[发明专利]一种面向癫痫脑电信号识别的智能诊断系统

权利要求书

1.一种面向癫痫脑电信号识别的智能诊断系统，其特征在于：它包括后台的一套脑电数字信号处理程序和一个可视化的客户端操作界面；所述的后台的一套脑电数字信号处理程序，其特征提取模块利用离散小波变换和统计方法来提取原始脑电信号片段中的特征量，其模型训练模块利用径向基函数神经网络和最小最大概率机构建可靠的癫痫诊断模型，其训练好的诊断模块利用径向基函数神经网络和分类决策树对新输入的脑电信号做出诊断；所述可视化的客户端操作界面，其数据读取模块负责读取原始脑电信号片段数据，其数据通信模块负责向后台发起请求、发送数据信息，等待接收后台的响应和数据信息，其数据呈现模块负责以图表的方式显示原始脑电信号片段和提取的脑电信号特征量，最终显示后台返回的诊断结果。

2.如权利要求1所述的一种面向癫痫脑电信号识别的智能诊断系统，其特征在于：所述的后台的一套脑电数字信号处理程序依赖于MATLAB环境来执行，可部署在远程服务器或本地计算机上；所述的一个可视化的客户端操作界面安装在PC端，独立于所述的后台的一套脑电数字信号处理程序；所述的后台的一套脑电数字信号处理程序和所述的一个可视化的客户端操作界面通过网络或进程间通信实现数据信息的交换。

3.如权利要求1所述的一种面向癫痫脑电信号识别的智能诊断系统，其特征在于：所述的后台的一套脑电数字信号处理程序，其特征提取模块利用离散小波变换和统计方法来提取原始脑电信号片段中的特征量；首先通过离散小波变换，将原始脑电信号层层分解，得到各层小波的近似系数带和细节系数带；再从各层小波细节系数带和最后一层的近似系数带中统计得到每个系数带的最大值、最小值、均值和标准差作为提取到的特征量。

4.如权利要求1所述的一种面向癫痫脑电信号识别的智能诊断系统，其特征在于：所述的后台的脑电数字信号处理程序，其模型训练模块利用径向基函数神经网络和最小最大概率机构建可靠的癫痫诊断模型，具体步骤为：

1)按权利要求3所述方法从大量已知癫痫诊断结果的脑电信号片段中提取特征量，得到训练样本集；

2)为训练过程制定验证策略，为超参数制定参数寻优的网格范围；

3)按验证策略划分出训练集和验证集，并从参数网格中取出一组超参数；

4)利用模糊C均值聚类算法确定各径向基函数的中心和宽度，这里C为类别数；

5)训练样本通过径向基函数网络，统一地映射到新的特征空间中；

6)按照“一对一”的策略，利用最小最大概率机训练出各二元分类器；

7)将得到的多个二元分类器构造成分类决策树，得到癫痫诊断模型；

8)验证所得模型的有效性，重复步骤3)～8)，直至找到最佳的参数组合；

9)完整地对步骤1)得到的训练样本集进行训练，构建出可靠的癫痫诊断模型。

5.如权利要求3所述的一种面向癫痫脑电信号识别的智能诊断系统，其特征在于：所述步骤7)中，采用排除法来构建分类决策树，并充分利用到了最小最大概率机中的正确分类下界α指标，保证可靠性更好的二元分类器排在前面，具体步骤为：

(1)设有M类，记C(i:j)表示第i对j类所得二元分类器，α(i:j)表示与之对应的α指标；将α最大的分类器作为分类树的根节点；

(2)假设当前节点所用分类器为C(i:j)，若分类结果为样本不属于第i类，则其子节点可用分类器集合为排除了所有与i有关的二分类器集合C＝C/i，然后采用的分类器为C中与j有关的α指标最大者；若分类结果为样本不属于第j类，则其子节点可用分类器集合为排除了所有与j有关的二分类器集合C＝C/j，然后采用的分类器为C中与i有关的α指标最大者；重复此步骤，直至用尽所有M(M-1)/2个分类器，构造出一棵M层的完全二叉树，其叶节点即为各类的类标签。