一种脑电信号特征提取方法

摘要

本发明提供一种脑电信号特征提取方法，通过小波重构、加窗水平可视图复杂网络转换和复杂网络分析的方法计算网络平均路径长度和聚类系数的特征提取算法，计算脑电信号构成的复杂网络的平均路径长度和网络聚类系数，从而实现脑电信号及不同节律脑电信号的混沌时间序列信号特性分析。本发明的效果该方法是将一维混沌时间序列转化为复杂网络，通过网络特征参数的分析，揭示脑电信号的分形特性，从一个全新的角度对脑电信号这种复杂的非线性随机信号进行刻画。该脑电信号特征可以应用于精神疾病自动诊断和脑机接口系统的特征识别模块。该方法能够有效区分癫痫发作期和非发作期的脑电信号，经Mann–Whitney检验p<0.01,可以应用于癫痫脑电自动识别。

主权项

一种脑电信号特征提取方法，该方法包括有以下步骤：①小波重构通过脑电图机采集的脑电信号，对脑电信号进行四级小波重构，第一级分解将采集的脑电信号从频率中点分开为低频、高频两部分，第二级分解将第一级分解得到的低频成分从其频率中点分开为低频、高频两部分，第三级分解将第二级分解得到的低频成分从其频率中点分开为低频、高频两部分，第四级分解将第三级分解得到的低频成分从其频率中点分开为低频、高频两部分，再通过第四级小波重构即可得到脑电信号的五种生理节律；②加窗水平可视图复杂网络转换脑电信号的采样频率为f，令时间窗时间长度为t1,时间窗滑动距离为t2，则时间窗内采样点个数为Nw=t1×f，时间窗滑动的采样点个数为Ns=t2×f，令时间窗内的脑电信号时间序列为{xi}i=1,2,...,Nw，令i和j是复杂网络中的两个节点，如果对于所有的xnn∈(i,j)，xi,xj>xn，则认为i和j有链接，否则没有连接，从而建立Nw×Nw维复杂网络邻接矩阵M，其中，当i和j有链接时，M(i,j)=1；否则M(i,j)=0；对步骤①中的脑电信号数据和所有小波重构获得的各节律脑电数据，或者根据需要选取通过小波重构获得的各节律脑电信号中的任意节律的脑电信号，按照上述方法尽心网络转换，得到脑电数据和各节律脑电数据对应的复杂网络邻接矩阵M；③复杂网络参数特征提取；对步骤②得到的复杂网络邻接矩阵M提取复杂网络的网络特性路径长度L和聚类系数C；网络的平均路径长度定义为： L = 2 N ( N - 1 ) Σ i = 2 N Σ j = 1 i - 1 d ij - - - ( 1 ) 即网络中任意两节点的距离的平均值，其中N为网络节点个数，其中，dij定义为连接两个节点i和j的最短路径上的边数，网络的聚类系数定义为所有节点聚类系数的平均值： C = 1 N Σ i = 1 N C i - - - ( 2 ) 其中N为网络节点个数，其中，Ci即为节点i的聚类系数，是当节点i的度为ki时，ki个节点间实际存在的边数Ri与最多存在的边数Ei=ki(ki‑1)/2的比值；将步骤②得到的脑电信号和各节律脑电信号对应的网络矩阵按照公式（1）和公式（2）计算，得到相应的网络特征参数：平均路径长度L和平均聚类系数C；④通过步骤③，实时获得脑电信号及各节律脑电信号时间窗内数据的网络特征参数平均路径长度L和平均聚类系数C，平均路径长度L和平均聚类系数C作为脑电信号的特征值。