基于TWQT和熵特征的癫痫脑电快速检测

发布时间：2021-10-12 02:56

　　该文提出一种基于可调Q因子小波变换的熵特征提取方法用于癫痫脑电的快速检测。首先,利用TWQT算法对脑电信号进行分解,计算分解后得到的小波子带的中心频率;随后,选择对应癫痫发作时异常波段频率范围的子带进行小波重构,并对重构信号提取排序熵和规则性指数等熵特征;最后,选择包括支持向量机、随机森林、极端梯度提升在内的多种分类器进行分类实验。实验中采用德国波恩大学癫痫研究中心的公开数据集和UPenn and Mayo Clinic′s Seizure Detection Challenge数据集进行验证,所提出的方法针对小样本数据集可以达到99.3%的准确率,100%的灵敏度以及98.6%的特异度,体现了该算法的有效性。 

【文章来源】：西北大学学报(自然科学版). 2020,50(04)北大核心CSCD

【文章页数】：11 页

【部分图文】：

基于TWQT和熵特征的脑电信号分类检测流程图

图4为重构信号的排序熵与规则性指数的箱型图。可以看出,癫痫发作期的PE值低于癫痫发作间期,OI值高于癫痫发作间期。这表明癫痫发作期的脑电序列复杂度更低。表 2 波恩大学数据集中小波子带对应的中心频率Tab.2 Center frequency corresponding to wavelet subbands in the Bonn University dataset 分解层数 中心频率/Hz 1 86.81 2 38.19 3 28 4 20.54 5 15.06 6 11.05

Q因子主要影响子波的振荡特性,Q的值越大,小波振荡频次越高,Q值越小,小波振荡频次越低;参数r是TWQT在无限多层J计算时的冗余度,在实验中,为了能够使得分解后的小波具有局域化时域特征的能力,通常选择r≥3;小波变换的阶数(或层数)用J表示,TQWT的分解原理与传统的小波变换相似,采用迭代的双通道滤波器对信号进行分解,每个滤波器组的低通输出作为输入到后续的过滤器组。每个输出信号构成小波变换的一个子带,最终得到J+1个子带,其中包括高通滤波器输出的每个滤器组的信号,以及最终滤波器组的低通滤波器输出的信号,它表征了信号中所含低频分量的细化程度。例如,一个3阶TWQT如图1所示[16]。TWQT的低通滤波器H0(ω)和高通滤波器H1(ω)具有合理的传递函数,因此在计算时具有很高的效率,其表达式如下:

【参考文献】：
期刊论文
[1]基于支持向量机的癫痫脑电信号模式识别研究[J]. 黄瑞梅,杜守洪,陈子怡,张振,周毅.  生物医学工程学杂志. 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]癫痫发病机制的研究进展[J]. 孙殿荣,邹晓毅.  华西医学. 2004(03)



本文编号：3431754