[发明专利]一种基于脉冲群智能算法并结合STFT-PSD和PCA的癫痫时期分类方法

说明书

本文公开了一种癫痫时期特征提取及分类方法。首先，对原始的癫痫脑电数据进行随机打乱预处理，并分别划分4折的训练集和测试集。其次，采用结合方法对预处理后的数据提取特征，一方面，通过WPT或STFT‑PSD提取非线性的时频特征，然后，在得到的时频特征上再结合PCA算法提取脑电数据的主成分特征，并消除噪声和冗余特征，并作为特征提取的最终特征。最后，采用脉冲神经网络对提取的特征做分类分析，脉冲神经网络算法不仅考虑个体互助和信息交互，拥有很强的鲁棒性；并且它模拟的神经元更加接近大脑中真实的神经元，考虑更多的时间信息，拥有更强的计算能力。

技术领域

本发明属于医学疾病中脑电信号处理技术领域，尤其涉及一种基于脉冲群智能算法并结合STFT-PSD和PCA的癫痫时期分类方法。

背景技术

癫痫是一种严重的脑功能障碍的疾病，不仅使患者躯体遭受痛苦，而且在一定程度上导致精神及社会心理障碍。癫痫严重损害患者的身心健康.将癫痫脑电信号从不同时期的检测出来,能够给医生诊断病情带来帮助。

由于采集到的脑电信号是一种随机性强、波形直观上缺乏规律性的非平稳信号，因此需要采用有效的特征提取方法来提高脑电信号的分类准确率。由于癫痫中频率的变化比较明显，而短时傅立叶变换的功率谱密度(STFT-PSD)和小波转换(WPT)都可以经过非线性转化从脑电信号中提取时频信息。此外，脑电信号中可能存在噪声，而WPT和STFT-PSD都不能有效的消除脑电信号中的噪声和不重要的冗余特征。主成分分析(PCA)在低维空间保持重要特征的同时，也可以消除噪声和不重要的特征。因此本文采用STFT-PSD或WPT与PCA结合来提取脑电特征。

提取的特征主要用于癫痫脑电信号的分类，Murugavel提出了一种分层结合的支撑向量机MSVM算法和极限学习机ELM算法用于癫痫时期分类。然而，传统的机器学习分类算法的性能也有待提高，选择合适的分类模型变得非常关键。脉冲群智能优化算法是一种结合了群智能优化和脉冲神经元模型的分类算法。群智能优化算法是一种仿生的随机搜索算法，它没有中心控制，因此当一个或几个个体表现不好的时候，不会影响整体求解问题。布谷鸟算法可以通过模拟布谷鸟的寄生育雏和Levy飞行机制有效求解优化问题。此外，癫痫与大脑中神经元脉冲的发放有一定的关系。脉冲神经元模型SNM考虑时间信息的影响，其模拟的神经元更加接近人类真实大脑中的神经元，在生物医学方面已有很强的理论支撑。因此，本文采用脉冲群智能算法算完成癫痫时期的分类。

发明内容

针对上述背景，本发明提出一种基于脉冲群智能算法并结合STFT-PSD和PCA的癫痫时期分类方法，并提高其分类准确率。在特征提取方面，首先用STFT-PSD或WPT提取非线性的时频特征，然后，采用PCA提取主成分特征并消除噪声和不重要的冗余特征。在特征分类方面，脉冲群智能分类算法不仅充分考虑了个体合作和信息交互，拥有很强的鲁棒性，并且考虑更多的信息，拥有更强的计算能力。

为实现上述目的，本发明采用如下的技术方案：

一种基于脉冲群智能算法并结合STFT-PSD和PCA的癫痫时期分类方法，包括：

步骤(1)脑电信号预处理

把得到癫痫的脑电数据随机打乱并归一化，采用4折交叉验证的方法划分每折的训练集和测试集。

步骤(2)特征提取与融合

首先用STFT-PSD或WPT提取非线性的时频特征，然后，采用PCA提取主成分特征并消除噪声和不重要的冗余特征。

a.时频特征提取

通过WPT或STFT-PSD对预处理后的脑电数据提取时频特征。

通过WPT提取非线性的时频特征。

1)计算小波树的重建系数c。

2)然后，计算子频带平均方差系数。