[发明专利]基于脑电信号的卒中严重程度分类预测模型建立方法

说明书

本发明公开了一种基于脑电信号的卒中严重程度分类预测模型建立方法。首先，在实验过程中记录了受试者的脑电信号。对脑电信号进行预处理。然后通过方差分析筛选delta频带相对功率、theta频带相对功率、alpha频带相对功率、beta频带相对功率、delta频带相对功率与alpha频带相对功率之比、较慢频率相对功率与较快相对功率之比、大脑对称指数中的特征值。最后使用机器学习构建模型来区分卒中严重程度。本发明提出了以方差分析为基础筛选特征值，搭配机器学习输出正确率的方法构建卒中严重程度分类方法。本发明提供的模型，根据正常人以及不同卒中严重程度患者脑电提取的特征值，能够更加有效的区分卒中严重程度。

技术领域

本发明属于生物电信号处理领域，涉及一种基基于脑电信号的卒中严重程度分类预测模型建立方法。

背景技术

中风是全球成人残疾的主要原因，脑电图是诊断中风的最重要技术之一，被认为是评估大脑活动变化的标准工具，具有毫秒级的时间分辨率。中风的严重程度和发现中风的治疗速度对残疾和死亡率有很大影响。然而，尽管存在与卒中预后相关的人口统计学、临床和影像学因素，但由于个体差异较大，对卒中短期和长期预后的早期预测仍具有挑战性。因此，寻找能够将不同中风严重程度与对照组区别开来作为特征值的生物信号是极其重要的。

目前，神经影像学和临床评估已被证明在缺血性卒中的诊断中起关键作用。治疗资格主要根据入院后的神经影像学确定，但重要的是尽快区分符合再灌注条件的患者和不符合条件的患者。如果能在入院前做到这一点，可以调动团队的积极性，优化临床管理，将有助于为患者实现最佳的临床管理和效果，更有效地利用医疗服务资源。

中风相关神经功能缺损最常用的评估方法是：美国国立卫生研究院卒中量表、核磁共振成像或电子计算机断层扫描灌注技术，这些方法通耗时久、费用高。而脑电图是一种无创、廉价、时间分辨率高的诊断方法，有助于快速记录大脑的电活动，已被用作脑卒中的诊断和预后工具。脑电图在评估脑功能障碍方面具有重要价值。一些研究表明，在任何临床变化之前，持续监测脑电图指数可以为立即评估缺血性卒中再灌注治疗的有效性提供信息。此外，脑电图可以为不断变化的脑病理生理学提供连续监测，而脑动脉的电子计算机断层扫描血管造影等技术则不能。在脑卒中监测中有很多有价值的脑电图指标，如总功率、相对delta和alpha功率、较慢和较快频率的比值以及脑对称性指标，通常用于评估是否是脑卒中的工具。

不同严重程度的卒中患者接受的治疗大相径庭。重度患者卒中患者需要被确保快速地运送到提供紧急再灌注治疗的医院。轻度卒中被误判成重度卒中、院前检查漏掉多达30％的重度卒中患者等问题严重影响患者治疗效果。快速有效地诊断卒中严重程度可为治疗提供宝贵的时间，如果成功地发现了判断卒中严重程度的特征值，将很大程度节约患者接受治疗的时间，这有利于患者的治疗恢复。因此，快速的区分卒中严重程度势在必行。

发明内容

为了克服现有技术中存在的不足，本发明提供了一种基于脑电信号的卒中严重程度分类预测模型建立方法。

本发明首先采集了受试者静息握拳状态下的脑电信号，通过Matlab中 eeglab工具箱对脑电信号进行预处理。然后用单因素方差分析筛选判断卒中严重程度的特征值。最后，使用机器学习分类器对提取的特征值进行准确性拟合，从而完成建模。

为了实现以上目的，本发明方法主要包括以下步骤：

步骤1：采集正常人，轻度卒中患者、中度卒中患者、重度卒中患者脑电图。

步骤2：脑电信号预处理。

步骤3：脑电信号计算。

步骤4：通过方差分析提取特征值。

步骤5：将特征值输入机器学习分类器，进行准确性计算。

步骤5-1：将特征值输入支持向量机并进行准确性计算。

步骤5-2：将特征值输入决策树并进行准确性计算；