[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

说明书

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，步骤一、对原始的EEG数据进行预处理，先进行SWT+ICA再进行带通滤波器处理；步骤二、对预处理后的数据依照已有研究支撑进行特定通道选择；步骤三、对所选出的通道上的数据进行多种特征提取；步骤四、计算每个实验对于不同类的隶属度，依次通过FDM算法和特征子集的约简算法进行模糊特征选择；步骤五、采用优化的SVM进行癫痫信号分类。通过本发明，用户可以获得较高的癫痫分类准确率，另一方面，本发明提出的模糊特征选择思想也可以应用到脑电信号分类的其他领域，比如想象运动脑信号分类，为基于EEG信号的分类和识别提供了借鉴。

技术领域

本发明涉及脑电信号分类，具体涉及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。

背景技术

癫痫是一种脑神经疾病，常见于发作期和发作期间。它是一种常见的神经系统疾病，影响所有年龄段的人。癫痫是影响全世界约1％人口的最常见的神经疾病之一，其中会有约0.2％的人丧生。一份报告显示，全世界约有5000万人患有癫痫症，每200名新生婴儿中就有1名面临某种形式的癫痫发作。不同的诊断工具，如磁共振成像(MRI)、计算机断层扫描(CT)、正电子发射断层扫描(PET)、超声波、脑电图(EEG)。其中MRI，CT和超声检查费用昂贵，不能用于长期评估。脑电图是一种低成本的工具和非侵入性工具，可用于长期评估。因此，脑电图是诊断癫痫最有用的工具。癫痫发作其特征在于脑结构中神经元活动的异常同步放电。可以通过放置在大脑头皮上的多通道脑电图(EEG)信号记录这些异常电活动。通常，从这个EEG设备记录的这些信号由神经学家解释，这需要它们的可用性并且特别是对于长持续时间的信号而言非常耗时。

传统的机器学习进行的癫痫脑电信号分类方法，特征选择过程在保持较高的分类精度的同时，又要在处理较低的计算时间之间权衡。目前实现了多种特征提取技术，并进行了比较。我们注意到，使用所有特性可能并不总是能够确保高精确度，反而增加了总体计算开销。可辨识矩阵(DM)在脑电图信号特征选择和比较的结果与其他广泛使用的方法,如主成分分析(PCA)相比较，我们观察到DM优于PCA，甚至在一些案例中提供了一个比实际的特性更好的精度。然而在决策分类系统中，传统的可辨识矩阵(DM)基于决策相对原理工作。当且仅当两个实例的决策类不同时，它才会根据特征比较每对实例，所以影响了分类的准确度和效率。

发明内容

为了克服上述现有技术的不足，本发明的目的是提供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，采用SWT+ICA和带通滤波器相结合的方式进行数据预处理，并选择特定通道，结合自回归建模(AR)技术提取多种特征，进行模糊特征选择、分类，最终形成一种精度高、低计算负荷的癫痫分类方法。

为了实现上述目的，本发明采用的技术方案是：

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，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；