[发明专利]基于机器学习的癫痫脑电信号识别方法

权利要求书

1.基于机器学习的癫痫脑电信号识别方法，其特征在于，包括以下步骤：

步骤1对预处理后的脑电信号进行经验模态分解，用一系列IMF将原始信号分解为多个单频滤波与一个余波之和，提取各波形的局部幅值和频率；

步骤2用主成分分析法对经过经验模态分解的脑电信号进行降维

步骤3对预处理后的脑电信号计算样本熵；

步骤4将降维后的脑电信号与样本熵作特征融合作为新的特征向量。

2.根据权利要求1所述的方法，其特征在于，步骤1的具体过程为：

1-1.首先求出信号x(t)所有的局部极大值点和局部极小值点，用三次样条插值函数求上、下包络线的平均曲线，用信号减去平均曲线，得到一个新的函数；

1-2.如果新函数满足IMF的两个条件，则是第一个分量，即第一个IMF；

1-3.如果新函数不满足IMF的两个条件：1).IMF极值的数量即最大值和最小值的数量之和，与零穿越的数量必须相等或最多相差1)；2.在IMF的任意点，局部最大值定义的包络线的平均值和局部最小值定义的包络线的平均值应等于零；则将新函数作为原始数据重复上述1-1过程，直到n次后只得到一个单调且不能从中提取出满足IMF条件的分量的残余函数，得到n个IMF；这些IMF分量分别记为c₁(t)，c₂(t)，c₃(t)，c₄(t)、…c_n(t)；

1-4.当残余函数r(t)成为一个单调函数而不能再从中提取出满足IMF条件的分量时，原始信号表示为：

3.根据权利要求1所述的方法，其特征在于，步骤2的具体过程为：

2-1.假设第j组经过经验模态分解得到的脑电数据为Y_j＝[y_k1,y_k2...y_kw],k＝1,2,...,C,C为电极个数，w为采样点个数，y_kw(l＝1,2,...,w)为对应的第k个电极的第i个时间采样点；共有j组信号用于实验，将每组经过经验模态分解的脑电数据首尾相连构成一个j维的训练矩阵O＝[Y₁,Y₂,...Y_j]^T

2-2.计算矩阵O的协方差矩阵其中u为平均样本向量：令:A＝[Y₁-u,Y₂-u,...,Y_j-u]^T,则S＝A^TA,维数为j*j；

2-3.求解A^TA的特征值和特征向量，令λ_R(R＝1,2,...,r)为矩阵的r个非零特征值，v_R为特征向量，则正交归一化向量：构成PCA特征子空间：N＝q_R(R＝1,2,...,r)；

2-4.将样本Y_r(r＝1,2,...,r)投影到PCA特征子空间得到该样本的投影系数：f_r＝(Y_r-u)×N,样本的投影系数矩阵为：F＝[f₁,f₂,...,f_r]^T。

4.根据权利要求1所述的方法，其特征在于，步骤3的具体过程为：

3-1.采集时间序列Z(1),Z(2),...,Z(n),序列长度为n，测量时间间隔相等

3-2.设信号嵌入维度为e的向量：Ze(i)＝{Z(i),Z(i+1),...,Z(i+m-1)}，h＝1,2,...,n；并定义矢量Z(a)和Z(b)的距离：

d[Z(a)+Z(b)]＝max[|Z(a+h)-Z(b+h)|]

3-3.对于序列中的每一个Z(i),用p表示距离d比相似度阙值小的数量,距离总数为n-e,定义

p(g)为所有的平均数：

(3-4).维度加1，重复步骤3-2,3-3，得到该序列样本熵的表达式：

将维度e的值取为2，相似度阙值取为0.2。

5.根据权利要求1所述的方法，其特征在于，步骤4的具体过程为：

4-1经验模态分解特征向量和样本熵特征向量融合成特征向量

4-2将特征向量送入分类算法中识别分类。