[发明专利]一种基于多模态信息的癫痫发作时间段检测系统及方法

说明书

一种基于多模态信息的癫痫发作时间段检测系统及方法，检测系统包括生理信号采集模块A、预处理模块B、特征提取模块C、分类识别模块D四个模块；基于这四个模块，先采集癫痫患者的发作期和非发作期的多模态生理信号；再对多模态生理信号按时间长度划分移动窗并进行质量筛选，根据加速度计信号初步识别癫痫发作期和非发作期时间段，进行信号处理去除噪声干扰；然后提取移动窗各模态信号的时域和频域特征；最后结合交叉验证使用代价敏感支持向量机进行识别分类；本发明使用的多模态生理信号能够很好地表征癫痫发作时间段的生理变化情况，具有明确的临床解释，以其时域和频域特性为特征值，结合CSVM分类，检测癫痫发作时间段，具有较高的灵敏度和较低的误报率。

技术领域

本发明涉及生物医学信号处理技术领域，特别涉及一种基于多模态信息的癫痫发作时间段检测系统及方法。

背景技术

癫痫是一种常见的脑功能障碍性神经疾病，癫痫发作具有反复性和突然性，常导致二次伤害，如摔伤、烫伤等，严重者甚至危及生命。癫痫发作是由于大脑神经元突发性异常和过度放电，导致短暂的大脑功能障碍。除此之外，癫痫发作还与多种非脑电信号存在相关性。研究发现癫痫发作时皮肤电导信号的幅度将会升高且高频带功率增大、加速度信号的频率升高、表面肌电信号的幅度和频率也会升高。

脑电图是癫痫监测的金标准，但脑电帽的使用将给患者的日常生活带来诸多不便。因此，基于非脑电信号的自动检测技术一直是癫痫监测工作中的迫切需求。要使癫痫发作时间段的自动检测技术能够应用到日常生活中，需要该技术能够很好的判断出癫痫发作期和非发作期的信号，并在分类时能保证较高的灵敏度和较低的误报率。目前用到的一些癫痫信号检测方法如下：Johansson等人提出了一种利用加速度计信号的时域和频域特性为特征值的算法；Halford等人通过对表面肌电信号进行Hotelling’s T²功率分析得到检测结果；Beniczky等人基于过零点次数对表面肌电数据进行分类；而Onorati等人根据加速度和皮肤电导的三种特征集分别进行支持向量机分类，降低误报率。同时研究指出癫痫发作检测算法对某些癫痫发作事件的不敏感导致了大量误报和漏报现象。Judith等人发现设备无法检测到持续时间短且没有明显运动的发作事件。MIT团队发现由于某次发作运动不剧烈且皮肤电导无明显变化，设备产生了漏报。Heldberg等人发现某些日常活动也会引起皮肤电导幅度突增，继而产生大量误报。

目前所采用的癫痫信号检测方法多使用一种或两种非脑电生理信号，并没有考虑到癫痫发作是一个复杂的过程，多种生理参数都会发生变化，部分生理参数组合在一定程度上丢失了患者发作时的信息，限制了检测算法的性能。

发明内容

为了克服上述现有技术的缺陷，本发明的目的在于提供一种基于多模态信息的癫痫发作时间段检测系统及方法，融合加速度计、表面肌电和皮肤电导信号的时域和频域特性，使用代价敏感支持向量机以区分癫痫发作期和非发作期信号。

癫痫发作时，加速度信号的频率一般在2Hz以上，而日常活动的频率在0.3～3.5Hz范围内，因此，我们可以通过对移动窗的加速度信号进行分析，初步识别出有明显特征的癫痫非发作期样本。然后对其余时间段以所有生理信号时域和频域特性作为特征值输入到代价敏感支持向量机中进行识别分类。该方法使用的ACM、sEMG和EDA信号在癫痫发作时的特征与正常行为具有显著差异，能够较为完备地反映癫痫发作时间段的生理变化情况，具有明确的临床解释，结合三种信号进行癫痫发作时间段检测具有较高的灵敏度和较低的误报率。

为了达到上述目的，本发明的技术方案为：

一种基于多模态信息的癫痫发作时间段检测系统，包括生理信号采集模块A、预处理模块B、特征提取模块C和分类识别模块D：

所述的生理信号采集模块A：用于采集癫痫患者的发作期和非发作期的多模态生理信号，多模态生理信号包括六轴加速度计信号ACM、表面肌电信号sEMG、皮肤电导信号EDA；