2DPCA在脑磁图棘波信号检测中的应用

doi:10.3778/j.issn.1002-8331.1709-0286

计算机工程与应用 ›› 2019, Vol. 55 ›› Issue (1): 186-190.DOI: 10.3778/j.issn.1002-8331.1709-0286

2DPCA在脑磁图棘波信号检测中的应用

杨宝山1，2，3，胡业刚1，2，3，张冀聪1，2，3

1.北京航空航天大学生物与医学工程学院，北京 100191
2.北京航空航天大学生物医学工程高精尖创新中心，北京 100191
3.北京航空航天大学大数据精准医疗高精尖创新中心，北京 100191

出版日期:2019-01-01 发布日期:2019-01-07

Application of Signal Detection of Epileptic Spike with Magnetoencephalogram Based on 2DPCA

YANG Baoshan1，2，3, HU Yegang1，2，3, ZHANG Jicong1，2，3

1.School of Biological Science and Medical Engineering, Beihang University, Beijing 100191, China
2.Advanced Innovation Center for Biomedical Engineering, ?Beihang University, Beijing 100191, China
3.Advanced Innovation Center for Big Data-Based Precision Medicine, Beihang University, Beijing 100191, China

Online:2019-01-01 Published:2019-01-07

摘要/Abstract

摘要： 棘波是癫痫疾病诊断和癫痫灶评估的重要标志，脑磁图设备能更精确地捕捉到癫痫患者在发作间期的棘波信号。然而，目前临床医生仍依赖于手动方法标记棘波信号，缺少便捷离线的多通道棘波检测方法。提出一种脑磁图的多通道棘波检测方法，针对给定时间宽度的多通道脑磁图信号的时间序列可以看作为一个二维矩阵，利用二维主成分分析（2DPCA）方法提取该矩阵的本征特征，再结合最近邻分类器实现离线的多通道棘波信号检测。通过临床癫痫患者的脑磁图信号验证表明，提出的方法棘波信号检测率高达93.23%，且该方法是有效的。

关键词: 信号检测, 二维主成分分析, 脑磁图, 棘波信号

Abstract: The epileptic spike plays a key role in the epileptic diagnosis and the epileptogenic zone evaluation, additionally, the Magnetoencephalogram（MEG） equipment can capture the interictal spikes more accurately. However, clinicians still manually mark spikes due to lacking an effective multi-channel spike detection approach. To solve this problem, this paper proposes a spike detection algorithm based on multi-channel MEG signals. The multi-channel MEG signal within a configurable time window is considered as a two-dimensional matrix. Furthermore, the intrinsic features of the matrix are extracted by the Two-Dimensional Principal Component Analysis（2DPCA） and the spikes are detected through the nearest neighbor classifier. Finally, experimental results indicate that the proposed method is effective and the detection rate can be up to 93. 23% on clinical MEG data.

Key words: signal detection, Two-Dimensional Principal Component Analysis（2DPCA）, Magnetoencephalogram（MEG）, epileptic spike

杨宝山1，2，3，胡业刚1，2，3，张冀聪1，2，3. 2DPCA在脑磁图棘波信号检测中的应用[J]. 计算机工程与应用, 2019, 55(1): 186-190.

YANG Baoshan1，2，3, HU Yegang1，2，3, ZHANG Jicong1，2，3. Application of Signal Detection of Epileptic Spike with Magnetoencephalogram Based on 2DPCA[J]. Computer Engineering and Applications, 2019, 55(1): 186-190.

[1]	乔慧，周水生. 非线性角度2DPCA及其在人脸识别中的应用[J]. 计算机工程与应用, 2021, 57(8): 112-118.
[2]	张航宇，李彬，尹春丽，刘凯，王玉平，张军鹏. 脑磁图脑功能连接网络癫痫棘波识别方法研究[J]. 计算机工程与应用, 2020, 56(8): 136-142.
[3]	王茜竹1，2，李楠1，2. 大规模MIMO系统的改进RTS信号检测算法[J]. 计算机工程与应用, 2018, 54(12): 74-79.
[4]	曹洁1，2，李雪真1，王进花1. 基于自适应特征融合的人脸识别[J]. 计算机工程与应用, 2018, 54(1): 153-158.
[5]	叶学义，王大安，宦天枢，夏经文，顾亚风. 基于张量的2D-PCA人脸识别算法[J]. 计算机工程与应用, 2017, 53(6): 1-6.
[6]	陈博文，蒋磊，刘潇文，张群. 基于混沌量子粒子群的FHN神经元UWB信号检测[J]. 计算机工程与应用, 2017, 53(6): 135-140.
[7]	黎严，张国平，罗俊. 一种改进的多天线信号能量检测方案[J]. 计算机工程与应用, 2017, 53(10): 112-116.
[8]	万倬1，2，朱嘉钢1，2，陆晓2. 图像特征抽取的MDNIB2DPCA方法[J]. 计算机工程与应用, 2016, 52(9): 177-183.
[9]	张学军1，2，彭丽艳1，黄丽亚1，2，成谢锋1，2. 基于多维复杂度的精神分裂症脑磁信号区分[J]. 计算机工程与应用, 2016, 52(23): 12-18.
[10]	李宏伟，张宏雁. Lyapunov指数在弱2FSK信号检测中的应用[J]. 计算机工程与应用, 2016, 52(2): 151-155.
[11]	关学忠，王文锋，张新城，尹廷武，张璐. 基于小波变换和多特征融合算法的人脸识别[J]. 计算机工程与应用, 2016, 52(12): 201-204.
[12]	谢涛1，曹军威2，3，廉小亲1. 混沌振子弱信号检测系统构成及响应速度研究[J]. 计算机工程与应用, 2015, 51(9): 16-21.
[13]	杨秋芬1，2，桂卫华1，胡豁生1. 2DPCA与稀疏表示模型的运动目标跟踪法[J]. 计算机工程与应用, 2015, 51(4): 201-204.
[14]	李球球，杨恢先，奉俊鹏，蔡勇勇，翟云龙. 2DPCA+2DLDA和改进的LPP相结合的人脸识别算法[J]. 计算机工程与应用, 2015, 51(21): 199-204.
[15]	林建民，冯桂. 基于单样本的手掌静脉识别方法[J]. 计算机工程与应用, 2015, 51(2): 181-184.

2DPCA在脑磁图棘波信号检测中的应用

Application of Signal Detection of Epileptic Spike with Magnetoencephalogram Based on 2DPCA

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics