[发明专利]一种集成分类器的EEG信号分析方法

说明书

本发明公开了一种基于集成分类器的EEG信号分析方法，该分析方法总共有以下四个步骤：EEG信号数据采集；EEG信号数据处理，获得特征集；分类器的建立；输出分析结果。本发明主要通过测量测试者的EEG信号，将从处理好的EEG信号中筛选到的特征导入到已建好的分类模型中，实现分析结果的输出，让使用者可以依据结果来进行判断。解决了现有技术存在的问题，即单个分类器在建立模型时，其性能与稳定性都会受到数据的影响，造成结果的不稳定性的问题，为EEG信号的分析提供了一种原理简单、实现难度相对较低、参数相关性大、准确性高的分析方法。

技术领域

本发明涉及EEG信号分析方法，特别涉及一种集成分类器的EEG信号分析方法。

背景技术

90年代至今，随着计算机科学的发展，从EEG信号中提取心理任务相关的模式成为可能，脑机交互研究成为热点。EEG信号提取分析法从1932年Dietch首先提出的傅里叶变换开始，后来相继引入频域分析、独立分量分析方法的有机组合，各有优势与不足。由于EEG信号是一种时变的、背景噪声很强的非平稳随机信号，因此EEG信号的分析和处理一直是非常吸引人但又有相当难度的研究课题。如何有效地提取脑电信息以及根据这些信息实现对大脑各种状态下EEG信号的正确分类是近年来研究较多的课题。

传统的机器学习方法是在一个由各种可能的函数构成的空间中寻找一个最接近实际分类函数场的分类器。由于单个分类器在建立模型时，其性能与稳定性都会受到数据的影响，造成结果的不稳定性。故提出集成学习概念。集成学习的思路是在对新的实例进行分类的时候，把若干个单个分类器集成起来，通过对多个分类器的分类结果进行某种组合来决定最终的分类，来取得比单个分类器更好的性能。

在此基础上本专利提出了一种集成分类器的EEG信号分析方法。不同的生理状态和病因下某些频段的能量在头皮不同区域的分布会发生变化，因此可以将不同区域上不同的频段的能量作为分类器的特征向量。并采用集成式分类器，提升单个分类器的性能，得到更好的EEG信号分析结果。

发明内容

本发明目的是：提供一种集成分类器的EEG信号分析方法。该方法主要通过测量测试者的EEG信号，将从处理好的EEG信号中筛选到的特征导入到已建好的分类模型中，实现分析结果的输出。其发明意义主要是：

(1)该发明通过采用集成式分类器，解决了现有技术存在的问题，即单个分类器在建立模型时，其性能与稳定性都会受到数据的影响，造成结果的不稳定性；

(2)该方法可以应用于多个领域，如临床医学上，利用其能够提供准确可靠的生理功能和病理信息，来判识脑部疾病的发生，具有巨大的医学价值。

本发明的技术方案是：

一种集成分类器的EEG信号分析方法，其特征在于：

优选的，该分析方法总共有以下步骤：

步骤1、两组测试者佩戴脑电图电极帽，进行EEG信号采集，第一组为训练样本，第二组为分类样本；

步骤2、EEG信号处理，提取第一组测试者和第二组测试者的EEG信号特征：α频段、β频段、δ频段、θ频段、spindles的最大能量值，平均能量值，最大改变量和最大能量改变率共20个特征量，构成特征集，其中，

α频段、β频段、δ频段、θ频段分别为大脑产生的处于8-12Hz、14-22Hz、0.5-3Hz、4-8Hz的脑电波段，spindles为睡眠时产生的一种细而长的波束，也称为纺锤束；

步骤3、从提取的第一组测试者的特征集中随机选择70％形成训练集，30％形成测试集，并将第一组的结果属性作为类别属性，建立集成式分类器，以保证分类器的准确性；

步骤4、将从待测人员EEG信号中提取的特征集输入到集成分类器中，输出分析结果，判断是否存在第一组测试者所具有的问题。