[发明专利]一种基于肢端动作信号的癫痫发作状态识别方法

权利要求书

1.一种基于肢端动作信号的癫痫发作状态识别方法，其特征是：包括以下步骤：

步骤1：根据采集到的多维度肢端动作信号，对多维度肢端动作信号进行数据划分，得到发病数据片段和正常数据，正常数据划分出干扰片段和平稳片段各占比50％，所述多维度肢端动作信号包括三轴加速度信号、心电信号、皮电信号和体温信号；

步骤2：根据发病数据片段和正常数据，进行预处理，得到预处理后的数据；

步骤3：根据预处理后的数据，进行特征提取和特征选择，确定各特征效果，得到多参数的特征数据集；

步骤3中的特征提取，分别从统计特征、差分特征、多次方特征出发，来对信号数据集进行特征提取；

步骤4：根据多参数的特征数据集，划分训练集和测试集，得到统一格式的训练学习数据；

步骤5：基于训练学习数据，采用支持向量机算法进行机器学习，通过自动网格搜寻法进行超参数调节，确定优化后的超参数水平组合；

所述步骤5中支持向量机通过核函数映射到高维空间，使用的核函数为rbf高斯核，通过下式表示rbf核函数的映射公式K(x，z)：

其中，x为新的样本点数据，z为原来的样本点数据，γ为高斯核系数，σ为尺度参数；

将低维特征映射到高维空间之后，再通过拉格朗日乘子法来解决支持向量机的超平面间隔最大化的问题，通过下式表示所述间隔最大化的优化问题：

st.y_i(w*x_i+b)≥1-θ_i,i＝1,2,…,N

θ_i≥0,i＝1,2,…,N

其中，x_i为第i个训练数据样本，y_i为第i个训练数据标签，θ_i为松弛变量，C作为惩罚参数，代表着对于错分样本的容忍程度，w和b是系数矩阵和截距；

依上做核函数映射和最优化问题求解来搭建出支持向量机模型之后，使用自动网格搜寻法来对超参数C和γ进行调节，确定超参数水平组合；

步骤6：确定优化后的超参数水平组合是否符合优化需求，若符合优化需求则停止优化，若不符合则返回步骤4调整特征集的特征重新进行机器学习；

步骤7：当优化后的超参数水平组合符合优化需求后，还原决策函数，识别癫痫发作状态。

2.根据权利要求1所述的一种基于肢端动作信号的癫痫发作状态识别方法，其特征是：步骤2中对发病数据片段和正常数据进行预处理具体为：

步骤2.1：对发病数据片段和正常数据进行阈值过滤，去除小振动干扰，阈值由数据统计分析选取0.05；

步骤2.2：对发病数据和正常数据进行相邻点5点中值滤波，消除椒盐噪声；

步骤2.3：对三轴加速度数据进行加速度合成，通过下式表示合成后的加速度A：

其中：A_x，A_y，A_z分别为x、y、z轴加速度信号。

3.根据权利要求1所述的一种基于肢端动作信号的癫痫发作状态识别方法，其特征是：步骤3中采用随机森林算法的特征重要性可视化特性进行特征选择，特征选择的过程综合考虑特征重要性和识别准确率，选取识别准确率最高的组合作为多参数的特征数据集。

4.根据权利要求1所述的一种基于肢端动作信号的癫痫发作状态识别方法，其特征是：所述步骤4具体为：依据二八原则，根据多参数的特征数据集，划分训练集和测试集，划分百分之八十的训练集，划分百分之二十的测试集，得到统一格式的训练学习数据。

5.根据权利要求1所述的一种基于肢端动作信号的癫痫发作状态识别方法，其特征是：确定优化后的超参数水平组合是否符合优化需求，当超参数水平组合准确率最高时，则符合要求。

6.根据权利要求1所述的一种基于肢端动作信号的癫痫发作状态识别方法，其特征是：根据优化后的系数矩阵w和截距b，参照fx＝w^Tx+b来还原决策函数，识别癫痫发作状态。