[发明专利]基于VMD和NLTWSVM的多特征癫痫信号分类方法

说明书

本发明属于涉及一种基于VMD和NLTWSVM的多特征癫痫信号分类方法。包括：对脑电信号数据进行预处理；脑电信号数据包括健康人脑电数据集、癫痫患者发作间期脑电数据集和癫痫患者发作期脑电数据集；对脑电信号进行变分模态分解，得到相对应的本征模态函数；从得到的一系列本征模态函数中提取多特征参数；将提取的多特征参数作为特征组合输入到非线性双子支持向量机中进行训练和分类。针对癫痫脑电信号具有非平稳、非线性等特点，利用变分模态分解时频分析方法获取信号分量，对分量进行多特征参数提取，结合非线性双子支持向量机机器学习方法，实现正确分类癫痫脑电信号和非癫痫脑电信号。

技术领域

本发明属于非平稳非线性信号的时频分析、模式分类和机器学习，属于生物医学工程信号处理和模式识别技术领域，具体涉及一种基于VMD和NLTWSVM的多特征癫痫信号分类方法。

背景技术

癫痫是大脑神经元突发性超同步化异常放电导致短暂大脑功能障碍的一种慢性非传染性神经系统脑疾病，据世界卫生组织统计全世界目前大约有5000万癫痫患者，其中大约80％的癫痫患者生活在中低收入国家，癫痫疾病对癫痫患者的生活、学习、工作和精神造成了严重影响，甚至危害癫痫患者的生命安全。目前对癫痫患者进行神经电生理检查时，脑电图(Electroencephalography，EEG)作为癫痫诊断的“金标准”，通过放置于大脑皮层处的干电极记录患者脑电信号，医师利用肉眼观测脑电信号数据判断脑电图中是否出现表征大脑过度放电的棘波、尖波、棘(尖)-慢综合波和其他发作性节律波。但是仅凭专家肉眼观测判断非常耗时耗力，并且在观测过程中可能存在由于人为主观因素导致造成误诊的情况。因此，癫痫脑电信号和非癫痫脑电信号进行分类识别对癫痫发作预测和临床诊疗领域具有重要意义。

脑电信号是典型的非线性、非平稳的生物弱信号。脑电信号的分析方法有时域、频域、时频域和非线性动力学。其中时频域方法中由Huang等人提出的经验模态分解(Empirical Mode Decomposition，EMD)方法在脑电信号分析领域应用广泛，但是此方法由于通过极值点的包络进行多次递归分解后包络估计误差逐渐被放大，导致相近的频率分量无法被正确分离而存在模态混叠和端点效应等问题，使信号在处理过程中丢失部分细节信息，影响信号的完整性和分析的准确性。针对EMD存在模态混叠问题，Wu和Huang提出了改进的利用噪声辅助EMD的集合经验模态分解(Ensemble Empirical Mode Decomposition，EEMD)方法，该方法利用白噪声在频域内功率谱密度分布均匀的特点，消除了模态混叠现象并且提高了算法的抗噪性，但是此方法增加了计算量，同时会分解得到超出信号真实组成的多个分量。

发明内容

本发明所要解决的技术问题在于提供一种基于VMD和NLTWSVM的多特征癫痫信号分类方法，针对癫痫脑电信号具有非平稳、非线性等特点，利用变分模态分解时频分析方法获取信号分量，对分量进行多特征参数提取，结合非线性双子支持向量机机器学习方法，实现正确分类癫痫脑电信号和非癫痫脑电信号。

本发明是这样实现的，

一种基于VMD和NLTWSVM的多特征癫痫信号分类方法，该方法包括：

对脑电信号数据进行预处理；脑电信号数据包括健康人脑电数据集、癫痫患者发作间期脑电数据集和癫痫患者发作期脑电数据集；

对脑电信号x(t)进行变分模态分解，得到相对应的本征模态函数u_k(t)，k为K里某一个层数的代表，其中K为本征模态函数的阶数；

从得到的一系列本征模态函数中提取多特征参数；

将提取的多特征参数作为特征组合输入到非线性双子支持向量机中进行训练和分类。

进一步地，预处理包括：将数据集中每组脑电信号前23s脑电数据以1s为一个单位划分为23个数据片段样本，将每个数据集随机选取50组脑电数据并对其分段获得的数据片段样本作为分类器的训练样本，剩余每个数据集的数据片段样本作为分类器的测试样本。