[发明专利]基于机器学习模糊特征选择的癫痫发作脑电信号分类方法

权利要求书

1.一种基于机器学习模糊特征选择的癫痫发作脑电信号分类方法，不同的脑电信号预处理方式、特定通道选择、多种特征提取、模糊特征选择、SVM支持向量机分类，其特征在于，包括以下步骤：

(1)对原始数据预处理；使用MATLAB EEG LAB工具包将所有物理生物数据转换为MATLAB数据：

1)采用平稳小波变换SWT和独立分量分析ICA相结合的方法SWT+ICA对脑电信号和EOG信号进行预处理，去除脑电信号中一些不需要的分量；

2)利用EMD技术，从预处理的脑电图信号中提取并检测人眼眨眼；

3)使用带通滤波器0.5-30Hz对数据进行滤波来完成，去除人工伪影使用的滤波器是用5阶巴特沃斯设计生成的，并使用正反向方法实现以生成零相位响应；

4)去除伪影后所有纯通道数据都使用有限脉冲响应滤波器FIR；

(2)对预处理后的数据进行特定通道选择；

1)为了降低系统复杂度，选择了准确度高的四个通道，分别是(F3-C3)，(C3-P3)，(F4-C4)，(C4-P4)这四个通道；

2)对该4个通道进行平均，使用式(1)对4个通道平均值Avergared_EEG[n]的值进行特征提取；

其中，x,c分别为输入的信号，通道数量；

(3)对所选出的通道上的数据进行多种特征提取；

1)采用自回归建模AR技术，使用Burg AR估计器，最大限度地减小了正向和反向预测误差，产生一个稳定的模型，直接计算反射系数，Burg方法可以估计PSD的数据记录，复制原始数据值，使用公式(2)实现产生一个稳定的模型，计算反射系数

其中，k,f分别表示前向预测误差功率，模型阶次，频率轴参数；

2)使用AR建模方法从预处理的脑电图数据中提取的一些特征包括：与PSD相关的四个特征:PSD的峰值频率、PSD的峰值、一阶谱矩、二阶谱矩，以下公式3)和公式(4)分别为计算一阶谱矩m₀₁和二阶谱矩m₀₂；

3)计算基于连通度的特征提取和熵的特征，其中基于连通度的特征提取要依照公式(5)和公式(6)计算左半脑通道信息Left_{hemisphericEEG}[n]，右脑通道信息Right_{hemisphericEEG}[n]；

其中，L＝2为左半脑通道数和L∈(F3-C3),(C3-P3)；

R＝2是右半脑通道的数量和R∈(F4-C4),(C4-P4)；

4)通过计算，得出从时域、频域、小波域提取的特征；

(4)进行模糊特征选择；

1)使用高斯隶属函数对数据集进行模糊化，对提取的特征数据集输入x_t的每一列计算基于类的标准偏差和均值t是给定数据集中特征的总数；

2)把得到的值带入式(7)中获取类标签保持清晰的模糊数据集，新的模糊数据集包含模糊特征(ActualFeatureNum*classNum)ActualFeatureNum表示之前模糊化数据集中特征的实际数量，classNum表示决策类的数量，其中数据集中标签1代表癫痫，2代表非癫痫；把得到的值带入式(7)中获取类标签保持清晰的模糊数据集；

其中，中j＝{1,2,...,实例的数量}，σ_i和c_i是离散的特征；

3)获取类标签保持清晰的模糊数据集，使用FDM算法生成模糊可辨识矩阵，依据决策相关原理进行计算，模糊可分辨矩阵是对称矩阵，只需计算矩阵的一半，不包括对角元素；

4)进行特征子集的约简计算，模糊可辨矩阵的每个单元FDM(i,j)是一个不同值的向量称为“可辨向量”，对所有的可分辨向量进行求和，并将得到的可分辨向量除以(m²-m)/2，按降序对可分辨向量进行排序，并使用用户输入选择前K个信息量最大的特性作为约简；

(5)使用贝叶斯优化算法对支持向量机的超参数进行优化后分类；

1)采用贝叶斯优化算法对支持向量机的超参数进行优化，给定一组实例标签对的训练集(x_i,y_i),i＝1,2,.....,l其中x_i∈Rⁿ,y∈(1，-1)^l；

2)ε_i≥0,训练向量x_i通过函数映射到一个更高的维空间，C>0为误差项的惩罚参数；

3)核函数将不可分离的特征转化为可分离的特征空间，从而提高了识别的精度，径向基函数(RBF)核函数为式(9)；