[发明专利]一种基于遗传算法和随机森林的EEG信号分类模型

说明书

一种基于遗传算法和随机森林的EEG信号分类模型，涉及EEG信号分类。1)特征提取；2)特征优化选择；3)训练分类器模型并预测。提出一种基于遗传算法和随机森林的EEG信号分类模型。针对一个公开的EEG数据集进行特征学习和分类。实验结果说明，经过优化选择出的特征分布较好，与已有的同类研究进行比较，所提出的方法在分类准确率上已经优于现有的分类方法，同时通过对数据集的交叉验证得出该方法在脑电波分类上具有有效性和稳定性，也能说明具有较高的应用价值，未来在临床应用具有广阔前景。

技术领域

本发明涉及EEG信号分类，尤其是涉及一种基于遗传算法和随机森林的EEG信号分类模型。

背景技术

脑电信号中包含了大量生理和病理信息，在临床医学与脑科学的研究中起着重要的作用。癫痫是中枢神经元群突发性过度重复放电的结果^[1]。对癫痫患者进行治疗需要较准确的定位患者的致痫区域。对患者脑电信号的准确分析有助于确定致痫区域，这会使得致痫区域切除更精准，提升癫痫手术的疗效。然而，目前对脑电图异常活动的检测分析，主要还是由医生通过视觉检测完成。这种检测费时，效率低，并且容易产生失误。因此，利用计算机辅助脑电信号检测具有很重要的意义。通过科学方法，快速、准确地检测脑电信号，不仅减轻了医疗工作者的工作负担，更重要的是，为准确治疗癫痫病人提供了重要参考。

EEG信号的分类研究，主要分为两大步骤：特征提取和分类分析。特征提取的技术主要分为4大类^[2]：基于时域^[3]、频域^[4]、时频域^[4]和非线性^[5]的方法。此外，只基于单个特征提取方法得到的特征对EEG信号分类，所得结果的准确率普遍不高。因此，越来越多的学者将多种特征提取方法组合使用，得到更多的特征，进而提高分类准确率。Zhang等人^[6]将自回归模型和样本熵方法相结合进行特征提取，实验结果表明该组合策略能有效地提高脑电图信号的分类性能。Geng等人^[7]使用相关维度和赫斯特指数提取非线性特征。Ren等人^[8]则使用卷积深度信念网络(Convolutional Deep BeliefNetworks，CDBNs)提取脑电信号特征。然而有部分研究者研究固定特征的提取，Chen等人^[9]通过递归量化分析(RecurrenceQuantification Analysis，RQA)提取动态特征；Tu等人^[10,11]等人提出半监督特征提取器又称为极端能量比(Semi-supervised Extreme Energy Ratio，SEER)。Wen等人^[12]提出了一种基于频域特征搜索的遗传算法(GAFDS)来分析癫痫的脑电信号。

近年来，出现了一些有特色的解决特征选择问题的方法，如模拟退火算法、Tabu搜索算法、遗传算法等^[13,14]。遗传算法作为一种组合优化算法，不是对单个的特征进行优劣评价，而是对一个可能特征子集进行评价，能保证所选特征子集的组合最优化，省去需考虑各特征之间的相关性这一繁琐的工作；另外，由于遗传算法具有并行性、自适应性、领域无关性等特点，能很好地处理高维的特征集，所以遗传算法可有效地应用于特征选择。

特征提取之后，下一个步骤就是利用分类器对提取到的特征集合进行分类。Djemili等人^[15]采用多层感知器神经网络(MLPNN)分类器对EEG信号进行分类。另外，将多个分类方法结合起来，也已经成为趋势。例如Subasi等人^[16]结合人工神经网络(ANN)和logistic回归(LR)对脑电信号进行分类。Murugavel等人^[17]也提出了以极限学习机(ELM)为核函数的分层多类支持向量机(h-msvm)。

参考文献：