一种基于ANFIS的癫痫脑电信号分类方法

摘要

本发明提供一种基于ANFIS的癫痫脑电信号分类方法，包括以下具体步骤：S1：收集癫痫脑电信号数据集；S2：对癫痫脑电信号做预处理；S3:对预处理之后的癫痫脑电信号做特征提取；S4:构件癫痫脑电信号分类模型，将步骤S1获取的癫痫脑电信号数据集及步骤S3提取的癫痫脑电信号特征代入癫痫脑电信号分类模型进行训练，得到训练好的癫痫脑电信号分类模型；S5：将训练好的癫痫脑电信号分类模型，代入新的癫痫脑电信号进行预测，输出为癫痫发作时期脑电信号或非癫痫发作时期脑电信号。比于其他的分类方法，准确度高，测量误差值低。

说明书

技术领域

本发明属于神经信息技术领域，涉及一种基于ANFIS的癫痫脑电信号分类方法。

背景技术

癫痫是大脑神经元异常发电，导致短暂性脑功能障碍的慢性疾病。世界卫生组织一直将癫痫作为重点防治的五大精神疾病之一，据世界卫生组织2018年发布的实况报导，全球有约5000万人患有癫痫，其中80％分布在发展中国家，中国作为世界上最大的发展中国家，我国深受癫痫疾病的困扰。据中国卫生部统计，我国有900万以上人群患有癫痫症状，并以每年60万例的速度增加。

立体脑电图(Intracranial electroencephalogram，简称为iEEG)是用于癫痫诊断治疗的重要手段。脑电信号中包含了大量的生理信息和疾病信息，在临床医学方面，脑电信号处理不仅可为某些脑疾病提供诊断依据，而且还为某些脑疾病提供了有效的治疗手段。在目前情况下，癫痫病情的实际诊断的方法主要依靠经验丰富的医生分析病人的iEEG信号的波形、幅度和频率等直观特征。然而仅靠医生人力诊断癫痫疾病不仅效率低下，而且判断精度也有待提高。如何建立一个有效的癫痫脑电信号预测方法，能快速且准确的预测出一段脑电信号是否是癫痫发作时期的信号，能对患者的治疗和生活有很大的帮助，针对临床医生能有效地减少工作量。

目前，随着人工智能时代的到来，人工神经网络和模糊推理系统被相继应用于各个研究领域。前者是一种基于模仿大脑神经网络结构和功能而建立起来的神经网络，能够对外界的信息进行学习并做出相应的处理决策；后者是针对客观存在的事物类别之间没有精确的界限这一现象提出，相比归纳推理与演绎推理，模糊推理包含有更多不确定因素，针对脑电信号分类，存在脑电信号中含有许多噪音这些不确定信息。

发明内容

本发明的目的是提供一种基于ANFIS的癫痫脑电信号分类方法，该分类方法准确度高、测量误差低。

本发明所采用的第一个技术方案是：一种基于ANFIS的癫痫脑电信号分类方法，包括以下具体步骤：

S1：收集癫痫脑电信号数据集；

S2：对癫痫脑电信号做预处理；

S3:对预处理之后的癫痫脑电信号做特征提取；

S4:构件癫痫脑电信号分类模型，将步骤S1获取的癫痫脑电信号数据集及步骤S3提取的癫痫脑电信号特征代入癫痫脑电信号分类模型进行训练，得到训练好的癫痫脑电信号分类模型；

S5：将训练好的癫痫脑电信号分类模型，代入新的癫痫脑电信号进行预测，输出为癫痫发作时期脑电信号或非癫痫发作时期脑电信号。

本发明的第一个特点还在于，

步骤S1中将癫痫脑电信号数据集分为癫痫发作时期信号和非癫痫发作时期信号两种类型。

癫痫发作时期信号标记为“-1”，所述非癫痫发作时期信号标记为“1”。

步骤S2预处理的具体步骤为：将癫痫脑电信号划分为20s的信号片段，做6组带通滤波，其频率区间分别为0.5-4Hz、4-8Hz、8-13Hz、13-30Hz、30-80Hz、80-150Hz。

步骤S3特征提取采用6种不同的熵进行特征提取，分为：信息熵、Renee熵、排列熵、近似熵、模糊熵、样本熵。

步骤S4中癫痫脑电信号分类模型包括5层，具体地为：

第一层为模糊化层，为每一个输入生成隶属度函数，得到第一层的输出O

第二层为规则层，其输出是所有输入信号的代数积，每个节点的输出表示一条规则的激励强度，其计算公式为：

式中，O

第三层为归一化层，将每条规则的激励强度归一化，其计算公式为：

式中，O

第四层为去模糊层，计算每一个节点的权重值，其计算公式为：

式中，O

第五层为输出层，对去模糊层的输出求合并作为总输出，其计算公式为：

式中，O

本发明的有益效果是：一种基于ANFIS的癫痫脑电信号分类方法，以癫痫脑电信号数据集作为输入数据，将输入数据进行预处理、提取特征，构建癫痫脑电信号分类模型，将输入数据和提取特征后的数据代入到癫痫脑电信号分类模型中进行训练，得到训练好的癫痫脑电信号分类模型，该训练好的癫痫脑电信号分类模型输出癫痫脑电信号是否为癫痫发作时期信号的输出数据；将一组新的未经学习的脑电信号代入训练好的癫痫脑电信号分类模型中，判断输出后的数据是否是癫痫发作时期的信号。本发明的一种基于ANFIS的癫痫脑电信号分类方法相比于其他的分类方法，准确度高，测量误差值低。

附图说明

图1是本发明一种基于ANFIS的癫痫脑电信号分类方法流程图；

图2是本发明一种基于ANFIS的癫痫脑电信号分类方法所采用Bern数据集中一组癫痫时期和非癫痫时期脑电信号的示例；

图3为本发明一种基于ANFIS的癫痫脑电信号分类方法所用的ANFIS的结构图；

图4为本发明一种基于ANFIS的癫痫脑电信号分类方法实施例一分类的结果。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

一种基于ANFIS的癫痫脑电信号分类方法，如图1所示，包括以下步骤：

S1：收集癫痫脑电信号数据集；

收集癫痫脑电信号数据集为收集波恩-巴塞罗那(Bern-Barcelona，简称为Bern)数据集和波士顿儿童医院(Children’s Hospital Boston，简称为CHB)数据集；

将波恩-巴塞罗那数据集的癫痫脑电信号分为癫痫发作时期信号和非发作时期信号两种类型；癫痫发作时期信号标记为“-1”，非癫痫发作时期信号标记为“1”，如图2所示；

将波士顿儿童医院数据集的癫痫脑电信号分为癫痫发作时期信号和非发作时期信号两种类型；癫痫发作时期信号标记为“-1”，非癫痫发作时期信号标记为“1”，

S2：对癫痫脑电信号做预处理；

采集的波恩-巴塞罗那的数据集为20s的信号片段的数据集，将该Bern的数据集做6组带通滤波，其频率区间分别为0.5-4Hz、4-8Hz、8-13Hz、13-30Hz、30-80Hz、80-150Hz；

采集的波恩-巴塞罗那数据集信号较长，先该数据集划分为20s的信号片段，再做6组带通滤波，其频率区间分别为0.5-4Hz、4-8Hz、8-13Hz、13-30Hz、30-80Hz、80-150Hz；

S3:对预处理之后的癫痫脑电信号做特征提取，得到提取的癫痫脑电信号特征；

特征提取具体方法采用种不同的熵进行特征提取，分别为：信息熵、Renee熵、排列熵、近似熵、模糊熵、样本熵；

S4:构件基于自适应神经模糊推理系统的癫痫脑电信号分类模型，并对步骤S1获取的癫痫脑电信号数据集及步骤S3提取的癫痫脑电信号特征代入癫痫脑电信号分类模型进行训练，得到训练好的癫痫脑电信号分类模型；

步骤S4的基于自适应神经模糊推理系统的癫痫脑电信号分类模型包括5层，如图3所示，具体地为：

第一层为模糊化层，为每一个输入生成隶属度函数O

隶属度函数可以为高斯函数、三角函数或钟型函数，高斯函数公式如下所示：

式中，O

第二层为规则层，其输出是所有输入信号的代数积，每个节点的输出表示一条规则的激励强度，其计算公式为：

式中，O

第三层为归一化层，将每条规则的激励强度归一化，其计算公式为：

式中，O

第四层为去模糊层，计算每一个节点的权重值，其计算公式为：

式中，O

第五层为输出层，对去模糊层的输出求合并作为总输出，其计算公式为：

式中，O

S5：将训练好的癫痫脑电信号分类模型，代入新的癫痫脑电信号进行预测，输出为癫痫发作时期脑电信号或非癫痫发作时期脑电信号。

实施例一

采用Matlab R2018b编程实现本发明一种基于ANFIS的癫痫脑电信号分类方法的方法。实验平台主要配置为：操作系统为Windows10，CPU为Intel Core i7 5600U，RAM为8G。

依据以上所构建的基于ANFIS的癫痫脑电信号分类模型，如图1所示，该模型的一个应用实例如图4所示，具体步骤为：

1.收集波恩-巴塞罗那(Bern))和波士顿儿童医院(CHB)癫痫脑电信号数据集，选取CHB数据集中通道1的FP1-F7所记录的脑电信号，其中FP1和F7为电极编号；

2.选定数据后，将所选定的脑电信号数据划分为20-s的片段；

3.使用带通滤波模型对划分后的数据滤波，具体频率区间分别为0.5-4Hz、4-8Hz、8-13Hz、13-30Hz、30-80Hz、80-150Hz；对滤波后的数据做特征提取，具体方式为，计算滤波后的脑电信号的6种熵：香农熵、Renee熵、排列熵、近似熵、模糊熵、样本熵；所求提取特征具体结果为：香农熵＝1.9073，Renee熵＝0.2628，排列熵＝0.8903，近似熵＝1.0225，模糊熵＝0.0370，样本熵＝1.9073.

4.将提取特征结果参数输入到训练好的癫痫脑电信号分类模型中后，其中，该模型中的ANFIS算法使用利用减法聚类从数据中生成模糊逻辑推理系统结构的genfis2函数，其中向量radii设为0.2，隶属度函数为高斯函数，训练次数为300次，该模型的输出为1，即非癫痫时期脑电信号。