[发明专利]一种基于脑电信号的癫痫发作预测方法

说明书

本发明公开一种基于脑电信号的癫痫发作预测方法，该方法通过结合经验模态分解和卷积神经网络对癫痫的发作形成预测，并帮助医生进行诊断。主要包括如下步骤：对长期监测的脑电信号进行标记并分段，将分段后的脑电数据进行经验模态分解并提取熵特征，最后利用卷积神经网络对提取到的特征进行学习并对发作前期和发作间期的脑电信号进行分类。本方法采用时频域和非线性的特征提取方法并结合深度神经网络的分类方法，有效提高了癫痫脑电信号预测的准确率，使得医生患者可以在癫痫发作来临前能够做好充分准备，更加有效的治疗癫痫。

技术领域

本发明涉及医疗领域模型方法构建，涉及一种基于脑电信号的癫痫发作预测方法。

技术背景

癫痫是脑部神经元突发性异常放电，导致短暂大脑功能障碍的一种慢性疾病。据世界卫生组织的统计报告显示，目前约有5000万患者正在遭受癫痫疾病的困扰，它已经成为全球范围内最常见的神经系统疾病之一。癫痫的特点是反复性和发作性，在癫痫发作期间，病人会不自觉地产生全身抽搐、意识丧失、认知障碍等症状，给患者的正常生活带来了极大的影响。脑电图(EEG)通过附着在头皮上的电极直接记录大脑神经元的电活动，是诊断癫痫最有效的手段。然而，脑电图的读取和分析需要由经验丰富的神经内科专家来处理，这不仅增加了医生的负担，还容易产生主观判断错误。因此，设计一种可靠的癫痫自动检测技术对于临床应用和研究具有重要意义。

过去的几十年间，机器学习在脑电信号的癫痫发作检测方面获得了广泛的关注。癫痫脑电数据的自动检测技术包括特征提取与分类两部分。对于特征提取，主要分为线性分析以及非线性分析方法，常用的线性分析方法又分为时域分析、频域分析以及时频域分析。大脑是一个非线性动力学系统，因此越来越多的学者对脑电信号的非线性特征产生了极大的兴趣。其中，常用的脑电信号非线性特征主要有关联维数、Lyapunov指数、熵等非线性动力学指标。先采用有效的特征提取方法，再将提取到的特征放入分类模型中，就可以实现脑电信号的自动分类检测。最近，深度学习模型在时间序列信号，尤其是脑电信号的分析中已经取得了一些重要的进展。

发明内容

本发明要解决的技术问题是，提供一种基于脑电信号的癫痫发作预测方法。该方法首先利用经验模态分解对脑电信号进行熵特征的提取，再采用卷积神经网络对提取到的特征进行学习，最终实现对脑电数据的分类，使得医生和患者在癫痫发作前能够有时间为即将来临的发作做好准备，帮助医生做出诊断并减轻患者的痛苦。

为解决上述问题，本发明采用如下的技术方案：

一种基于脑电信号的癫痫发作预测方法，主要包括以下步骤：

步骤1、数据预处理。

对CHB-MIT数据集进行分类处理并采用30s脑电窗口进行分段。

步骤2、特征提取。

通过对30s脑电信号进行经验模态分解并分别计算它们的排列熵、近似熵、样本熵、香农熵、光谱熵和奇异分解熵作为该脑电片段的特征，并将得到的熵特征转化为特征向量。

步骤3、分类。

首先将前面得到的特征向量输入到卷积神经网络CNN中进行学习训练，得到分类结果。

步骤4、评价模型。

使用模型评价指标评价模型性能。

进一步地，步骤1所述的数据预处理方法，其步骤具体包括：

步骤1-1：将癫痫脑电信号分别根据发作前期和发作间期进行读取分类；

步骤1-2：由于癫痫发作前期与发作间期数据不平衡，先用30s滑动窗口对发作间期的数据进行分段，然后再采用30s重叠滑动窗口的方法对发作前期的数据进行分段以平衡数据集。

进一步地，步骤2所述的特征提取方法，其步骤具体包括：