[发明专利]一种基于EcoG癫痫神经信号的解码方法和云端解码系统

权利要求书

1.一种基于EcoG癫痫神经信号的云端解码系统，其特征在于，包括部署在云端的以下模块：

信号接收与预处理模块，用于接收原始颞叶EcoG原始时间序列信号并对其进行预处理, 通过http服务接收网络传输的提取原始颞叶EcoG时间序列信号，对其进行低通滤波后，检测和计算放电峰值，然后提取放电峰值附近的放电信号波形；

特征提取模块，用于从所述原始时间序列信号中提取小波系数特征，基于Haar小波分析方法，提取所述的放电信号波形的小波系数作为特征；

机器学习模块，负责预加载机器学习模型并且利用SVM机器学习模型进行运算, 第一阶段，基于所述小波系数特征识别放电信号波形所对应的神经元类别，把单个EcoG时间序列信号转换成多个神经元类别的时间序列信号，然后提取所述多个神经元类别的放电率；第二阶段：将待测试癫痫病人得到的所述多个神经元类别的放电率输入到所述SVM机器学习模型；

模型结果处理和返回模块，用于返回模型预测结果。

2.如权利要求1所述的云端解码系统，其特征在于，所述SVM机器学习模型的训练通过以下步骤：

步骤1，提取学习样本的原始颞叶EcoG时间序列信号，对其进行低通滤波后，检测和计算放电峰值，然后提取放电峰值附近的放电信号波形；

步骤2，基于Haar小波分析方法，提取步骤1中所述的放电信号波形的小波系数作为特征；

步骤3，基于SVM模型，对采集到的小波系数特征进行学习模型训练：第一阶段，基于所述小波系数特征识别放电信号波形所对应的神经元类别，把单个EcoG时间序列信号转换成多个神经元类别的时间序列信号，然后提取所述多个神经元类别的放电率；第二阶段，利用所有学习样本得到的所述多个神经元类别的放电率训练SVM机器学习模型。

3.如权利要求2所述的云端解码系统，其特征在于，所述SVM机器学习模型时采用的学习样本个数为5000-10000个。

4.如权利要求1所述的云端解码系统，其特征在于，所述原始颞叶EcoG时间序列信号由g.tec公司的g.HIamp脑机接口设备采集。

5.如权利要求1所述的云端解码系统，其特征在于，所述低通滤波是通过以下微分方程完成的：

其中，为输入信号，为输出信号，。

6.如权利要求1所述的云端解码系统，其特征在于，放电峰值附近的放电信号波形是指峰值前后5ms的放电信号波形。

7.如权利要求1所述的云端解码系统，其特征在于，所述神经元类别的个数为3-10个。

8.如权利要求1所述的云端解码系统，其特征在于， 所述SVM机器学习模型采用线性SVM。