(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211162255.9 (22)申请日 2022.09.23 (71)申请人 杭州电子科技大 学 地址 310018 浙江省杭州市下沙高教园区2 号大街 (72)发明人 曹九稳　方智波　郑润泽　赖晓平　 蒋铁甲　高峰　 (74)专利代理 机构 杭州君度专利代理事务所 (特殊普通 合伙) 33240 专利代理师 朱月芬 (51)Int.Cl. A61B 5/369(2021.01) A61B 5/372(2021.01) A61B 5/374(2021.01) A61B 5/388(2021.01)A61B 5/00(2006.01) G06K 9/00(2022.01) G06N 20/00(2019.01) (54)发明名称 多分类器融合的自适应脑区脑电伪迹检测 方法 (57)摘要 本发明公开了一种多分类器融合的自适应 脑区脑电伪迹检测方法。 本发明步骤： 1、 对多通 道的脑电EEG信号进行滤波和多类伪迹类别划 分； 2、 针对 得到的每类伪迹信号对应的脑部区域 分析和通道关联性分析， 得到每类伪迹的区域信 息和通道信息； 3、 对每类伪迹的通道信息进行特 征提取； 4、 针对区域信息和提取的特征， 使用 ReliefF算法和mRMR算法进行两阶段的特征选 择， 建立特征分组； 5、 使用机器学习算法结合选 取的特征进行分类模型的训练； 6、 针对步骤5所 训练得到的多个 分类器进行系统搭建。 本发明克 服了临床上人工定位伪迹的繁琐， 提高了异常信 号的快速定位， 解决了 现有伪迹识别技术的单调 性， 同时可以实现对多通道脑电EEG数据进行实 时的伪迹 检测。 权利要求书4页 说明书12页 附图1页 CN 115486858 A 2022.12.20 CN 115486858 A 1.多分类 器融合的自适应脑区脑电伪迹检测方法， 其特 征在于包括如下步骤： 步骤1、 对多通道的脑电E EG信号进行 滤波和多类伪迹类别划分； 步骤2、 针对步骤1划分得到的每类伪迹信号对应的脑部区域分析和通道关联性分析， 得到每类伪迹的区域信息和通道信息； 步骤3、 对每 类伪迹的通道信息进行 特征提取， 共提取28维特 征； 步骤4、 针对步骤2划 分的区域信息和步骤3提取的特征， 使用ReliefF算法和mRMR算法 进行两阶段的特 征选择， 建立特 征分组； 步骤5、 使用机器学习算法结合 步骤4选取的特 征进行分类模型的训练； 步骤6、 针对步骤5所训练得到的多个分类 器进行系统搭建。 2.根据权利要求1所述的多分类器融合的自适应脑区脑电伪迹检测方法， 其特征在于 所述步骤1具体内容如下： 将19通道、 1000Hz的原始脑电EEG数据进行滤波处理， 对每通道进行50Hz的陷波滤波以 及1Hz～70Hz的带通滤波处理， 得到无非生理干扰的脑电EEG数据； 脑电数据中的伪迹出现 的非连续性， 故使用滑动窗口的方法切分伪迹数据， 设定每个滑动窗口的时间长度为 1s； 将 含有眨眼伪迹的信号记为Eye_Blink类， 类别标签为1； 将含有额区肌电的信号记为 Frontal_EMG类， 类别标签为2； 将 含有咀嚼伪迹的信号记为Chew_EMG类， 类别标签为3； 将含 有眨眼伪迹的信 号记为Temp_EMG类， 类别标签为4； 将非常规脑电背景的信号记为Unknow_ Sig类， 类别标签为5； 将正常的脑电背景信号记为Norm_Sig类， 类别标签为0； 并以训练样 本 和测试样本对数据集进行划分。 3.根据权利要求1或2所述的多分类器融合的自适应脑区脑电伪 迹检测方法， 其特征在 于所述步骤2具体内容如下： 2‑1.对步骤1中得到的每类伪迹信号提取伪迹信号的平均频率谱密度， 通过绘制插值 图， 对每类伪迹的插值图进行分析， 得到眨眼伪迹信号和 额区肌电信号主要出现在额区的 Fp1、 Fp2通道； 咀嚼伪迹信号和颞区肌电信 号主要出现在颞区的F7、 F8、 T3、 T4通道； 意义不 明确的脑电信号在整个头皮上呈现高波幅和低频的特性， 分布位置比较广泛， 涵盖包括 Fp1、 Fp2、 F7、 F8、 T3、 T4通道在内的多个通道， 波及多个电极； 根据眨眼伪迹信 号、 额区肌电 信号、 咀嚼伪迹信号、 颞区肌电信号、 意义不明确的脑电信号这5类信号所出现的电极位置 将脑部划分为 三个区域： 额区、 颞区、 全局； 2‑2.对不同类型的伪迹信号针对步骤2 ‑1中的所得到的区域信息的电极通道进行相关 性分析， 得到不同类型伪迹出现的通道呈现的相关性； 额区中眨眼伪迹在 Fp1、 Fp2通道呈现出高度相关性， 额区肌电在 Fp1、 Fp2通道的相关性 次之； 颞区中咀嚼伪迹和肌电伪迹中F7与F8、 T3和T4呈现出高度相关性； 意义不明确的脑电 信号在所有通道中呈现出高度的脑 区对称性， 左脑电极和右脑电极均呈现高度的相关性； 故在额区选择Fp1、 Fp2通道； 在颞区选择F7、 T4通道； 在全局区域选择Fp1、 F7、 T3、 T5、 01、 F3、 C3、 P3、 Fz、 C z、 Pz通道作为研究的重点。 4.根据权利要求3所述的多分类器融合的自适应脑区脑电伪迹检测方法， 其特征在于 所述步骤3具体内容如下： 3‑1.计算样本所有通道的最大值MAX、 最小值MIN、 峰值Peak、 峰峰值P2P、 均值Mean、 绝 对平均值AM、 方根幅值RA、 方差Var、 标准差Std、 均方根RMS、 峭度Kurt、 偏度Ske、 波形因子权　利　要　求　书 1/4 页 2 CN 115486858 A 2SF、 峰值因子PF1、 脉冲因子PF2(pulse  factor)、 裕度因子MF、 余隙因子CF、 中位数Median、 分形维数FD、 近似熵ApEn、 样本熵SaEn、 模糊熵FuEn、 谱熵SpEn、 平均频率AF、 重心频率BF、 均 方根频率RMSF、 频率标准差StdF、 平均频率谱密度AP SD； 以上共计28维特 征； 假设每个数据样本格式为SM*N， M： 通道数， N数据长度； 3‑2通过如下公式计算 不同通道数据的最小值MI N： MINi＝mini(Si*N) 式中mini()表示求解的第i通道的最小值； 3‑3通过如下公式计算 不同通道数据的峰值Peak： Peaki＝maxi(|Si*N|) 式中|Si*N|表示求第i通道的绝对值， maxi()表示求解的第i通道的最大值； 3‑4通过如下公式计算 不同通道数据的分形维数 FD： 其中FDi(S， ε )表示分形维数值， ε表示计盒维数计算时的格子边长， G( ε )表示信 号数据 的累计格子数， S表示每 个样本数据； 3‑5通过如下公式计算 不同通道数据的近似熵 ApEn： ApEni＝φm(St*N)‑φm+1(St*N) 式中 表示对信号序列的概率大小度量， φm(St*N)表示为对信号序列概率度量 的对数平均值； 3‑6通过如下公式计算 不同通道数据的谱熵SpEn： 式中Gx()表示给定数据 序列遵守的传输函数； 3‑7通过如下公式计算 不同通道数据的平均频率AF： 式中W表示所 给连续数据信号的频率； 3‑8通过如下公式计算 不同通道数据的平均功率谱密度AP SD： APSDi＝PSDi(AFi) 式中PSDi表示第i个通道的功率谱密度， fft()表示对信号做快速傅里叶变换， fs表示 采样频率， AFi表示第i个通道的平均频率。 5.根据权利要求4所述的多分类器融合的自适应脑区脑电伪迹检测方法， 其特征在于 所述步骤4具体内容如下： 4‑1.对每一类伪迹提取的28维特征使用ReliefF算法做一阶段的特征选择， ReliefF算权　利　要　求　书 2/4 页 3 CN 115486858 A 3