[发明专利]基于机器学习的癫痫脑电信号识别方法

说明书

本发明公开了一种基于机器学习的癫痫脑电信号识别方法，该方法包括步骤：1.对预处理后的脑电信号进行经验模态分解，用一系列IMF将原始信号分解为多个单频滤波与一个余波之和，提取各波形的局部幅值和频率；2.用主成分分析法对经过经验模态分解的脑电信号进行降维；3.与预处理后的癫痫脑电信号的样本熵特征融合作为特征向量。本方法提取的特征具有一定辨识度，可以应用到脑电信号的识别分类的其他领域。

技术领域

本发明涉及癫痫脑电信号的识别方法，特别是涉及一种基于机器学习的癫痫脑电信号识别方法的。

背景技术

1.癫痫是一种常见的慢性脑疾病，是神经科疾病中仅次于脑血管疾病的第二大顽疾，全世界约有5000万患者，因此，研究癫痫信号对于诊断癫痫、定位癫痫致病灶、分辨癫痫的发作类型有着重要的意义。然而，由于癫痫患者的脑电信号本身非常复杂，随时间不规则的变化。精确和通用的癫痫发作预测算法的设计非常困难，是一种极具挑战性的工作。

2.最为常见的脑电信号分解方法为经验模态分解，经过此方法，原信号被转化为包含了原脑电信号不同尺度的模态函数，能够反映脑电数据在不同时频尺度上的特征。但同时对多通道数据进行分解存在模态混叠，计算效率随维度的上升而极具下降，无法衡量时间序列复杂性等问题。

3.Kannathal研究小组于2005年采用样本熵和近似熵对癫痫脑电发作期和正常期的信号进行分析，结果表明癫痫发作时样本熵值和近似熵值较发作前和发作后低，且样本熵的变化幅度变化明显大于近似熵，能够通过度量信号中产生新模式的概率大小来衡量时间序列复杂性，为之后癫痫脑电分类研究提供了依据。

发明内容

为了克服上述现有技术的不足，本发明提供了一种基于机器学习的癫痫脑电信号识别方法。解决了癫痫脑电信号特征提取单一，经过经验模态分解后计算效率低、无法衡量时间序列复杂性等问题，很大程度上提高了脑电信号的分类准确率。

基于机器学习的癫痫脑电信号识别方法，包括以下步骤：

1对预处理后的脑电信号进行经验模态分解，用一系列IMF将原始信号分解为多个单频滤波与一个余波之和，提取各波形的局部幅值和频率。

2用主成分分析法对经过经验模态分解的脑电信号进行降维

3对预处理后的脑电信号计算样本熵。

4将降维后的脑电信号与样本熵作特征融合作为新的特征向量。

步骤1的具体过程为：

1-1.首先求出信号x(t)所有的局部极大值点和局部极小值点，用三次样条插值函数求上、下包络线的平均曲线，用信号减去平均曲线，得到一个新的函数。

1-2.如果新函数满足IMF的两个条件，则是第一个分量，即第一个IMF。

1-3.如果不满足IMF的两个条件：1.IMF极值的数量(最大值和最小值的数量之和)与零穿越的数量必须相等或最多相差1；2.在IMF的任意点，局部最大值定义的包络线的平均值和局部最小值定义的包络线的平均值应等于零。则将新函数作为原始数据重复上述1-1过程，直到n次后只得到一个单调且不能从中提取出满足IMF条件的分量的残余函数，得到n个IMF。这些IMF分量分别记为c₁(t)，c₂(t)，c₃(t)，c₄(t)、…c_n(t)。

1-4.当残余函数r(t)成为一个单调函数而不能再从中提取出满足IMF条件的分量时，原始信号可以表示为：

步骤2的具体过程为：