[发明专利]一种脑电分类方法

说明书

本发明公开了一种脑电分类方法，包括如下步骤：S1：对脑电数据进行分析处理，获得特征值；S2：建立catboost分类模型，使用优化算法对catboost分类模型进行优化，得到最优模型；S3：将得到的特征值带入到最优模型中进行分类。本发明利用优化算法改进了catboost算法，解决了现有脑电信号分类方法中的分类准确率和效率低的问题，为脑电信号技术的实现和发展提供有力的技术支持。

技术领域

本发明涉及脑电数据分类识别技术领域，具体地是涉及一种脑电分类方法。

背景技术

脑部疾病如癫痫和惊厥会导致是短暂和意外的脑电紊乱，严重影响人类健康。脑电信号是非线性、非平稳的时序信号，可通过头皮上电极的传感器检测，这些信号是神经元膜电位非常丰富的外部表现。准确评估、术前评估、脑部疾病预防以及紧急警报都依赖于脑电的快速检测。医生可通过监测脑电信号评估大脑的状态，但是由于大量的脑电图数据和不同神经学专家的临床判断标准不同，诊断可能不准确。因此开发高效的数学模型来辅助医生做出判断十分紧迫，具有重要的实际意义。

在医疗领域，数据质量差和数据量低是常态。同时，当给出诊断结果时，有必要提供合理的解释，因此通过海量数据进行分析是不现实的。我们需要预测结果尽可能稳定，并且不要追求当前数据集的极值，因为当前数据集的极值通常都会发生过拟合。现有的脑电分类方法有支持向量机，随机森林，AdBoost等，这些算法分类准确率都不高。

因此，本发明的发明人亟需构思一种新技术以改善其问题。

发明内容

本发明旨在提供一种脑电分类方法，其可以解决现有脑电信号分类方法中的分类准确率和效率低的问题。

为解决上述技术问题，本发明的技术方案是：

一种脑电分类方法，包括如下步骤：

S1：对脑电数据进行分析处理，获得特征值；

S2：建立catboost分类模型，使用优化算法对catboost分类模型进行优化，得到最优模型；

S3：将得到的特征值带入到最优模型中进行分类。

优选地，所述步骤S2中的优化算法为灰狼优化算法，通过灰狼优化算法对catboost分类模型中的模型参数进行智能寻优，获取最优参数。

优选地，所述优化算法具体包括如下步骤：

ST1：初始化catboost算法的模型参数的取值范围，并设置相关数据，该相关数据包括但不限于狼群数量N以及最大迭代次数G；

ST2：根据之前设置的狼群数量，随机生成灰狼群，每个灰狼个体代表一个可行解；

ST3：根据适应度值更新狼群位置，最终保留适应度值最优的个体；

ST4：当迭代次数大于G时，训练结束，输出最优解，即为catboost算法中的最优参数。

优选地，所述步骤S2中通过Categorical features算法和Ordered boosting算法建立catboost分类模型。

优选地，所述步骤S1具体包括：

S11：对脑电数据进行预处理去除噪声，得到有效的脑电信号；

S12：对预处理后的脑电信号进行特征提取，得到特征值。

优选地，所述步骤S11具体包括：

S111：对脑电信号进行工频干扰去除，得到初始滤波信号；

S112：对初始滤波信号进行伪迹消除，消除眼电和肌电的干扰，得到滤干扰信号；

S113：对滤干扰信号进行去除基线漂移处理；