[发明专利]一种通过比较向量距离对癫痫进行分类的方法

说明书

本发明属于机器学习领域，具体涉及一种通过比较向量距离对癫痫进行分类的方法，包括以下步骤：S1、确定特征属性，获取训练样本；S2、将训练样本中癫痫发作个体与不发作个体分成两组，分别求两组数据的平均值向量a₁和a₀；S3、输入待判定个体，分别获取待判定个体特征属性向量与a₁和a₀之间的距离d₁和d₀；S4、比较d₁和d₀，输出较小的值所对应的分组，即为待判定个体的分组。本发明的通过比较向量距离对癫痫进行分类的方法，基于朴素贝叶斯分类器的思想，将比对概率换成比对距离，这种方法不需要依赖特征条件独立的假设，所以其不受特征属性相关性的影响，所以能够得到更好的结果。

技术领域

本发明属于机器学习领域，具体涉及一种通过比较向量距离对癫痫进行分类的方法。

背景技术

癫痫是一种常见的慢性脑部疾病。不仅在中国，乃至全世界都有许许多多的人深受癫痫的影响。通常的癫痫是通过脑电图来检测，在以往的研究过程中分析的工作由人工进行，弊端较多。故而，人们开始寻求通过自动化的检测来替代人工。

朴素贝叶斯算法是机器学习领域中非常经典的算法，它基于贝叶斯定理与特征条件独立假设。使用朴素贝叶斯方法对癫痫进行预测十分的简便。模型假设属性之间相互独立，这个假设在实际应用中往往是不成立的，在属性个数比较多或者属性之间相关性较大时，分类效果不好。

虽然属性加权的朴素贝叶斯方法针对此缺点进行了改善，但是，权值的确定是一个十分繁琐的过程。

因此，本领域亟需开发一种新的癫痫分类方法。

发明内容

不同于朴素贝叶斯算法，向量距离判定法是比较需要分类的个体的特征向量到基准向量之间的距离来完成分类的。

为了达到上述发明目的，本发明采用以下技术方案：

本发明采取如下技术方案：

一种通过比较向量距离对癫痫进行分类的方法，包括以下步骤：

S1、确定特征属性，获取训练样本；

S2、将训练样本中癫痫发作个体与不发作个体分成两组，分别求两组数据的平均值向量a₁和a₀；

S3、输入待判定个体，分别获取待判定个体特征属性向量与a₁和a₀之间的距离d₁和d₀；

S4、比较d₁和d₀，输出较小的值所对应的分组，即为待判定个体的分组。

作为优选方案，步骤S2中，将某一组下所有个体的特征向量求平均值，并作为基准向量。

作为优选方案，距离的计算方式为：

其中，i为向量中元素位置，n为向量维度。

本发明与现有技术相比有如下优点：

(1)本发明的通过比较向量距离对癫痫进行分类的方法，基于朴素贝叶斯分类器的思想，将比对概率换成比对距离，这种方法不需要依赖特征条件独立的假设，所以其不受特征属性相关性的影响，所以能够得到更好的结果。

(2)通过距离远近来分类，距离作为标准能够更敏锐地反应输入特征的变化。

(3)本发明的方法计算度小，能够更快的完成癫痫的分类。

附图说明