該文提出一種基于可調(diào)Q因子小波變換的熵特征提取方法用于癲癇腦電的快速檢測。首先,利用TWQT算法對腦電信號進(jìn)行分解,計(jì)算分解后得到的小波子帶的中心頻率;隨后,選擇對應(yīng)癲癇發(fā)作時(shí)異常波段頻率范圍的子帶進(jìn)行小波重構(gòu),并對重構(gòu)信號提取排序熵和規(guī)則性指數(shù)等熵特征;最后,選擇包括支持向量機(jī)、隨機(jī)森林、極端梯度提升在內(nèi)的多種分類器進(jìn)行分類實(shí)驗(yàn)。實(shí)驗(yàn)中采用德國波恩大學(xué)癲癇研究中心的公開數(shù)據(jù)集和UPenn and Mayo Clinic′s Seizure Detection Challenge數(shù)據(jù)集進(jìn)行驗(yàn)證,所提出的方法針對小樣本數(shù)據(jù)集可以達(dá)到99.3%的準(zhǔn)確率,100%的靈敏度以及98.6%的特異度,體現(xiàn)了該算法的有效性。 

【文章來源】：西北大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020,50(04)北大核心CSCD

【文章頁數(shù)】：11 頁

【部分圖文】：

基于TWQT和熵特征的腦電信號分類檢測流程圖

圖4為重構(gòu)信號的排序熵與規(guī)則性指數(shù)的箱型圖。可以看出,癲癇發(fā)作期的PE值低于癲癇發(fā)作間期,OI值高于癲癇發(fā)作間期。這表明癲癇發(fā)作期的腦電序列復(fù)雜度更低。表 2 波恩大學(xué)數(shù)據(jù)集中小波子帶對應(yīng)的中心頻率Tab.2 Center frequency corresponding to wavelet subbands in the Bonn University dataset 分解層數(shù) 中心頻率/Hz 1 86.81 2 38.19 3 28 4 20.54 5 15.06 6 11.05

Q因子主要影響子波的振蕩特性,Q的值越大,小波振蕩頻次越高,Q值越小,小波振蕩頻次越低;參數(shù)r是TWQT在無限多層J計(jì)算時(shí)的冗余度,在實(shí)驗(yàn)中,為了能夠使得分解后的小波具有局域化時(shí)域特征的能力,通常選擇r≥3;小波變換的階數(shù)(或?qū)訑?shù))用J表示,TQWT的分解原理與傳統(tǒng)的小波變換相似,采用迭代的雙通道濾波器對信號進(jìn)行分解,每個(gè)濾波器組的低通輸出作為輸入到后續(xù)的過濾器組。每個(gè)輸出信號構(gòu)成小波變換的一個(gè)子帶,最終得到J+1個(gè)子帶,其中包括高通濾波器輸出的每個(gè)濾器組的信號,以及最終濾波器組的低通濾波器輸出的信號,它表征了信號中所含低頻分量的細(xì)化程度。例如,一個(gè)3階TWQT如圖1所示[16]。TWQT的低通濾波器H0(ω)和高通濾波器H1(ω)具有合理的傳遞函數(shù),因此在計(jì)算時(shí)具有很高的效率,其表達(dá)式如下:

【參考文獻(xiàn)】：
期刊論文
[1]基于支持向量機(jī)的癲癇腦電信號模式識別研究[J]. 黃瑞梅,杜守洪,陳子怡,張振,周毅.  生物醫(yī)學(xué)工程學(xué)雜志. 2013(05)
[2]Tunable Q-factor wavelet transform denoising with neighboring coefficients and its application to rotating machinery fault diagnosis[J]. HE WangPeng,ZI YanYang,CHEN BinQiang,WANG Shuai,HE ZhengJia.  Science China（Technological Sciences）. 2013(08)
[3]癲癇發(fā)病機(jī)制的研究進(jìn)展[J]. 孫殿榮,鄒曉毅.  華西醫(yī)學(xué). 2004(03)



本文編號：3431754