一种ADHD的诊断模型建立方法、存储模块以及处理设备与流程

本发明涉及疾病诊断领域，更具体地说，涉及一种adhd的诊断模型建立方法、存储模块以及处理设备。

背景技术

在医学上，脑电波检查在医生的医疗评估、诊断以及医疗进程监察中起到重要作用，其应用范围包括脑肿瘤﹑脑炎、脑功能衰退、癫痫及脑损伤等各类脑疾病。此外，该技术也正应用于人类的其他健康问题的研究，扩展了脑电信号检测及分析技术的范围。

儿童的健康成长与发育一直受到家长和社会的高度重视。但是儿童在成长和发育阶段显现出的有些问题比如自闭症、多动症、弱智等则不像其他疾病那么明显而被及时发现。注意缺陷多动障碍(attentiondeficithyperactivitydisorder,adhd)通常被称为多动症，是儿童时期最常见的精神疾病，世界范围内约有5％的儿童受到adhd的影响，表现主要为控制力差、多动、冲动等症状，这些病症会随儿童成长而一直存在。有大约一半的adhd儿童的上述问题持续至青少年甚至成人期，并伴随譬如违法犯罪、社会功能不良、学习成绩下等问题的发生。实践证明，及早地发现与及时的干预，能有效地矫正儿童的多动症、弱智或自闭症等疾病，目前，这些疾病的诊断可以通过对脑电波的检测和分析来完成。

技术实现要素：

本发明要解决的技术问题在于，针对现有对adhd诊断存在准确率较低以及诊断时间慢的技术缺陷，提供了一种adhd的诊断模型建立方法、存储模块以及处理设备。

本发明公开了一种adhd的诊断模型建立方法、存储模块以及处理设备，该dhd的诊断模型用于对adhd进行识别，本发明首先获取离散的脑电样本信号x(n)，然后对x(n)进行db5小波的5层小波分解，分别读取a5、d5、d4、d3以及d2尺度的小波分解系数矩阵，并计算小波分解系数的能量值，再造能量特征向量t，并对脑电信号能量值ej进行归一化，得到归一化后的特征向量为e'j以得到归一化后能量特征矩阵，最后将归一化后能量特征矩阵作为svm分类器的输入，径向基核函数作为核函数进行脑电波的模式识别，并将进行模式识别后的训练模型作为adhd的诊断模型。利用本发明所建立的诊断模型进行adhd的识别，速度快，准确率高。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是尺度为5的小波分解树示意图；

图2是基于小波分解的eeg信号的各频带重构信号；

图3是基于wt和svm的脑电信号分类识别原理框图；

图4是分类正确率随参数d的变化曲线；

图5是分类正确率随参数(g，c)的变化曲线；

图6是网格搜索法寻优结果图；

图7是adhd的诊断模型建立方法的流程图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。

adhd脑电信号的特征值提取：

脑电信号由多个频率成分构成，含有大量有用信息，选择适当的方法对脑电波形进行分析并提取病理特征至关重要。正常脑电信号和adhd脑电信号能量空间分布不同，能量的改变也就意味着脑电信号特征的改变，而小波变换(wavelettransform，wt)分析方法可将脑电信号按照不同频率分解出来单独分析，因此可以采用多分辨率小波联合时频分析方法对脑电信号这样的典型非平稳信号进行多尺度能量特征提取。

脑电信号的小波分解：

多分辨率小波分析实际上就是把信号分解为低频的逼近信号和高频的细节信号，再对低频部分的信号做第二次分解，再次分解为逼近信号和细节信号两个部分，然而对高频的信号做进一步处理，依次分解即得到了不同频率段的分解系数。小波分解树(尺度为5时)如图1所示，其中a代表逼近信号，d代表细节信号，紧跟其后的序号则为分解的层数。然后利用小波分解系数对信号进行重构，则可以得到不同节律的脑电信号。

选择合适的小波和合理的分解层数对于特征值的提取非常重要，本文使用db5小波作为母小波，将采集到的原始脑电数据进行5阶小波分解，然后对每层的小波系数重构，即可得到相对应的脑电节律信号。

按照上述方法，在matlab中通过编程进行脑电信号分解、重构，得到频谱分析结果如图2所示。

利用小波变换技术对原始脑电信号进行分解得到各层的小波系数，经过对其重构得到不同脑电节律，然后再对不同脑电节律进行谱分析，分析结果如图2所示。

脑电信号的各个细节信号随着小波分解的尺度从小到大，按照高频到低频依次被分解出来，肌电以及工频干扰主要表现在d2尺度上(频率为31.25～62.5hz)，脑电β波主要分别在d3尺度上(频率为15.6～31.25hz)，α波主要分布在d4尺度上(频率为7.8～15.6hz)，θ波主要分布在d5尺度上(频率为3.91～7.8hz)，δ波主要分布在a5尺度上(频率为0.97～3.91hz)。通过小波多分辨率分析，原始脑电信号被分解到不同频率带上，对得到的不同脑电节律做进一步的研究。

使用归一化频率，提取的这5个频率段所代表的频率范围，如表1所示。

表1:各频段的频率范围

脑电信号的特征值提取：

由于离散脑电信号进行小波多分辨率分析后所得到的系数矩阵维数非常高，若直接采用这些数据进行分类识别，操作时将十分不便，分类效果也不好。而信号能量能较好的表示信号的特征，因此本发明构造脑电信号的能量特征向量，该方法可大大降低矩阵的维数，可以准确地对adhd儿童进行识别及分类。

本发明采用上节分解得到的不同脑电节律的能量作为特征向量进行分类，对离散脑电信号的幅度值进行平方和累加就可以得到脑电信号的能量。

式中|xij|表示第j个频率段中第i个点的幅度值。脑电信号能量值ej表征了原始脑电信号在第j个频率段内，某一时间段的能量值的多少，即反应了原始脑电信号在该频率段内的特征。

将时频能量值定义为信号特征，则信号特征的提取步骤如下：

步骤l：获取离散的脑电信号x(n)；

步骤2：对x(n)进行db5小波的5层小波分解，读取各尺度的小波分解系数矩阵，按式(1)计算小波分解系数的能量值；

步骤3：构造能量特征向量。

按照以上的步骤所构造的能量特征向量t如下

t＝[ea5，ed5，ed4，ed3，ed2](2)

信号能量ej一般是一个较大的数值，会对后续的分类识别带来不便，因此可对脑电信号能量ej进行归一化，定义归一化后的特征向量为e'j，e'j可采用以下三个公式之一算得:

本发明采用式(5)对信号能量进行归一化处理。

这样就可得到脑电信号不同频率段的能量值。按照上述的算法，对adhd儿童及正常儿童脑电信号进行处理，构造能量特征向量。

特征值提取结果：

实验数据a组(正常儿童)和b组(adhd儿童)各80个，按上节方法依次处理这160个脑电信号，可以得到160*4的能量特征值矩阵，这些矩阵表征了adhd脑电信号的特征。从所得到的正常儿童和adhd儿童的各80个特征值矩阵中分别随机提取5个，其能量特征如表2所示。

表2:脑电信号各频带能量

每个能量特征值都表征了一组小波系数，可以反映出脑电信号时频两域的信息。从表2可见，adhd儿童的脑电能量特征值中，θ波的能量特征值明显高于正常儿童，β波、α波的能量特征值明显低于正常儿童。在得到脑电信号的特征向量后，即可进行分类器的设计。事实上特征值的提取和分类器的设计通常是要不断地反复实验才可得到较好的分类效果。

脑电信号模式识别技术：

脑电信号模式识别是指针对采集到的原始脑电信号后，使用合适的识别算法，识别出受试者采集时所处的精神生理状态或思维状态。脑电信号分类识别中最关键的一步就是信号模式识别，其直接影响到能否正确地分类识别出测试者所处的精神或思维状态。对原始脑电信号进行分类识别，分类结果为一系列类别号，不同类别号对应着不同精神状态。

目前脑电信号分类方法主要使用：线性分类法、人工神经网络分类法以及支持向量机法(supportvectormachine，svm)等方法。其中，支持向量机是近二十年才提出的机器学习方法。支持向量机比其它分类方法简单且泛化能力强。

基于wt和svm的脑电信号分类识别：

从上述160个实验数据中，选取100个作为训练样本集(正常儿童及adhd儿童数据各50个)，另外60个作为测试样本集，使用训练样本集来训练分类器，再使用测试样本集来检验分类器的分类效果。在采用支持向量机分类过程中，支持向量机的核函数选择、参数的优化选择以及训练样本和测试样本数量的不同都将影响分类器的准确率。实验方案框图如图3所示。

分类器的分类性能可以通过计算分类准确率(accuracy)来衡量。

分类准确率的定义为：

其中，真阳性tp代表实际adhd预测为adhd，假阳性fp代表实际非adhd预测为adhd，真阴性tn代表实际非adhd预测为非adhd，假阴性fn代表实际adhd预测为非adhd。

将归一化后能量特征矩阵作为svm分类器的输入向量，确定输入向量之后，接下来就是svm核函数的选择以及核函数参数的优化。

核函数的选择：

支持向量机常用的核函数有线性、多项式、径向基函数(rbf)、sigmoid等。使用多项式核函数(k(x,xi)＝[(x,xi)+1]^d)进行adhd脑电信号分类实验时，设置不同多项式核函数参数d(d＝l，2，…，15)，并记录每次实验的正确率，图4为采用不同参数d进行分类得到的正确率。随着d的升高，特征空间的维数会变大，多项式的阶数d过大或过小都将对分类效果产生影响，当参数d增大时，svm会发生过学习现象，从而降低了svm的泛化能力。

使用径向基核函数进行实验时，核参数g与惩罚参数c的组合对应分类正确率的变化曲线如图5所示。当惩罚参数c较小时分类正确率较低，增大参数c值时分类器的泛化能力显著增强。

从以上的实验结果以及分类器的泛化能力来看，径向基核函数是一种常用的相对稳定的核函数，对于脑电信号有更好的泛化能力。本发明选取径向基核函数作为核函数。

参数的优化：

在确定了支持向量机的核函数的情况下，分析结果的好坏就是核函数的参数决定的。由于本发明选取的是径向基核函数，因此，接下来要解决的关键问题就是径向基核函数的参数g和惩罚参数c的选择。

现在对支持向量机的参数进行优化还没有非常完美的方法，目前常用的支持向量机参数寻优方法主要有：实验法记以及网格搜索(gridsearch)法等。本文使用网格搜索法的寻优结果，其中设置c的搜索范围是[2^-8,2⁸]，设置g的搜索范围是[2^-8,2⁸]，设置搜索步距为0.5，结果如图6所示。

如果网格搜索法在无限大的搜索空间范围和无限小的搜索步距的情况下，系统是可以寻找到最优参数。但是在搜索空间内大部分的参数组的分类效果都非常差，只是在一个较小搜索空间内的参数组的分类效果比较好，因此遍历搜索空间范围内所有参数组会十分耗费时间。

为克服以上参数优化过程中的缺陷，本文使用一种改进的网格搜索法。首先，使用较大的搜索步距在大的搜索空间范围内进行粗略搜索，并提取出使得分类准确率最高的那组参数的值。然后，在寻找到局部最优参数后，在该参数组附近选取一个较小的搜索空间，使用传统的网格搜索法进行第二次搜索，以得到最优参数。

传统的网格搜索法和改进后的网格搜索法进行参数寻优的对比实验结果如表3所示。实验从训练样本集中抽取数据训练分类器进行寻优测试，一共做了5组实验。

表3:不同网格搜索法进行参数寻优的结果比较

从表3中可以看出，传统的网格搜索法得分类准确率相对高，但耗时较长，而本发明所提出的改进方法的分类准确率虽比传统的网格搜索法稍低，但其寻优的时间远远低于传统的网格搜索法。

分类结果：

(1)一维输入向量分类

分别将α、β、θ、δ以及θ/β、θ/α所对应的特征向量作为svm的一维输入向量进行分类。表4为一维输入向量分类器的分类结果。

表4:一维输入向量分类器分类结果

(2)多维输入向量分类

将α、β、θ、δ以及θ/β、θ/α所对应的特征向量作为svm多维输入向量进行分类。表5为多维输入向量分类器的分类结果。

表5:多维输入向量分类器分类结果

由表4及表5对于adhd儿童脑电信号，以β，θ能量值以及θ/β、θ/α能量比值为依据具有较好的分类效果，且多维输入向量的svm的分类准确率要高于一维输入向量的svm分类准确率。因此本发明采用β，θ能量值及θ/β、θ/α能量比值为支持向量机的输入向量。

在确定核函数和输入向量后，寻找最优参数，采用该svm模型对adhd儿童进行诊断。将上章提取的160个特征值矩阵中的60个(正常儿童及adhd儿童数据各30个)测试样本集作为诊断的输入向量。其诊断结果如表6所示。

表6:adhd诊断输出结果

从诊断结果中可以计算出，利用小波分解，提取β，θ能量值以及θ/β、θ/α能量比值作为特征输入，svm分类方法的准确率为91.7％，分类结果比较理想。该方法可作为快速诊断adhd儿童的一种途径。

本发明以注意缺陷多动障碍儿童脑电信号为研究对象，着重研究了脑电信号采集的相关技术和adhd脑电信号的分类及识别方法。通过对采集得到的儿童脑电信号进行特征值提取，分类及识别，来诊断患者是否患有注意缺陷多动障碍症。实验结果表明，将小波变换与支持向量机技术相结合，可以有效地分析儿童脑电波并诊断adhd。

基于上述原理数据分析，本发明提出了一种adhd的诊断模型建立方法，该dhd的诊断模型用于对adhd进行识别。参考图7，上述诊断模型建立方法包括如下步骤：

s1、获取离散的脑电样本信号x(n)；

s2、对x(n)进行db5小波的5层小波分解，分别读取a5、d5、d4、d3以及d2尺度的小波分解系数矩阵，按式(1)计算小波分解系数的能量值；

式中，|xij|表示第j个频率段中第i个点的幅度值，ej为脑电信号能量值；d2尺度代表肌电以及工频干扰，d3尺度代表β波，d4尺度代表α波，d5尺度代表θ波，a5尺度代表δ波；

s3、按照式(2)构造能量特征向量t，并对脑电信号能量值ej进行归一化，得到归一化后的特征向量为e'j以得到归一化后能量特征矩阵；

t＝[ea5，ed5，ed4，ed3，ed2](8)

s4、将归一化后能量特征矩阵作为svm分类器的输入，径向基核函数作为核函数进行脑电波的模式识别，并将进行模式识别后的训练模型作为adhd的诊断模型。

其中，d2尺度对应的频率为31.25～62.5hz，d3尺度对应的频率为15.6～31.25hz，d4尺度对应的频率为7.8～15.6hz，d5尺度对应的频率为3.91～7.8hz，a5尺度对应的频率为0.97～3.91hz。

步骤s2中所述对脑电信号能量值ej进行归一化，得到归一化后的特征向量为e'j具体是指采用下述公式(9)～(11)中的任意一个公式对ej进行归一化；

步骤s4中还包括对径向基核函数的参数g和惩罚参数c进行优化的步骤，优化时采用改进的网格搜索法：首先，使用较大的搜索步距在大的搜索空间范围内进行粗略搜索，并提取出使得分类准确率最高的那组参数的值；然后，在寻找到局部最优参数后，在该参数组附近选取一个较小的搜索空间，使用传统的网格搜索法进行第二次搜索，以得到最优参数。

采用的改进的网格搜索法进行搜索时具有参数g和惩罚参数c分别具有预设的搜索范围，并且具有预设的搜索步距。

svm分类器的输入向量为5维输入向量，分别为α、β、θ、δ、θ/β以及θ/α对应的特征向量。

本发明还提供了一种存储模块，存储有程序指令，所述程序指令用于实现上述的诊断模型建立方法。

本发明还提供了一种处理设备，该处理设备上述的诊断模型建立方法所建立的诊断模型进行adhd的识别。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。