[发明专利]一种基于机器学习的振幅整合脑电图分类识读系统

权利要求书

1.一种基于机器学习的振幅整合脑电图分类识读系统，其特征在于包括数据采集处理模块、特征提取模块和分类模块，其中数据采集处理模块用于采集脑功能监护仪输出的振幅整合脑电图文本数据，然后将采集到的振幅整合脑电图文本数据放大10的幂次方倍，再将放大后的振幅整合脑电图文本数据中大于100uV的数据值统一设置为100uV；特征提取模块用于在数据采集处理模块处理后的数据中提取振幅整合脑电图的幅度特征和非线性特征；分类模块采用具有1000棵决策树构成的随机森林分类模型对特征提取模块中提取出的幅度特征和非线性特征进行正异常判定，每棵树均输出正常振幅整合脑电图或癫痫患者振幅整合脑电图的分类结果，对随机森林分类模型中1000棵决策树得到的分类结果进行投票，投票次数最多的类型指定为最终判断结果。

2.根据权利要求1所述的一种基于机器学习的振幅整合脑电图分类识读系统，其特征在于所述特征提取模块在数据采集处理模块处理后的数据中提取振幅整合脑电图的幅度特征包括平均值、标准偏差和上下边界，其中平均值、标准偏差分别指将数据采集处理模块采集并处理后的振幅整合脑电图文本数据分段后各段数值的平均值之和、标准偏差之和，非线性特征包括排列熵(PermEn)、近似熵(ApEn)和样本熵；

上下边界为：

将数据采集处理模块采集并处理后的振幅整合脑电图文本数据平均分割为216段，将每段内的数据按升序排序，将每段排序数据中最小值的连线定义为下边界，相应地将每段排序数据中最大值的连线定义为上边界。

3.根据权利要求2所述的一种基于机器学习的振幅整合脑电图分类识读系统，其特征在于所述分类模块采用的具有1000棵决策树构成的随机森林分类模型的训练过程如下：

步骤一，将选取的新生儿6小时振幅整合脑电图文本数据输入数据采集处理模块，将经数据采集处理模块处理后的新生儿6小时振幅整合脑电图文本数据作为训练集；

步骤二，人工标注出训练集中每个文本数据属于正常振幅整合脑电图数据或者是癫痫患者振幅整合脑电图数据，得到人工标注正异常振幅整合脑电图的标注训练集；

步骤三，在标注训练集中有放回的采集42510个数据，并将该42510个数据作为一棵决策树的根节点样本训练该棵决策树，形成训练后的决策树；

步骤四：重复1000次步骤三，形成由1000棵训练后的决策树构成的随机森林，1000棵训练后的决策树会有1000个分类结果，对1000个分类结果进行投票，将投票次数最多的类别指定为最终的输出；

当随机森林分类模型对标注训练集中采集的数据分类准确率达到99％时，得到训练好的随机森林分类模型；其中该模型对标注训练集中采集的数据分类准确率是指该模型分类出标注训练集中全部的没有患癫痫病新生儿样本数据的数量/标准化人工判断的标注训练集中全部没有患癫痫病新生儿样本数据的数量*100％。