[发明专利]一种基于TQWT和熵特征的癫痫脑电信号特征提取方法

说明书

本发明涉及一种基于TQWT和熵特征的癫痫脑电信号特征提取方法，包括下列步骤：对患者的脑电信号进行采集；预处理；利用TQWT算法将预处理后的脑电信号进行分解，表征成为几个子带；子带数目是迭代次数加一，即为(J+1)个子带，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；在分解完成的子带上对熵特征进行提取，本发明将脑电信号中的香农熵和排列熵进行后续识别分类；第五步，采用PSO粒子群算法优化过的LSTM神经网络计算提取出的熵特征进行分类。

技术领域

本发明涉及癫痫脑电信号的特征提取方法，属于医学信号与图像处理领域。

背景技术

长时间以来，癫痫疾病一直是医学领域一个棘手的疾病。因为它发病急，难以预防和预测，在临床研究中常常需要花费大量时间进行检测。如何提高癫痫检测的效率，并且提高检测的准确度，是医学信号与图像处理领域一直在孜孜不倦探求的问题。

为了提高准确性和效率，可以在特征提取和模式匹配模块进行一定程度的优化。由于扭曲的生理信号要比普通的生理信号具有更高的熵特征，所以在对癫痫脑电信号进行处理分类的时候，提取熵特征有时是非常高效准确的。在癫痫脑电信号中，可以提取出香农熵、近似熵、排列熵、样本熵、频谱熵、分布熵、模糊熵等熵特征，将这些熵特征提取出来，可以更好的分析脑电信号的癫痫类别或是发病与否。

发明内容

本发明的目的是提供一种效率较高，可以用于信号模式识别的癫痫脑电信号的特征提取方法。技术方案如下：

一种基于TQWT和熵特征的癫痫脑电信号特征提取方法，包括下列步骤：

第一步，对患者的脑电信号进行采集；

第二步，对原始脑电信号进行预处理，以消除噪声、运动伪影和肌电信号的干扰；

第三步，利用TQWT算法将预处理后的脑电信号进行分解，表征成为几个子带；子带数目是迭代次数加一，即为(J+1)个子带，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，

在分解过程中，高通滤波器和低通滤波器分别有各自的传递函数H(w)，其中低通滤波器的传递函数为

高通滤波器的传递函数为

两个传递函数满足重构条件

|H₁(ω)|²+|H₂(ω)|²＝1

其中α，β为滤波器自带参数，θ(ω)为Daubechie规范正交基；

α+β1，αβ≤1

第四步，在分解完成的子带上对熵特征进行提取，本发明将脑电信号中的香农熵和排列熵进行后续识别分类；

第五步，采用PSO粒子群算法优化过的LSTM神经网络计算提取出的熵特征进行分类。

本发明采用TQWT算法去提取熵特征，TQWT可以通过改变冗余度和品质因子等相关参数，去优化性能，找寻更适合每个实验样本的特征提取方法，大大地提高学习效率，另一方面，将熵特征作为特征提取出来，也能提高准确度，这是因为本发明要识别的是癫痫脑电信号，它属于生理信号，扭曲的生理信号比正常情况下的生理信号具有更高的熵值。

附图说明

图1识别流程图

图2分解子带示意图

具体实施方式