建立的模型時，則當前時刻為變化點。
進一步的，所述異常度計算模塊包括：
預測誤差計算模塊，其用於分別通過一維特徵向量中的特徵值與利用自回歸模型對提取的腦電信號的特徵值進行建模得到特徵值作差，得到預測誤差；
預測誤差標準化模塊，其用於對預測誤差進行標準化；
歐式距離計算模塊，其用於通過求取任一標準化後的預測誤差與標準化後的預測誤差均值之間的歐式距離，得到腦電信號的時序異常度。
進一步的，所述變化時刻確定模塊包括：
鞅函數構建模塊，其用於構建鞅函數；
判斷模塊，其用於通過doob最大值不等式進行決策來判斷當前時刻是否為腦電信號狀態發生變化的時刻。
與現有技術相比，本發明的有益效果是：
本發明首先對獲得的腦電信號進行特徵提取；在提取的腦電信號特徵的基礎上，利用自回歸模型對其進行建模分析，並通過殘差分析計算該信號的時序異常度；根據得到的時序異常度，採用隨機冪鞅對其進行統計檢驗，進而確定腦電信號狀態發生變化的時刻。該方法在腦電信號監控過程中對信號的變化點做出決策，無需先驗知識，可在線實時的進行檢測，能夠直接應用於腦電信號狀態監控及變化檢測相關應用中。
附圖說明
構成本申請的一部分的說明書附圖用來提供對本申請的進一步理解，本申請的示意性實施例及其說明用於解釋本申請，並不構成對本申請的不當限定。
圖1是本發明的一種腦電信號狀態變化的實時檢測方法流程圖；
圖2是觀測的腦電信號；
圖3是λ＝2時的檢測結果；
圖4是λ＝3時的檢測結果；
圖5是λ＝4時的檢測結果；
圖6是本發明的一種腦電信號狀態變化的實時檢測方法系統的結構示意圖。
具體實施方式
應該指出，以下詳細說明都是例示性的，旨在對本申請提供進一步的說明。除非另有指明，本文使用的所有技術和科學術語具有與本申請所屬技術領域的普通技術人員通常理解的相同含義。
需要注意的是，這裡所使用的術語僅是為了描述具體實施方式，而非意圖限制根據本申請的示例性實施方式。如在這裡所使用的，除非上下文另外明確指出，否則單數形式也意圖包括複數形式，此外，還應當理解的是，當在本說明書中使用術語「包含」和/或「包括」時，其指明存在特徵、步驟、操作、器件、組件和/或它們的組合。
圖1是本發明的一種腦電信號狀態變化的實時檢測方法流程圖。
如圖1所示，本發明的一種腦電信號狀態變化的實時檢測方法，包括：
s101：提取腦電信號的特徵值。
本實施例圖2所示的腦電信號為例：
具體地，提取腦電信號的幅值特徵值的具體過程為：
s1011：以1：n的降採樣率對腦電信號進行降採樣，形成腦電信號電壓幅值序列；其中，n為大於1的正整數。
在具體實施中，n以50為例：
對於給定的腦電信號，首先對其以1:50的降採樣率進行降採樣，將降採樣後的腦電信號表示為{y1,y2,...,yn}(表示第i個信號點的電壓幅值，n代表腦電信號的序列長度)。
s1012：引入一個固定長度的滑動窗，在該滑動窗內來提取窗內腦電信號電壓幅值序列的時域統計特徵。
引入一個固定長度為l(應用中設置為5)的滑動窗，在該滑動窗內提取窗內序列的時域統計特徵。對於k時刻的信號，滑動窗設置為{yk-l+1,yk-l+2,…,yk}，在該滑動窗內用5個時域統計特徵fj(j＝1,2,3,4,5)來表徵該時刻的特徵，所使用的時域特徵計算方式如下：
f2＝max{yk-l+1,yk-l+2,...,yk}
f3＝min{yk-l+1,yk-l+2,...,yk}
s1013：將得到的時域統計特徵融合成一維特徵向量。
將fj(j＝1,2,3,4,5)進行融合，計算方式如下：
因此，長度為n的腦電信號{y1,y2,…,yn}可以用一維向量表徵為{q1,q2,…,qn}。對於信號{y1,y2,…,yl-1}，其特徵初始化為0。
本發明通過降採樣以及滑動窗技術，將腦電信號的時域統計特徵融合為一維特徵向量，將腦電信號進行了統一化，提高了腦電信息狀態變化檢測的準確度。
s102：利用自回歸模型對提取的腦電信號的特徵值進行建模，並通過殘差分析計算腦電信號的時序異常度。
具體地，s102的具體過程包括：
s1021：假設所給定的腦電信號序列已被表示為{q1,q2,...,qn}，用一個自回歸線性模型對該信號進行建模分析，建模方式如下：
qt＝μ+βt+εt
其中，μ為腦電信號序列的均值，β為變化趨勢，εt為一獨立同分布的誤差，且滿足期望為零。可以通過計算獲得μ和β的值，即：
當某一時刻的腦電信號不再滿足上述模型時，即認為該時刻為變化點。顯然，一旦數據分布發生變化，上述模型中的兩個參數μ和β將與之前所建模型中明顯不同。假設在c時刻信號分布發生變化，模型中的參數由原來的(μ1,β1)變為(μ2,β2)，可通過一個分段線性模型來描述這種變化，即：
給出如下的建設檢驗模型，即：
h0:μ1＝μ2andβ1＝β2
ha:μ1≠μ2and/orβ1≠β2
當腦電信號狀態未發生明顯變化時，μ和β均保持不變；若發生明顯的變化時，μ和β將發生變化。也就是說，當h0被拒絕，即ha為真時，當前時刻的信號被確定為變化點。
s1022：引入預測誤差{et}來量化{q1,q2,...,qn}數據分布的時序波動情況。
假設(μ1,β1)已由計算獲得，則qt的線性預測值可通過步驟(2-1)中建立的自回歸模型計算得到則該時刻的預測誤差et可表示為：
其中，||·||為歐式距離。為了簡化計算，可計算為結合步驟(2-1)中建立的分段線性模型，預測誤差et的值可分為兩種情況：
1)當t＜c時，當前信號服從預設的數據分布，預測誤差et很小或近似等於0；
2)當t＝c時，當前信號不在服從原來的數據分布，步驟(2-1)中建立的自回歸模型參數發生明顯變化，使得預測誤差et變大。
s1023：對於獲得的預測誤差序列{et}，將其進行標準化，即：
其中，為樣本均值，σ為標準差。最後，在計算得到的{z1,z2,...,zt-1}基礎上，數據異常度可計算為：
st＝s({z1,z2,…,zt-1},zt)＝||zt-ht-1||
其中，
本發明通過引入預測誤差，進而對腦電信號的時序異常度進行計算，能夠得到準確的計算結果，進而提高了腦電信號狀態變化實時檢測的準確性及效率。
s103：基於隨機冪鞅對腦電信號的時序異常度進行統計檢驗，進而確定腦電信號狀態發生變化的時刻。
s103的具體過程包括：
s1031：異常度{s1,s2,…,st}的基礎上，採用基於隨機冪鞅(randompowermartingale，rpm)統計檢驗。它是一個無參數的數據統計檢驗能夠在無監督環境下進行檢測運行，且可以實時在線執行。
首先，構建鞅(martingale)如下：
其中，ξ∈(0,1)，應用中設置為0.8，的計算公式如下：
式中：#{·}是一個計數函數，θi是均勻分布在[0，1]之間的隨機數。由於m(t)可通過迭代計算得到。
s1032：通過doob最大值不等式(doob’smaximalinequality)進行決策，即：
h0:1＜m(c)＜λ
ha:m(c)≥λ
若當前時刻c的martingale值小於預設的λ值時，則接受上述不等式中的假設檢驗h0，則當前時刻c不是變化點；否則接受假設檢驗ha，即認為當前時刻c為變化點。不等式中閾值λ通過交叉驗證得到，可通過改變不等式中λ的值實現檢測結果的動態調整，如圖3-圖5分別為λ＝2、λ＝3和λ＝4時的檢測結果。
為實現腦電信號狀態變化的在線實時檢測，對於已觀測的腦電信號{y1,y2,...,yt}，若t時刻未被確定為變化點，則繼續觀測信號並檢測t＝t+1，繼續執行步驟s101-s103；若t時刻被確定為變化點，則將該時刻重置為初始點，重新執行步驟s101-s103。
本發明首先對獲得的腦電信號進行特徵提取；在提取的腦電信號特徵的基礎上，利用自回歸模型對其進行建模分析，並通過殘差分析計算該信號的時序異常度；根據得到的時序異常度，採用隨機冪鞅對其進行統計檢驗，進而確定腦電信號狀態發生變化的時刻。該方法在腦電信號監控過程中對信號的變化點做出決策，無需先驗知識，可在線實時的進行檢測，能夠直接應用於腦電信號狀態監控及變化檢測相關應用中。
圖6是本發明的一種腦電信號狀態變化的實時檢測方法系統的結構示意圖。
如圖6所示，本發明的一種腦電信號狀態變化的實時檢測方法系統，包括：
(1)特徵值提取模塊，其用於提取腦電信號的特徵值。
其中，所述特徵值提取模塊包括：
(1.1)降採樣模塊，其用於以1：n的降採樣率對腦電信號進行降採樣，形成腦電信號電壓幅值序列；其中，n為大於1的正整數；
在具體實施中，n以50為例：
對於給定的腦電信號，首先對其以1:50的降採樣率進行降採樣，將降採樣後的腦電信號表示為{y1,y2,...,yn}(表示第i個信號點的電壓幅值，n代表腦電信號的序列長度)。
(1.2)滑動窗口特徵提取模塊，其用於引入一個固定長度的滑動窗，在該滑動窗內來提取窗內腦電信號電壓幅值序列的時域統計特徵；
引入一個固定長度為l(應用中設置為5)的滑動窗，在該滑動窗內提取窗內序列的時域統計特徵。對於k時刻的信號，滑動窗設置為{yk-l+1,yk-l+2,...,yk}，在該滑動窗內用5個時域統計特徵fj(j＝1,2,3,4,5)來表徵該時刻的特徵，所使用的時域特徵計算方式如下：
f2＝max{yk-l+1,yk-l+2,…,yk}
f3＝min{yk-l+1,yk-l+2,...,yk}
(1.3)特徵融合模塊，其用於將得到的時域統計特徵融合成一維特徵向量。
將fj(j＝1,2,3,4,5)進行融合，計算方式如下：
因此，長度為n的腦電信號{y1,y2,...,yn}可以用一維向量表徵為{q1,q2,...,qn}。對於信號{y1,y2,…,yl-1}，其特徵初始化為0。
本發明通過降採樣以及滑動窗技術，將腦電信號的時域統計特徵融合為一維特徵向量，將腦電信號進行了統一化，提高了腦電信息狀態變化檢測的準確度。
(2)異常度計算模塊，其用於利用自回歸模型對提取的腦電信號的特徵值進行建模，並通過殘差分析計算腦電信號的時序異常度。
所述異常度計算模塊中，當某一時刻的腦電信號不再滿足上述建立的模型時，則當前時刻為變化點。
其中，異常度計算模塊包括：
(2.1)預測誤差計算模塊，其用於分別通過一維特徵向量中的特徵值與利用自回歸模型對提取的腦電信號的特徵值進行建模得到特徵值作差，得到預測誤差；
具體地，假設所給定的腦電信號序列已被表示為{q1,q2,...,qn}，用一個自回歸線性模型對該信號進行建模分析，建模方式如下：
qt＝μ+βt+εt
其中，μ為腦電信號序列的均值，β為變化趨勢，εt為一獨立同分布的誤差，且滿足期望為零。可以通過計算獲得μ和β的值，即：
當某一時刻的腦電信號不再滿足上述模型時，即認為該時刻為變化點。顯然，一旦數據分布發生變化，上述模型中的兩個參數μ和β將與之前所建模型中明顯不同。假設在c時刻信號分布發生變化，模型中的參數由原來的(μ1,β1)變為(μ2,β2)，可通過一個分段線性模型來描述這種變化，即：
給出如下的建設檢驗模型，即：
h0:μ1＝μ2andβ1＝β2
ha:μ1≠μ2and/orβ1≠β2
當腦電信號狀態未發生明顯變化時，μ和β均保持不變；若發生明顯的變化時，μ和β將發生變化。也就是說，當h0被拒絕，即ha為真時，當前時刻的信號被確定為變化點。
引入預測誤差{et}來量化{q1,q2,…,qn}數據分布的時序波動情況。
假設(μ1,β1)已由計算獲得，則qt的線性預測值可通過步驟(2-1)中建立的自回歸模型計算得到則該時刻的預測誤差et可表示為：
其中，||·||為歐式距離。為了簡化計算，可計算為結合步驟(2-1)中建立的分段線性模型，預測誤差et的值可分為兩種情況：
1)當t＜c時，當前信號服從預設的數據分布，預測誤差et很小或近似等於0；
2)當t＝c時，當前信號不在服從原來的數據分布，步驟(2-1)中建立的自回歸模型參數發生明顯變化，使得預測誤差et變大。
(2.2)預測誤差標準化模塊，其用於對預測誤差進行標準化；
對於獲得的預測誤差序列{et}，將其進行標準化，即：
其中，為樣本均值，σ為標準差。
(2.3)歐式距離計算模塊，其用於通過求取任一標準化後的預測誤差與標準化後的預測誤差均值之間的歐式距離，得到腦電信號的時序異常度。
最後，在計算得到的{z1,z2,...,zt-1}基礎上，數據異常度可計算為：
st＝s({z1,z2,...,zt-1},zt)＝||zt-ht-1||
其中，
(3)變化時刻確定模塊，其用於基於隨機冪鞅對腦電信號的時序異常度進行統計檢驗，進而確定腦電信號狀態發生變化的時刻。
其中，變化時刻確定模塊包括：
(3.1)鞅函數構建模塊，其用於構建鞅函數；
異常度{s1,s2,...,st}的基礎上，採用基於隨機冪鞅(randompowermartingale，rpm)統計檢驗。它是一個無參數的數據統計檢驗能夠在無監督環境下進行檢測運行，且可以實時在線執行。構建鞅(martingale)如下：
其中，ξ∈(0,1)，應用中設置為0.8，的計算公式如下：
式中：#{·}是一個計數函數，θi是均勻分布在[0，1]之間的隨機數。由於m(t)可通過迭代計算得到。
(3.2)判斷模塊，其用於通過doob最大值不等式進行決策來判斷當前時刻是否為腦電信號狀態發生變化的時刻。
其中，通過doob最大值不等式(doob’smaximalinequality)進行決策，即：
h0:1＜m(c)＜λ
ha:m(c)≥λ
若當前時刻c的martingale值小於預設的λ值時，則接受上述不等式中的假設檢驗h0，則當前時刻c不是變化點；否則接受假設檢驗ha，即認為當前時刻c為變化點。不等式中閾值λ通過交叉驗證得到，可通過改變不等式中λ的值實現檢測結果的動態調整。
上述雖然結合附圖對本發明的具體實施方式進行了描述，但並非對本發明保護範圍的限制，所屬領域技術人員應該明白，在本發明的技術方案的基礎上，本領域技術人員不需要付出創造性勞動即可做出的各種修改或變形仍在本發明的保護範圍以內。