基于脑电信号的卒中严重程度分类预测模型建立方法

1.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：

2.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。
3.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。
4.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。
5.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。


技术实现要素：

6.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。
7.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。
8.为了实现以上目的，本发明方法主要包括以下步骤：
9.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。
10.步骤2：脑电信号预处理。
11.步骤3：脑电信号计算。
12.步骤4：通过方差分析提取特征值。
13.步骤5：将特征值输入机器学习分类器，进行准确性计算。
14.步骤5-1：将特征值输入支持向量机并进行准确性计算。
15.步骤5-2：将特征值输入决策树并进行准确性计算；
16.步骤5-3：将特征值输入k最近邻并进行准确性计算。
17.步骤5-4：将特征值输入朴素贝叶斯并进行准确性计算。
18.步骤6：利用特征值建立卒中严重程度分类预测模型。
19.进一步说，步骤1中，按照国际10-20标准，采集受试者脑电信号。进一步说，步骤2中所述的脑电信号处理步骤如下：
20.(1)定位通道。按照国际10-20标准定位坐标。
21.(2)移除无用电极和重参考。
22.(3)通道选择。
23.(4)带通滤波。频段下限选择1hz，频段上限选择30hz。
24.(5)基线校正。以数据采集时休息部分的数据作为基线进行校正。
25.(6)独立成分分析去除伪迹。
26.(7)查看独立源成分。
27.(8)剔除噪声。
28.进一步说，步骤3中所述的脑电信号计算包括:
29.(1)计算delta频带相对功率。其表达式如下：
[0030][0031]
其中rpsd是相对功率，f1、f2分别是对应频段的起止频段。f
l
、fh分别是1hz和30hz，psd是指对应频率的功率谱密度。
[0032]
(2)计算theta频带相对功率。其表达式如下：
[0033]
(3)计算alpha频带相对功率。其表达式同上。
[0034]
(4)计算beta频带相对功率。其表达式同上。
[0035]
(5)计算delta频带相对功率与alpha频带相对功率之比。
[0036]
(6)计算较慢频率相对功率与较快相对功率之比。其表达式为：
[0037][0038]
其中r是较慢频率相对功率与较快相对功率之比，rpsd
delta
是delta频带相对功率，rpsd
theta
是theta频带相对功率，rpsd
alpha
是alpha频带相对功率，rpsd
beta
是beta频带相对功率。
[0039]
(7)计算大脑对称指数。其表达式如下：
[0040][0041]
其中pdbsi代表大脑对称指数，i代表每个通道，j代表每个采样点。r 代表右脑，l代表左脑，m为通道数，n采样点数。
[0042]
(8)计算香农熵。其表达式如下：
[0043][0044]
其中h(x)代表香农熵，n是类别数，xi是第i类，p(xi)是xi的概率。
[0045]
进一步说，步骤5中的机器学习分类器包括：
[0046]
(1)支持向量机。
[0047]
(2)决策树。
[0048]
(3)k最近邻。
[0049]
(4)朴素贝叶斯。
[0050]
进一步说，步骤5中的准确性计算包括：
[0051]
利用带有标签已知类别的样本作为分类器的输入，通过选取不同分类器，比较各个分类器的整体准确率。通过计算不同分类器的混淆矩阵，比较卒中各个严重程度的准确率。
[0052]
进一步说，步骤6利用特征值建立卒中严重程度预测模型包括：
[0053]
选取方差分析事后两两比较显著性差异最多的三组作为特征值输入机器学习分类器。根据需求选择整体准确率高或者各个严重程度的准确率高的分类器。
[0054]
本发明的有益效果：以往的模型不能高效的区分不同严重程度的卒中或仅能区分卒中患者和正常人。本发明提供的分类模型方法，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。
附图说明
[0055]
图1为本发明的实施流程图。
[0056]
图2为脑电信号实验数据采集过程图，其中手握拳状态至张开状态持续 15秒，为实验记录状态，记为record；手张开状态至握拳状态持续15秒，为休息状态，记为rest；三次实验记录为一组，每个受试者记录三组。
[0057]
图3为相对功率方差分析结果示意图，其中(a)相对delta功率，(b)相对 theta功率，(c)相对alpha功率，(b)相对beta功率。
[0058]
图4为功率比方差分析结果示意图，其中(a)delta频带相对功率与alpha 频带相对功率之比，(b)较慢频率相对功率与较快相对功率之比。
[0059]
图5为香农熵方差分析结果示意图，其中(a)delta频带香农熵，(b)theta 频带香农熵，(c)alpha频带香农熵，(b)beta频带香农熵。
[0060]
图6为大脑成对称指数方差分析结果示意图。
[0061]
图7不同分类器混淆矩阵示意图，其中(a)支持向量机混淆矩阵，(b)k最近邻混淆
矩阵，(c)决策树混淆矩阵，(d)朴素贝叶斯混淆矩阵。
[0062]
图8不同分类器预测准确性示意图。
具体实施方式
[0063]
如图1所示，本实施例包括如下步骤：
[0064]
步骤1：数据采集。采集受试者脑电数据。数据采集分为实验记录部分和休息部分两部分。实验记录部分从握拳状态到张开手状态，持续15秒。休息是从张开手到握拳状态，持续15秒。实验开始时，受试者被要求在静止状态下盯着笔记本黑屏上的白色十字30秒。当受试者听到“握拳”时，受试者握紧拳头，医务人员记录数据并打标签。当受试者听到“松手”时，受试者张开手，医务人员结束数据记录并做标签。连续记录3次为一个实验，每个受试者做3个实验。实验要求受试者在实验前为服用镇静类药物，见图 2。
[0065]
步骤2：通过matlab对收集的脑电数据进行预处理。处理流程是将数据导入matlab的eeglab工具箱，依次进行通道定位、重参考、通道选择、带通滤波、基线校正，独立成分分析去除伪迹、查看独立源成分和剔除噪声。
[0066]
步骤3：脑电信号计算包括相对功率计算、大脑成对称指数计算和香农熵计算。相对功率计算方法如下：
[0067]
将步骤二剔除噪声的脑电数据。
[0068]
大脑成对称指数计算方法如下：
[0069][0070]
其中pdbsi代表大脑对称指数，i代表每个通道，j代表每个采样点。r 代表右脑，l代表左脑，m为通道数，n采样点数。
[0071]
香农熵计算方法如下：
[0072][0073]
其中h(x)代表香农熵，n是类别数，xi是第i类，p(xi)是xi的概率。
[0074]
步骤4：利用spss软件将步骤3的结果进行方差分析，并判断显著性。挑选显著差异，即spss中p值小于0.01的值，作为特征值。
[0075]
步骤5：将特征值输入至机器学习分类器。数据集被分成10个数量相同的子集。训练集和测试集的比例为7:3。重复实验一千次，取平均值作为最终结果。
[0076]
步骤6：选择正确率最高的分类器作为卒中严重程度预测模型。
[0077]
本发明分别计算了不同严重程度卒中患者的相对delta功率、相对theta 功率、相对alpha功率、相对beta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、delta频带香农熵， theta频带香农熵、alpha频带香农熵、beta频带香农熵以及大脑成对称指数。
[0078]
从图3可以看出，重度卒中患者和健康对照组的相对delta功率有显着差异(p＝0.044)。在相对theta功率方面，重度卒中组与中度卒中组(p＝0.008)、对照组与重度卒中
组(p＝0.008)、轻度卒中组与重度卒中组(p＝0.009)之间存在显着差异。在相对alpha功效方面，对照组与重度卒中组(p＝0.037)、轻度卒中组与重度卒中组(p＝0.029)之间存在显着差异。对于相对beta功效，对照组和中度卒中组(p＝0.028)、轻度卒中组和中度卒中组(p＝0.021) 之间存在显着差异。
[0079]
从图4可以看出。delta频带相对功率与alpha频带相对功率之比方面，重度卒中组与中度卒中组(p＝0.042)、对照组与重度卒中组(p＝0.048)、轻度卒中组与重度卒中组(p＝0.024)之间存在显着差异。就较慢频率相对功率与较快相对功率之比而言，对照组与重度卒中组(p＝0.041)、轻度卒中组与中度卒中组(p＝0.039)、轻度卒中组与重度卒中组(p＝0.026)之间存在显着差异。
[0080]
图5显示了不同卒中严重程度患者香农熵的比较。在delta频段，对照组与轻度卒中组(p＝0.005)、对照组与重度卒中组(p＝0.006)、轻度卒中组和中度卒中组(p＝0.009)、轻度卒中组和重度卒中组(p＝0.005)，以及中度卒中组和重度卒中组(p＝0.009)之间香农熵存在显着差异。在theta波段，只有轻度卒中组和重度卒中组(p＝0.0385)香农熵有显着差异。在alpha波段中，香农熵没有显着差异。在beta频段，对照组与中度卒中组(p＝0.006)、对照组与重度卒中组(p＝0.008)之间香农熵存在显着差异。
[0081]
图6显示了不同严重程度患者在不同频段上的大脑成对称指数比较。在 delta频段，大脑成对称指数之间不存在显着差异。在theta频带，轻度卒中组和重度卒中组(p＝0.242)大脑成对称指数存在显著差异。在alpha频带，对照组与轻度卒中组(p＝0.367)、对照组与重度卒中组(p＝0.393)大脑成对称指数存在显着差异。在beta波段，中度卒中组和对照组(p＝0.251)大脑成对称指数存在显着差异。但一般情况下，大脑成对称指数的变化取决于频率，在低频时意义不明显。随着频率的增加，健康对照组的大脑成对称指数显著增加。
[0082]
混淆矩阵用于判断分类器正确预测的好坏。它是用于可视化监督学习算法性能的特定矩阵。对角线元素表示与实际目标类别相等的预测目标类别的数量。非对角线元素对应于错误分类或预测错误的目标类别。图7显示了四个分类器的混淆矩阵。结果显示：对于支持向量机，轻度卒中患者判断准确率最低，中度卒中患者判断准确率最高；对于k最近邻，轻度卒中患者判断准确率最低，重度卒中患者判断准确率最高；对于决策树，轻度卒中患者判断准确率最低，重度卒中患者判断准确率最高；对于朴素贝叶斯，重度卒中患者判断准确率最低，轻度度卒中患者判断准确率最高。图中1代表轻度卒中患者，2代表中度卒中患者，3代表重度卒中患者，4代表对照组。
[0083]
选取方差分析事后两两比较显著性差异最多的三组作为特征值输入机器学习分类器，因此选择香农熵、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作为特征值。图8可以看出k 最近邻分类器整体输出结果准确率最高。