基于便携式设备姿态角信号的癫痫发作检测系统及方法

本发明是属于便携式设备癫痫发作检测领域，涉及使用姿态角信号(横滚角信号和俯仰角信号)来检测儿童癫痫发作的系统及方法。

背景技术：

1、癫痫是一种严重的神经干扰疾病，影响着世界上约1％的人口。由于癫痫发作的不可预测性与反复性，癫痫发作时伴随的肌肉控制丧失和意识受损可能会造成严重的伤害风险，甚至危及生命。目前通过便携式设备来采集生理信号以实现癫痫的发作检测已经相当普遍，但是在生理信号类型的选择方面，大多数会优先选择加速度信号或角速度信号以检测动作类癫痫的发作，对于姿态角信号并没有相关的使用。对于姿态角信号，这是一种将三轴陀螺仪和三轴加速度计进行传感器融合所得出的信号，包含俯仰角信号、偏航角信号、横滚角信号三种，对动作具有较高的敏感性，目前已被广泛应用于导航、农业、姿态检测等领域，但是在癫痫检测领域尚未出现相关的研究。本发明使用姿态角信号中的俯仰角和横滚角两种信号，其中，俯仰角信号是描述手环绕x轴旋转角度变化的信号，横滚角信号是描述手环绕z轴旋转角度变化的信号。证明姿态角信号可用于癫痫的发作检测，为便携式设备提出一种新的高效的检测信号，有利于保障患者的生命健康，对社会具有较高的现实意义和经济效益。

技术实现思路

1、本发明提供了一种基于便携式设备姿态角信号的癫痫发作检测系统及方法，尤其是一种新的信号类型以实现癫痫的发作检测与识别，有助于解决癫痫发作在临床中的具体应用问题。

2、本发明解决其技术问题所采用的技术方案如下：

3、步骤1：对时间校准后的预标记多模态生理信号数据进行预处理操作。所述的时间校准为对于原始采集的多模态生理信号数据和脑电数据先进行采集时间上的矫正对齐；所述的预标记为通过脑电数据对原始多模态生理信号标记癫痫发作和癫痫未发作时间点；所述的预处理操作包括滤波和特征提取。

4、步骤2：设定不同的信号组合方式，针对不同的信号组合组建各自的特征矩阵，之后对各个特征矩阵进行特征选择操作。特征选择后的特征矩阵完成归一化操作后，输入到传统机器学习中进行分类器训练，之后记录各个分类器的训练结果。

5、步骤3：使用计算机对加速度信号、角速度信号、横滚角信号、俯仰角信号进行预处理操作，并记录不同信号在预处理步骤上所耗费的时间；

6、步骤4：利用特征选择步骤后的特征集训练lstm模型，通过训练好的lstm模型设计基于lstm的癫痫发作检测系统，通过结论进一步佐证前面步骤所得出的结论；

7、步骤5：对“不同信号采集时间”和“不同年龄段”患者的多模态生理信号数据进行特征层面的差异性分析，以进一步查看“信号采集时间”和“患者年龄”对于个体间差异性的影响。

8、所述步骤1的具体实现如下：

9、1-1.由于原始生理信号中包含较多的干扰信号，因此需要执行滤波操作以减少后续分析实验部分中的干扰部分。对于不同种类的生理信号采用不同的方法以去除信号中的干扰部分：动作类信号(加速度信号、角速度信号、横滚角信号、俯仰角信号)，首先去除0hz部分信号以实现信号的中心化，然后使用中值滤波器去除干扰；表面肌电信号先进行中心化操作，再使用20hz至60hz的带通滤波器截取相关频带信号内容，最后使用间隔频率为4hz的梳状滤波器以消除设备所产生的干扰；皮肤电信号这里采用中值滤波和平滑滤波器以剔除外界的干扰。

10、1-2.由于加速度信号和角速度信号为3通道信号，因此会先计算相对应的合成加速度和合成角速度；

11、1-3.采用宽度为4s，重叠率为50％的滑动窗口来计算信号特征，计算的特征有17个时域特征、6个频域特征和3个非线性域特征。

12、其中，17个时域特征分别为：最大值、最小值、峰值、峰峰值、均值、平均幅值、方根幅值、方差、标准差、有效均方根、峭度、偏度、波形因子、峰值因子、脉冲因子、裕度因子以及间隙因子。6个频域特征分别为：平均频率、重心频率、均方根频率、标准频率、平均功率谱密度、中值频率。3个非线性域特征分别为：样本熵、近似熵、模糊熵。

13、所述的步骤2具体操作如下：

14、2-1.特征提取完毕后，会将各个模态信号特征拼接为一个特征矩阵，用作之后分类器训练用的训练集。由于初始训练集具有较高的维度，这对于后续模型的训练具有一定的不良影响，因此需要先对训练集进行降维处理，以减少不必要的特征。这里采用了t检验、相关性检验、sfs特征选择三种方法来对特征集进行降维处理，各个方法的详细介绍如下：

15、(1)在t检验步骤，通过计算癫痫未发作阶段特征和癫痫发作阶段特征的差异程度，并将最后的相差程度用p值表示，之后剔除掉p＞0.05的特征，以尽可能的保留相差程度较大的特征。

16、(2)在相关性检验部分，主要计算特征集内各个特征的相关性，对于相关系数绝对值较大的两个特征，采用保留其中一个特征，剔除另一个特征的方法，以尽可能减少特征集之间的冗余。

17、(3)对于sfs特征选择，这是一种基于特征子集搜索的算法，用于从给定特征集合中选择最佳的特征子集。其目标是通过迭代地添加最具区分性的特征来构建一个性能最优的特征子集，以提高模型的预测性能或简化数据表示。

18、2-2.由于较大数值范围的特征可能会对分类器模型的训练和预测产生较大的影响，所以这里采用了0-1归一化的方法，以消除不同特征之间的量纲差异。

19、2-3.有如下几种信号组合方式：

20、组合1：加速度信号；组合2：角速度信号；组合3：横滚角信号；组合4：俯仰角信号；组合5：加速度信号+角速度信号+表面肌电信号+皮肤电信号；组合6：加速度信号+角速度信号+横滚角信号+表面肌电信号+皮肤电信号；组合7：加速度信号+角速度信号+俯仰角信号+表面肌电信号+皮肤电信号；组合8：加速度信号+角速度信号+俯仰角信号+横滚角信号+表面肌电信号+皮肤电信号；组合9：横滚角信号+角速度信号+表面肌电信号+皮肤电信号；组合10：俯仰角+角速度信号+表面肌电信号+皮肤电信号；组合11：加速度信号+横滚角信号+表面肌电信号+皮肤电信号；组合12：加速度信号+俯仰角信号+表面肌电信号+皮肤电信号；组合13：横滚角信号+表面肌电信号+皮肤电信号；组合14：俯仰角信号+表面肌电信号+皮肤电信号。按照上述信号分组准备相对应的经过特征筛选后的特征矩阵。

21、2-4.将准备好的各个组合的特征矩阵输入到svm、树分类、线性判别三种分类器中，通过十折交叉验证来查看各个分类器的训练效果。

22、2-5.总结各个信号组合中各分类器的训练结果，主要查看的训练指标为准确率、精确率、召回率。

23、进一步的，步骤4具体实现如下：

24、4-1.准备如下信号组合方式的特征矩阵：

25、组合1：加速度信号+角速度信号+表面肌电信号+皮肤电信号；组合2：俯仰角信号+角速度信号+表面肌电信号+皮肤电信号；组合3：横滚角信号+角速度信号+表面肌电信号+皮肤电信号。

26、4-2.设计相关的lstm分类器，其中lstm分类器由15个lstm层，1个relu层，1个全连接层，1个softmax层组成。

27、4-3.将各个组合的特征集输入lstm分类器中训练。

28、4-4.将手环采集的原始生理信号数据输入到训练好的lstm分类器中以进行检测，并查看不同信号组合方式在基于lstm的癫痫发作检测系统中的表现效果，主要关注的是准确率以及误报率两个指标。

29、基于便携式设备姿态角信号的癫痫发作检测系统，包括如下?？椋?/p>

30、预处理?？椋憾允奔湫Ｗ己蟮脑け昙嵌嗄Ｌ硇藕攀萁性ご聿僮?；所述的时间校准为对于原始采集的多模态生理信号数据和脑电数据先进行采集时间上的矫正对齐；所述的预标记为通过脑电数据对原始采集的多模态生理信号数据标记癫痫发作和癫痫未发作时间点；

31、信号组合?？椋荷瓒ú煌男藕抛楹戏绞?，针对不同的信号组合组建各自的特征矩阵，之后对各个特征矩阵进行特征选择操作，对特征选择后的特征矩阵完成归一化操作得到特征集，输入到传统机器学习中进行分类器训练，之后记录各个分类器的训练结果；

32、时间记录?？椋菏褂眉扑慊约铀俣刃藕?、角速度信号、横滚角信号、俯仰角信号进行预处理操作，并记录不同信号在预处理步骤上所耗费的时间；

33、模型训练?？椋豪眯藕抛楹夏？橹刑卣餮≡窈蟮玫降奶卣骷盗穕stm模型，通过训练好的lstm模型设计基于lstm的癫痫发作检测系统；

34、差异性分析?？椋憾浴安煌藕挪杉奔洹焙汀安煌炅涠巍被颊叩亩嗄Ｌ硇藕攀萁刑卣鞑忝娴牟钜煨苑治?。

35、本发明有益效果如下：

36、1.通过从特征层面查看姿态角信号和加速度信号、角速度信号的关系，证明了姿态角能够应用于癫痫的发作检测。

37、2.比较了姿态角信号相比加速度信号、角速度信号在预处理速度、癫痫发作检测准确率、精确率、召回率等方面所具有的优势?？梢钥闯?，姿态角信号相比常用的加速度和角速度信号，在癫痫发作检测方面具有更好的效果，在计算设备上也具有更好的计算处理效率。

38、3.针对患者的多模态癫痫信号，提出了一种使用姿态角信号代替加速度信号、角速度信号的癫痫发作检测方法?？梢钥闯?，姿态角信号取代加速度信号后，在癫痫发作检测方面具有更好的效果，在计算设备上也具有更好的计算处理效率。

39、4.通过分析不同年龄段患者各模态信号特征的分布情况以及不同时间段各模态信号特征的分布情况，得出步骤5的结论，年龄和信号采集时间段对于信号的时域、频域、非线性域特征会有一定的影响，这种影响会进一步反映在癫痫发作检测系统的分类器准确率和误报率上。

40、本发明运用姿态角信号以实现癫痫的发作检测，不仅有利于提高癫痫发作检测的准确率，还有利于减少在分析以及设备处理过程中的计算量。为后续癫痫发作检测方面的信号选择提供了新的选择，也为后续提高癫痫发作检测的准确率提供了新的方法。