[发明专利]基于EMD与WPD特征融合的癫痫发作前期预测方法

说明书

本发明公开了一种基于EMD与WPD特征融合的癫痫发作前期预测方法。本发明步骤方法如下：步骤1、EEG信号的类别划分及样本切割，并对每个样本进行经验模态分解，再对分解得到的第一个本征模函数进行分析，从中提取基于FIMF的特征，包含能量、能量比和方差。步骤2、对步骤1中得到的第一个本征模函数进行四层小波包分解，得到最后一层16个结点的小波包系数，从中提取基于FIMF‑WPD的偏态和能量与特征。步骤3、融合基于FIMF与FIMF‑WPD的特征，并采用随机森林算法对融合后的特征训练分类器，构建癫痫发作前期的预测模型。本发明能够有效预警癫痫病发作前期的时间段，降低癫痫发作对患者造成的次生危害。

技术领域

本发明属于数字信号处理和智慧医疗领域，涉及一种基于经验模态分解(EMD)和小波包分解(WPD)的癫痫病发作期与发作前期的精准检测方法。

背景技术

基于脑电EEG信号处理的传统的癫痫检测方法通常是用来解决二分类问题，即将信号分为癫痫发作期和非发作期；或者三分类问题，即将信号分为癫痫发作期、发作前期和发作间歇期。相比于传统的癫痫发作期检测，发作前期的精准预测对有效降低癫痫发作可能引起的次生危害更为重要，然而目前并没有专门用于癫痫发作前期检测算法。为解决这个问题，本发明对癫痫发作前期脑电EEG信号进行细分，将发作前期一小时的EEG信号等分为多个连续且不重叠的时间段，将发作前期预测问题转换成EEG信号多分类问题。为达到发作前期精准预测，本发明提出了一种基于EEG信号经验模态分解(EMD)和小波包分解(WPD)特征的智能预测方法。

发明内容

本发明提出了一种基于EMD与WPD特征融合的癫痫发作前期预测方法。本发明结合EEG信号经验模态分解和小波包分解的特征提取方法，仅针对由经验模态分解得到的第一个本征模函数(FIMF,first intrinsic mode function)进行分析，并再结合随机森林分类器实现癫痫发作前期不同阶段的脑电信号以及发作期和发作间期的智能分类，从而达到较为精准的癫痫预测功能。

本发明的技术方案主要包括如下步骤：

步骤1、EEG信号的类别划分及样本切割，并对每个样本进行经验模态分解，再对分解得到的第一个本征模函数进行分析，从中提取基于FIMF的特征，包含能量、能量比和方差。

步骤2、对步骤1中得到的第一个本征模函数进行四层小波包分解，得到最后一层16个结点的小波包系数，从中提取基于FIMF-WPD的偏态和能量与特征。

步骤3、融合基于FIMF与FIMF-WPD的特征，并采用随机森林算法对融合后的特征训练分类器，构建癫痫发作前期的预测模型。

所述步骤1是提取基于FIMF的特征，具体步骤如下：

1-1对EEG信号进行类别的划分。将发作前一小时的信号分割为发作前60分钟至发作前40分钟，记为Pre-1类；发作前40分钟至发作前20分钟，记为Pre-2类；发作前20分钟至发作初始时刻，记为Pre-3类。将发作时期记为Seizure类，发作间期记为Interictal类。

1-2将每类信号切割成小样本。每个样本信号x为2秒一帧，其中帧重叠为50％；针对多通道EEG信号，对每一个通道i的EEG信号进行经验模态分解，得到若干个本征模函数，仅取第一个本征模函数(FIMF)，记为c₁(n)。

1-3通过如下公式计算FIMF的信号能量

其中E_FIMF表示FIMF的信号能量，c₁(n)为FIMF，N为输入信号的帧长。

1-4通过如下公式计算FIMF的信号能量与输入信号的能量比值