技術領域

本發明涉及一種腦電圖信號分類方法，可應用于醫學腦電圖信號等非平穩非線性信號分析與處理，屬于現代信號處理領域。

背景技術

腦電圖(EEG)信號是經過對引導電極周圍上億神經元電活動測量記錄而含有大量的關于腦部活動信息的信號，對腦部活動的評估有重要的臨床意義，是研究腦部功能狀態、神經疾病診斷和檢測的重要臨床工具。

對于EEG信號特征參數的提取對神經疾病的診斷意義重大。比如基于Fourier變換的頻譜就是一種對癲癇疾病檢測和診斷的重要特征。但是Fourier變換是一種全局的變換，無法表述信號的時頻局域特性，而信號的時頻局域特性正是非平穩信號的最根本最關鍵的性質，因此Fourier頻譜對于非平穩信號的分析有局限性。而腦EEG信號恰恰是一種非線性非平穩信號，因此一些諸如短時傅里葉變換、小波變換、多尺度小波變換、偽Wigner-Ville分布等基于時頻域分析的方法被人們利用以提取EEG信號的特征參數。

美籍華人N.E.Huang等人于1998年提出一種適合于分析非線性非平穩信號的方法，即經驗模態分解(EMD)(參見N.E.Huang?et?al,The?empirical?mode?decomposition?and?the?Hilbert?spectrum?for?nonlinear?and?non-stationary?time?series?analysis,Proc.Roy.Soc.Lond.A,vol.454(1998)903-995及U.S.Pat.No.5,983,162“Computer?implemented?empirical?mode?decomposition?method,apparatus?and?article?of?manufacture”)。它能把復雜信號分解為有限個(往往數目很少)本征模函數(IMF)，所分解出來的各IMF分量是一種單模態函數，包含了原信號的不同時間尺度的局部特征。EMD方法具有直觀、直接、后驗和自適應特點，并且一經提出就在雷達、聲納、地震、海洋、氣候、醫學不同的領域得到迅速有效的應用。經驗模態分解方法也在EEG信號的分析處理中得到應用。

在EEG信號分析中，確定發作性事件是否為癲癇發作、確定癲癇發作類型等腦電圖信號分類問題的研究有助于臨床上正確診斷癲癇疾病、確定癲癇灶。R.B.Pachori等發現在提取諸如頻率均值、解析信號復平面軌跡面積等特征參數以便對癲癇信號分類方面，分析EEG信號的本征模函數的特征參數比直接分析腦電圖信號特征參數更有意義，這是因為實際測得的EEG信號也是多模態而非單模態的。近年來，最小二乘支持向量機(LS-SVM)技術在癲癇-健康腦電圖信號、癲癇發作-非發作腦電圖信號等分類中應用越來越引起人們的關注。基于支持向量機技術的腦電圖信號分類一般地可以概括為圖3示框圖。其中最重要的是第二部分如何對原EEG信號的特征提取，該部分提取的特征作為下一部分支持向量機的輸入直接影響支持向量機分類的可靠性，因此該部分提取的特征必須包含原EEG信號的重要特征。比如Siuly等利用聚類技術提取信號各子段的最小值、最大值、均值、中間數、眾數等9個統計特征參數作為最小二乘支持向量機的輸入(參見Siuly，Y.Li?and?P.Wen,Clustering?technique-based?least?square?support?vector?machine?for?EEG?signal?classification,Comput.Methods?Progr.Biomed.,Vol.104(2011)358–372.)；R.B.Pachori等通過EMD和希爾伯特變換得到的解析信號表示提取原EEG信號的各個本征模函數的調幅帶寬和調頻帶寬特征參數作為最小二乘支持向量機的輸入，而且通過比較發現該方法具有更高的分類精度(V.B.Bajaj?and?R.B.Pachori,Classification?of?seizure?and?non-seizure?EEG?signals?using?Empirical?Mode?Decomposition,IEEE?Early?access?articles?Tran.Inform.Tech.Biomed.(99)(2011),1–7.)。通過信號的解析表示得到帶寬和經驗調幅-調頻分解方法簡介如下：

瞬時頻率是非平穩非線性信號的一個重要參數，而信號的帶寬是信號的頻率成分的一種刻畫。一個非平穩信號一般地可以表示為：x(t)=a(t)cosθ(t)，其中a(t)和θ(t)分別為信號的瞬時幅值和瞬時相位。為分析方便通常將實信號表示成復信號的形式，比如：