CN111870241B

CN111870241B - 基于优化的多维样本熵的癫痫发作信号检测方法

Info

Publication number: CN111870241B
Application number: CN202010637325.6A
Authority: CN
Inventors: 丁吉; 刘阳; 汪茜; 张启忠; 高云园; 席旭刚
Original assignee: Hangzhou Dianzi University
Current assignee: Hangzhou Dianzi University
Priority date: 2020-07-03
Filing date: 2020-07-03
Publication date: 2022-05-17
Anticipated expiration: 2040-07-03
Also published as: CN111870241A

Abstract

本发明公开了一种基于优化的多维样本熵的癫痫发作信号检测方法。在这项研究中，本发明采用多维样本熵作为特征来区分癫痫发作状态和正常状态，并对其进行了优化，提高了计算效率。此外，通过结合多维样本熵征提取和Bi‑LSTM，开发了一种新的预测方法来预测癫痫发作。结果表明，该方法取得了良好的表现，可预测5分钟后脑电的多维样本熵，准确率高达80.09％，误报率为0.26/h。本研究的结果表明，所提出的预测方案更适合于实际癫痫发作预测。

Description

基于优化的多维样本熵的癫痫发作信号检测方法

技术领域

本发明属于信号特征分析领域，涉及一种基于优化的多维样本熵和双向长短时记忆神经网络(Bi-directional Long Short-Term Memory，Bi-LSTM)的癫痫发作信号检测方法。

背景技术

癫痫是由于脑神经元超同步化异常放电引起的一种常见的脑部疾病，在神经系统疾病中排名第二，发病率仅次于脑卒中。癫痫发作是一种慢性长期反复性的疾病，具有突发性，在病发期间会造成脑功能暂时丧失。在国外癫痫的患病率约为3‰～10‰。，在我国的患病率有4‰～9‰，到目前为止，全球大约有5千万患者正在经历病痛的折磨。多数癫痫患者在发作时会突然昏倒，全身痉挛，意识丧失。同时由于癫痫发作的猝发性，如果此时病人正从事某种危险操作(如驾驶汽车)，则很容易受到意外伤害。若能在癫痫发作前预测到癫痫即将发作，即使是较短的时间，也可使患者或医生能够及时采取必要的预防保护措施，这对病人是十分有利的。癫痫发作预测对癫痫治疗起着重要的作用，因而成为当前癫痫病学研究中的一个热点。

目前已提出各种技术来解决该问题，其中脑电图(Electroencephalography,EEG)具有多种优势，包括高时间分辨率，低成本，能够长期监测和便携等，已被证明是癫痫发作分析的有效的优选方法之一。

在过去的几十年中已经提出了许多分析脑电信号的方法，这些方法可以分为两种：线性方法和非线性方法。线性方法包括时域分析，频域分析和时频域分析。时域分析是用于分析癫痫信号的第一种方法。时域分析的优点是时域波形包含了脑电图的所有信息，但是这种方法缺乏客观性，而且误差较大。频域分析克服了时域分析的缺点，但它的前提是平稳的随机信号，而EEG信号是非线性和非平稳的信号，这导致了许多局限性。时频域分析方法包括短时傅立叶变换，小波变换，Hilbert-Huang变换和经验模态分解等，是目前研究脑电信号的最常用方法，并取得了较好的结果。

从非线性动力学角度来分析，大量研究表明大脑的活动具有及其复杂的动力学特性，大脑可以看作是一个非线性动力系统。通过提取基于非线性动力学理论的脑电特征来识别癫痫脑电已成为癫痫发作自动检测的前沿动向之一。生物信号很微弱，且往往带有环境中的噪声，而熵方法在生物信号处理具有显著优势。基于熵的方法的另一个优点是，与其他非线性方法相比，它可以通过更少的数据来获得有意义的结果。其中样本熵是基于近似熵研究出来的一种新算法，可以规避近似熵的一些缺陷。不依赖数据长度，一致性更好，对于数据的丢失不敏感，算法更简单。且Mormann等人指出双变量和多变量测量相对于单变量具有更优的性能。

癫痫发作信号检测的关键不仅在于特征的提取，还有分类器的选取。支持向量机(Support Vector Machine，SVM)，决策树，卷积神经网络(Convolutional NeuralNetworks，CNN)等许多分类算法已被用于对癫痫特征进行分类并取得了良好的效果。长短时记忆神经网(Long Short-Term Memory，LSTM)是一种时间递归神经网络，与其他分类算法不同的是，LSTM既可以用于分类，又可以对时间序列进行预测。其中Bi-LSTM是LSTM的一种变体，由一个前向的和一个后向的LSTM组成，鲁棒性更强。

发明内容

基于以上讨论，本发明提出了一种基于优化多维样本熵和Bi-LSTM的癫痫发作信号检测方法，将多个通道的EEG信号联合起来分析并提取特征。然后用Bi-LSTM预测多维样本熵的变化趋势，并对预测的多维样本熵进行分类，以区分癫痫发作期和正常期达到检测癫痫发作信号的目的。

为了实现以上目的，本发明方法主要包括以下步骤：

步骤(1).采集脑电数据及预处理，所有的信号均由国际标准的10-20电极分布系统采样得到。数据预处理包括小波去噪、心电、眼电剔除等。

步骤(2).计算优化的多维样本熵。

首先要构造多维向量。优化的多维样本熵计算的原始数据为k道EEG信号，每道信号有N个采样点，m为嵌入维。构造的向量中的每个点都是一个k维的向量。每条通道采集的EEG信号有n个采样点，第一道信号的采样点为x₁₁、x₁₂、x₁₃、...、x_1n，第二道信号的采样点为x₂₁、x₂₂、x₂₃、...、x_2n，以此类推，第k道信号的采样点为x_k1、x_k2、x_k3、...、x_kn。提取每道信号第a个采样点，得到一个多维向量Q(a)＝(x_1a,x_2a,x_3a,...,x_ka)。嵌入维取m＝2，所以定义点X(a)＝[Q(a),Q(a+1)]。

计算Q(a)和Q(a+1)之间的距离D[Q(a),Q(a+1)]。由于Q(a)是一个多维向量，所以本文定义

其中O_D为欧氏距离。将计算所得的距离全部存入一个表中，以避免下次循环重复计算。

m＝2时，X(a)＝[Q(a),Q(a+1)]，X(a+1)＝[Q(a+1),Q(a+2)]，从表中取D[Q(a),Q(a+1)]和D[Q(a+1),Q(a+2)]，取较大者作为X(a)和X(a+1)间的距离。

设相似容限R，计算小于R的距离个数x₁，

计算所有的平均值

m＝3时，X(a)＝[Q(a),Q(a+1),Q(a+2)]，X(a+1)＝[Q(a+1),Q(a+2),Q(a+3)]从表中取D[Q(a),Q(a+1)]、D[Q(a+1),Q(a+2)]和D[Q(a+2),Q(a+3)]，取最大者作为X(a)和X(a+1)间的距离。

设相似容限R，计算小于R的距离个数x₂，

计算所有

的平均值

计算优化的多维样本熵SampEn＝-ln[B^m+1(R)/B^m(R)]。

步骤(3)根据优化的多维样本熵，用Bi-LSTM进行癫痫发作信号检测。将当前时刻之前计算得到的优化多维样本熵作为Bi-LSTM的输入，利用Bi-LSTM预测时间序列的功能，输出预测的接下来的多维样本熵。再通过Bi-LSTM的分类功能把预测的多维样本熵分为两类，即发作期和正常期，以达到癫痫发作信号检测的目的。

本发明相对于现有技术具有如下特点：

因为脑电信号是非线性、非平稳的随机信号，所以本发明基于非线性的熵方法来研究患者的EEG特征，结合多道EEG信号提取了多维样本熵的特征。因为当癫痫发作时，不止一个通道的EEG信号会发生变化。多维样本熵可结合所有通道的EEG信号反映癫痫发作前后大脑发生的变化。

由于多维样本熵用到的数据量很大，计算速度很慢，本发明对多维样本熵进行了优化。根据样本熵的定义，在逐点比较期间会重复进行计算，并且在计算样本熵时，第一个模式会不断循环。组合这些循环可避免大量重复计算，提高计算速度。

LSTM可以在输入和输出序列之间的映射中利用上下文信息，因此十分适合处理时间序列预测问题。本发明充分利用LSTM的特点，并使用了稳定性更强的变体Bi-LSTM预测多维样本熵的变化趋势，再进行分类检测癫痫发作信号。

附图说明

图1为本发明的实施流程图；

图2为本发明实施例的国际10-20系统EEG电极命名图；

图3(a)为本发明实施例癫痫患者脑电信号提取普通样本熵发作前后的折线图；

图3(b)为本发明实施例癫痫患者脑电信号提取多维样本熵在癫痫发作前后的折线图；

图4为本发明实施例多维样本熵和优化的多维样本熵的计算时间与信号长度关系对比图；

图5(a)为本发明通过预测值更新网络状态效果图；

图5(b)为本发明通过观测值更新网络状态效果图；

图6为本发明实施均方根误差(RMSE)与预测时间长度关系图。

具体实施方式

下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图1所示，本实施例包括如下步骤：

步骤(1)，采集脑电数据。本发明中使用的数据来自麻省理工学院公共数据库。选取13名患者，每位患者采集100个样本，总共1300个样本用于计算样本熵和优化的多维样本熵进行分类，对前60％的样本进行了培训，对最后40％的样本进行了测试。所有数据集采样频率为256Hz，采用16位分辨率。使用了国际10-20系统EEG电极命名法，如图2所示。癫痫患者在实验数据收集过程中没有服用任何药物且没有其他任何家族遗传病史。在大多数实验组中，用于收集EEG信号的通道数为23，而在少数实验中为24或26。为了便于统计数据，本发明选择了23个通道的数据。

步骤(2)，计算优化的多维样本熵。在EEG信号特征提取上运用多维样本熵的方法，采用23道脑电信号联合计算，每道信号有N个采样点，构成一个23×N的矩阵。由于计算量过大，对其进行优化。首先采用移动窗口的方法，减少数据长度来加快计算，根据现有文献窗口大小定为5秒。其次从样本熵的定义来看，在逐点比较期间存在计算重复，并且在计算样本熵时总是存在循环，这些循环合并，可去掉大量重复计算，提高运行速度。所以优化的多维样本熵计算步骤如下：

首先要构造多维向量。优化的多维样本熵计算的原始数据为k道EEG信号，每道信号有N个采样点，m为嵌入维。本发明中选择的EEG数据皆为23通道，所以k＝23，每条通道采集的EEG信号有n个采样点，第一道信号的采样点为x₁₁、x₁₂、x₁₃、...、x_1n，第二道信号的采样点为x₂₁、x₂₂、x₂₃、...、x_2n，以此类推，第k道信号的采样点为x_k1、x_k2、x_k3、...、x_kn。提取每道信号第a个采样点，得到一个多维向量Q(a)＝(x_1a,x_2a,x_3a,...,x_ka)。嵌入维取m＝2，所以定义点X(a)＝[Q(a),Q(a+1)]。

计算Q(a)和Q(a+1)之间的距离D[Q(a),Q(a+1)]，由于Q(a)是一个多维向量，所以本文定义

设相似容限R，计算小于R的距离个数x₁，

计算所有

的平均值

m＝3时，X(a)＝[Q(a),Q(a+1),Q(a+2)]，X(a+1)＝[Q(a+1),Q(a+2),Q(a+3)]从表

中取D[Q(a),Q(a+1)]、D[Q(a+1),Q(a+2)]和D[Q(a+2),Q(a+3)]，取最大者作为X(a)和X(a+1)间的距离。

设相似容限R，计算小于R的距离个数x₂，

计算所有

的平均值

计算样本熵SampEn＝-ln[B^m+1(R)/B^m(R)]。

为了比较样本熵和多维样本熵之间的性能差异，选择了13例患者。在癫痫发作前后，每个患者的样本熵和多维样本熵均以相同的EEG数据间隔进行计算。从图3(a)、(b)可以看出癫痫发作时样本熵的值趋于增加，但是癫痫发作前后的差异仍然不明显；而癫痫发作时多维样本熵值也呈现增加的趋势，并且癫痫发作前后多维样本熵值的差异比样本熵值更明显。如表1所示，多维样本熵的准确性(ACC)，召回率，特异性(SPC)和阳性预测值(PPV)均高于样本熵，显示了更优的性能。

表1样本熵和多维样本熵的性能比较

为了对比发现优化的多维样本熵在计算效率上的优势，截取了五组采样点为256、512、1024、2048和4096的EEG信号。分别计算每个片段的多维样本熵和优化的多维样本熵，并记录所需的时间。表2列出了计算样本熵和优化的多维样本熵的平均时间。可以看出，优化算法减少了计算时间。图4显示了计算时间随信号长度改变的曲线，随着信号长度的增加，优化的多维样本熵在计算效率方面的优势更加突出，因此也更适合临床诊断。

表2多维样本熵与优化的多维样本熵之间的计算时间比较

步骤(3)，根据优化的多维样本熵，用Bi-LSTM进行癫痫发作信号检测。将当前时刻之前计算得到的优化多维样本熵作为Bi-LSTM的输入，利用Bi-LSTM预测时间序列的功能，输出预测的接下来的多维样本熵。再通过Bi-LSTM的分类功能把预测的多维样本熵分为两类，即发作期和正常期。

有两种更新Bi-LSTM网络状态的方法。一个是使用预测值来更新预测的网络状态，并将先前的预测值用作函数的输入；另一个是使用观测值来更新预测的网络状态，并使用上一时刻的观测值来预测下一时刻。用RMSE来计算观察值与真实值之间的偏差，如图5(a)、(b)所示，当使用观察值更新网络状态时，预测结果更准确。所以本发明使用观测值来更新Bi-LSTM网络状态，并使用“Adam”优化器进行了250轮训练。为了防止梯度爆炸，将梯度阈值设置为1。将初始学习率指定为0.05，并在125轮训练后乘以0.2来降低学习率。如果学习率太小，收敛速度将非常慢；如果太大，则损失函数将振荡，甚至偏离最小值。因此，首先设置较大的学习速率，并且当两次迭代之间的变化低于阈值时，学习速率将降低。

图6显示了预测时间分别为2分钟、5分钟和10分钟的RMSE，可以看出随着预测时间的增加，RMSE也逐渐增加。这表明预测时间越长，误差越大。由于没有足够的时间来预防或控制癫痫发作，因此在癫痫发作前2分钟(干预时间)内产生的警报可以被忽略。结合多维样本熵和RMSE的值，将本发明的预测时间选择为5分钟。

在这项研究中，提出了一种新的特征多维样本熵用于区分癫痫发作状态和正常状态，并提出了一种用Bi-LSTM来预测癫痫发作的方法。首先从23道脑电信号中提取了多维样本熵的特征，并对算法进行了优化以提高计算效率。然后用Bi-LSTM预测接下来的多维样本熵。再对预测的多维样本熵进行分类，以确定癫痫是否将要发作。该方法取得了良好的结果，具有较高的准确率和较低的误报率，使医生以及患者有更充分的时间采取应对措施。

Claims

1.基于优化的多维样本熵的癫痫发作信号检测系统，包括信号采集与预处理模块，特征提取模块和预测模块，其特征在于该系统通过如下步骤运行：

步骤(1)、通过信号采集与预处理模块采集脑电数据并进行预处理；

步骤(2)、通过特征提取模块计算优化的多维样本熵；

①、构造多维向量；

优化的多维样本熵计算的原始数据为k道EEG信号，每道信号有N个采样点，m为嵌入维；构造的向量中的每个点都是一个k维的向量；每条通道采集的EEG信号有n个采样点，第一道信号的采样点为x₁₁、x₁₂、x₁₃、…、x_1n，第二道信号的采样点为x₂₁、x₂₂、x₂₃、…、x_2n，以此类推，第k道信号的采样点为x_k1、x_k2、x_k3、…、x_kn；提取每道信号第a个采样点，得到一个多维向量Q(a)＝(x_1a,x_2a,x_3a,…,x_ka)；嵌入维取m＝2，所以定义点X(a)＝[Q(a),Q(a+1)]；

计算Q(a)和Q(a+1)之间的距离D[Q(a),Q(a+1)]；由于Q(a)是一个多维向量，所以

其中O_D为欧氏距离；将计算所得的距离全部存入一个表中，以避免下次循环重复计算；

m＝2时，X(a)＝[Q(a),Q(a+1)]，X(a+1)＝[Q(a+1),Q(a+2)]，从表中取D[Q(a),Q(a+1)]和D[Q(a+1),Q(a+2)]，取较大者作为X(a)和X(a+1)间的距离；

设相似容限R，计算小于R的距离个数x₁，

计算所有

的平均值

m＝3时，X(a)＝[Q(a),Q(a+1),Q(a+2)]，X(a+1)＝[Q(a+1),Q(a+2),Q(a+3)],从表中取D[Q(a),Q(a+1)]、D[Q(a+1),Q(a+2)]和D[Q(a+2),Q(a+3)]，取最大者作为X(a)和X(a+1)间的距离；

设相似容限R，计算X(a)和X(a+1)间的距离小于R的距离个数x₂，

计算所有

的平均值

计算优化的多维样本熵SampEn＝-ln[B^m+1(R)/B^m(R)]；

步骤(3).通过预测模块，根据特征提取模块得到的优化的多维样本熵，用Bi-LSTM进行癫痫发作信号检测；将当前时刻之前计算得到的优化多维样本熵作为Bi-LSTM的输入，利用Bi-LSTM预测时间序列的功能，输出预测的接下来的多维样本熵；再通过Bi-LSTM的分类功能把预测的多维样本熵分为两类，即发作期和正常期，以达到癫痫发作信号检测的目的。