一種面向癲癇腦電信號識別的智能診斷系統技術方案

本發明專利技術實現了一種面向癲癇腦電信號識別的智能診斷系統，它包括一套腦電數字信號處理程序和一個可視化的客戶端界面；所述的一套腦電數字信號處理程序，其特征提取模塊利用離散小波變換方法來提取原始腦電信號中的特征量，其模型訓練模塊利用徑向基函數神經網絡和最小最大概率機構建癲癇診斷模型，其診斷模塊利用徑向基函數神經網絡和分類決策樹對新輸入的腦電信號做出診斷；所述可視化的客戶端界面，其數據讀取模塊負責讀取原始腦電信號數據，其數據通信模塊負責向后臺發起請求、發送數據信息，等待接收后臺的響應和數據信息，其數據呈現模塊負責以圖表的方式顯示原始腦電信號片段和提取的腦電信號特征量，最終顯示后臺返回的診斷結果。

An intelligent diagnosis system for epileptic EEG signal recognition

The invention realizes an intelligent diagnosis system for electrical signal recognition of epilepsy, which is composed of a digital EEG signal processing program and a visualization of the client interface; the set of EEG signal processing program, the feature extraction module using discrete wavelet transform method to extract feature original EEG in the model, using the training module and minimum maximum probability of radial basis function neural network to build diagnosis of epilepsy model, its diagnosis module based on RBF neural network and decision tree classification of EEG signal input in diagnosis; the visualization of the client interface, the data reading module is responsible for reading the original EEG data and the data communication module is responsible for initiating the request, sending data to the background, waiting to receive the background response and data information, the data is presented The module is responsible for displaying the original EEG signal segments and the extracted EEG signature quantities in a graphical way, and finally displays the diagnostic results returned by the background.

【技術實現步驟摘要】
一種面向癲癇腦電信號識別的智能診斷系統
本專利技術屬于智能醫療應用領域，具體是一種面向癲癇腦電信號識別的智能診斷系統。
技術介紹
癲癇是由大腦神經元突發性異常過度放電引發的大腦短暫性功能障礙，年發病率較高。腦電圖(Electroencephalogram，EEG)信號的檢測和識別是診斷癲癇病最為重要的手段。多種特征提取和智能識別的方法已被應用于癲癇腦電信號的識別，主要包括傅里葉變換、小波分解等特征抽取方法和決策樹、模糊系統、人工神經網絡等分類方法。Inan等通過離散小波變換(DiscreteWaveletTransform，DWT)和統計方法來提取EEG信號片段中的特征量，并用自適應神經模糊推理系統構造了分類器。Aslan等將徑向基函數神經網絡用在癲癇EEG信號的分類識別中。徑向基函數(RadialBasisFunction，RBF)神經網絡具有一般神經網絡的優點，如很強的非線性擬合能力及魯棒性，此外，它還具有全局最佳逼近特性，不存在局部極小問題。但徑向基函數神經網絡的不足是其可解釋性差，不易解釋其推理過程和依據，因而不夠透明。Polat等采用基于決策樹和快速傅里葉變換的混合模型來對EEG信號進行分類。決策樹分類器的優勢正在于其可解釋性和透明性，易于理解。然而，決策樹是層次結構的，不可避免地存在自上而下的誤差積累，即如果在某個節點上發生了分類錯誤，則會把錯誤延續到后續節點上。為了降低積累的誤差，應當優先使用可靠性強的分類器，即先做把握大性的決策。在癲癇腦電信號識別和診斷過程中，這有益于降低誤診率。很多研究者針對癲癇腦電信號識別或涉及智能醫療應用領域而設計的算法，都有MATLAB的實現版。這意味著，這些算法的執行都要依賴于MATLAB環境。但是，在PC端部署MATLAB是昂貴的，導致這些算法的應用在實際生產環境中受阻。通常的應對方案包括：1)采用其他語言重寫算法；2)利用MATLAB自帶的編譯器將實現的算法編譯為其他語言版本；3)在服務器上部署MATLAB上。上述方案各有利弊，其中將MATLAB部署在服務器上的方案，是無需將MATLAB代碼轉化為其他語言版本的，可以直接利用現有的MATLAB代碼，較為便捷。
技術實現思路
針對上述問題，本專利技術實現了一種面向癲癇腦電信號識別的智能診斷系統，其特征在于：它包括后臺的一套腦電數字信號處理程序和一個可視化的客戶端操作界面；所述的后臺的一套腦電數字信號處理程序，其特征提取模塊利用離散小波變換和統計方法來提取原始腦電信號片段中的特征量，其模型訓練模塊利用徑向基函數神經網絡和最小最大概率機構建可靠的癲癇診斷模型，其訓練好的診斷模塊利用徑向基函數神經網絡和分類決策樹對新輸入的腦電信號做出診斷；所述可視化的客戶端操作界面，其數據讀取模塊負責讀取原始腦電信號片段數據，其數據通信模塊負責向后臺發起請求、發送數據信息，等待接收后臺的響應和數據信息，其數據呈現模塊負責以圖表的方式顯示原始腦電信號片段和提取的腦電信號特征量，最終顯示后臺返回的診斷結果。所述的后臺的一套腦電數字信號處理程序依賴于MATLAB環境來執行，可部署在遠程服務器或本地計算機上；所述的一個可視化的客戶端操作界面安裝在PC端，獨立于所述的后臺的一套腦電數字信號處理程序；所述的后臺的一套腦電數字信號處理程序和所述的一個可視化的客戶端操作界面通過網絡或進程間通信實現數據信息的交換。所述的后臺的一套腦電數字信號處理程序，其特征提取模塊利用離散小波變換和統計方法來提取原始腦電信號片段中的特征量；首先通過離散小波變換，將原始腦電信號層層分解，得到各層小波的近似系數帶和細節系數帶；再從各層小波細節系數帶和最后一層的近似系數帶中統計得到每個系數帶的最大值、最小值、均值和標準差作為提取到的特征量。所述的后臺的一套腦電數字信號處理程序，其模型訓練模塊利用徑向基函數神經網絡和最小最大概率機構建可靠的癲癇診斷模型，具體步驟為：1)利用離散小波變換和統計方法從大量已知癲癇診斷結果的腦電信號片段中提取特征量，得到訓練樣本集；2)為訓練過程制定驗證策略，為神經元個數等超參數制定參數尋優的網格范圍；3)按驗證策略劃分出訓練集和驗證集，并從參數網格中取出一組超參數；4)利用模糊C均值聚類算法確定各徑向基函數的中心和寬度；5)訓練樣本通過徑向基函數網絡，統一地映射到新的特征空間中；6)按照“一對一”的策略，利用最小最大概率機訓練出各二元分類器；7)將得到的多個二元分類器構造成分類決策樹，得到癲癇診斷模型；8)驗證所得模型的有效性，重復步驟3)～8)，直至找到最佳的參數組合；9)完整地對步驟1)得到的訓練樣本集進行訓練，構建出可靠的癲癇診斷模型。所述步驟7)中，采用排除法來構建分類決策樹，并充分利用到了最小最大概率機中的分類正確概率下界指標α，保證可靠性更好的二元分類器排在前面，具體步驟為：(1)設有M類，記C(i:j)表示第i類對第j類所得二元分類器，α(i:j)表示與之對應的α指標；將α最大的分類器作為分類樹的根節點；(2)假設當前節點所用分類器為C(i:j)，若分類結果為樣本不屬于第i類，則其子節點可用分類器集合為排除了所有與i有關的二分類器集合C＝C\i，然后采用的分類器為C中與j有關的α指標最大者；若分類結果為樣本不屬于第j類，則其子節點可用分類器集合為排除了所有與j有關的二分類器集合C＝C\j，然后采用的分類器為C中與i有關的α指標最大者；重復此步驟，直至用盡所有M(M-1)/2個分類器，構造出一棵M層的完全二叉樹，其葉節點即為各類的類標簽。所述的后臺的一套腦電數字信號處理程序，其訓練好的診斷模塊利用徑向基函數神經網絡和分類決策樹對新輸入的腦電信號做出診斷，具體步驟為：1)通過網絡或進程間通信，從客戶端接收到固定格式的原始腦電信號片段；2)利用離散小波變換和統計方法從原始腦電信號片段中提取特征量，輸入到徑向基函數神經網絡中；3)輸入的特征量通過構造好的徑向基函數神經網絡的作用轉化到新的特征空間中；4)轉化后的數據通過構造好的最小最大概率分類樹，按照排除法，一層一層往下，經歷多次比較，由根節點到達葉節點，獲得最終的類標簽，即得到診斷結果。所述的可視化的客戶端操作界面，包括數據讀取模塊、數據通信模塊和數據呈現模塊，具體步驟為：1)使用數據讀取模塊讀取本地磁盤上的固定格式的一個或一組原始腦電信號片段的數據；2)選中其中一段原始腦電信號，其波形圖將由數據呈現模塊繪制出來；3)數據通信模塊向后臺發起請求和發送固定格式的原始腦電信號片段數據；4)數據通信模塊拿到后臺返回的數據處理和診斷的結果，交給數據呈現模塊；5)數據呈現模塊繪制離散小波變換得到的系數帶、顯示提取到的特征量和最終的診斷結果。所述的可視化的客戶端操作界面，獨立于所述的后臺的一套腦電數字信號處理程序，通過網絡或進程間通信實現數據信息的交換，具體步驟為：1)本地未安裝MATLAB或未正確配置MATLAB環境時，所述數據通信模塊選擇網絡通信，向指定的遠程服務器發起請求和發送數據，等待遠程服務器的響應(在遠程服務器上啟動一個MATLAB進程，完成計算，返回結果)；2)本地安裝有MATLAB且正確配置了MATLAB環境時，所述數據通信模塊選擇進程間通信，在本地啟動一個MATLAB進程，完本文檔來自技高網...

【技術保護點】
一種面向癲癇腦電信號識別的智能診斷系統，其特征在于：它包括后臺的一套腦電數字信號處理程序和一個可視化的客戶端操作界面；所述的后臺的一套腦電數字信號處理程序，其特征提取模塊利用離散小波變換和統計方法來提取原始腦電信號片段中的特征量，其模型訓練模塊利用徑向基函數神經網絡和最小最大概率機構建可靠的癲癇診斷模型，其訓練好的診斷模塊利用徑向基函數神經網絡和分類決策樹對新輸入的腦電信號做出診斷；所述可視化的客戶端操作界面，其數據讀取模塊負責讀取原始腦電信號片段數據，其數據通信模塊負責向后臺發起請求、發送數據信息，等待接收后臺的響應和數據信息，其數據呈現模塊負責以圖表的方式顯示原始腦電信號片段和提取的腦電信號特征量，最終顯示后臺返回的診斷結果。

【技術特征摘要】
1.一種面向癲癇腦電信號識別的智能診斷系統，其特征在于：它包括后臺的一套腦電數字信號處理程序和一個可視化的客戶端操作界面；所述的后臺的一套腦電數字信號處理程序，其特征提取模塊利用離散小波變換和統計方法來提取原始腦電信號片段中的特征量，其模型訓練模塊利用徑向基函數神經網絡和最小最大概率機構建可靠的癲癇診斷模型，其訓練好的診斷模塊利用徑向基函數神經網絡和分類決策樹對新輸入的腦電信號做出診斷；所述可視化的客戶端操作界面，其數據讀取模塊負責讀取原始腦電信號片段數據，其數據通信模塊負責向后臺發起請求、發送數據信息，等待接收后臺的響應和數據信息，其數據呈現模塊負責以圖表的方式顯示原始腦電信號片段和提取的腦電信號特征量，最終顯示后臺返回的診斷結果。2.如權利要求1所述的一種面向癲癇腦電信號識別的智能診斷系統，其特征在于：所述的后臺的一套腦電數字信號處理程序依賴于MATLAB環境來執行，可部署在遠程服務器或本地計算機上；所述的一個可視化的客戶端操作界面安裝在PC端，獨立于所述的后臺的一套腦電數字信號處理程序；所述的后臺的一套腦電數字信號處理程序和所述的一個可視化的客戶端操作界面通過網絡或進程間通信實現數據信息的交換。3.如權利要求1所述的一種面向癲癇腦電信號識別的智能診斷系統，其特征在于：所述的后臺的一套腦電數字信號處理程序，其特征提取模塊利用離散小波變換和統計方法來提取原始腦電信號片段中的特征量；首先通過離散小波變換，將原始腦電信號層層分解，得到各層小波的近似系數帶和細節系數帶；再從各層小波細節系數帶和最后一層的近似系數帶中統計得到每個系數帶的最大值、最小值、均值和標準差作為提取到的特征量。4.如權利要求1所述的一種面向癲癇腦電信號識別的智能診斷系統，其特征在于：所述的后臺的腦電數字信號處理程序，其模型訓練模塊利用徑向基函數神經網絡和最小最大概率機構建可靠的癲癇診斷模型，具體步驟為：1)按權利要求3所述方法從大量已知癲癇診斷結果的腦電信號片段中提取特征量，得到訓練樣本集；2)為訓練過程制定驗證策略，為超參數制定參數尋優的網格范圍；3)按驗證策略劃分出訓練集和驗證集，并從參數網格中取出一組超參數；4)利用模糊C均值聚類算法確定各徑向基函數的中心和寬度，這里C為類別數；5)訓練樣本通過徑向基函數網絡，統一地映射到新的特征空間中；6)按照“一對一”的策略，利用最小最大概率機訓練出各二元分類器；7)將得到的多個二元分類器構造成分類決策樹，得到癲癇診斷模型；8)驗證所得模型的有效性，重復步驟3)～8)，直至找到最佳的參數組合；9)完整地對步驟1)得到的訓練樣本集進行訓練，構建出可靠的癲癇診斷模型。5.如權利要求3所述的一種面向癲癇腦電信號識別的智能診斷系統，其特征在于：所述步驟7)中，采用排除法來構建分類決策樹...

【專利技術屬性】
技術研發人員：鄧趙紅，陳俊勇，許鵬，王士同，
申請(專利權)人：江南大學，
類型：發明
國別省市：江蘇,32