[发明专利]面向癫痫脑电信号的特征提取与自动识别方法

摘要

本发明提出了一种面向癫痫脑电(Electroencephalogram，EEG)信号的特征提取与自动识别方法。该方法首先由脑电信号通过小波变换得到时频图像，并按频率由低到高，将时频图分割成δ、Θ、α、β、γ五个频率的时频子图；接着，应用高斯混合模型(Gaussian mixture model，GMM)对时频图能量密度的概率分布进行估计，将高斯混合模型对应的参数(均值、方差、权值)作为脑电信号的特征；然后，应用特征加权算法(ReliefF)和支持向量机递归特征消除法(Support Vector Machine‑Recursive Feature Elimination，SVM‑RFE)对上述特征进行选择，得到最大程度表征正常脑电信号与癫痫脑电信号差异的特征；最后，通过模式分类和机器学习验证本发明方法所提特征在自动识别癫痫上的有效性，具体表现为识别的正确率与模型的泛化性能。与现有相关技术相比较，本发明方法提取识别的特征对癫痫脑电识别正确率高，模型泛化性能好，在辅助癫痫脑疾病的临床诊断和自动识别方面具有重要意义。

主权项

一种基于时频分析的癫痫脑电信号的癫痫特征提取识别方法的建立方法，其特征在于包括：(1)对脑电信号进行小波变换，获得同时反映时间和频域信息的时频图I；(2)将时频图I按照δ、Θ、α、β、γ波段分割成五个时频子图A、B、C、D、E；(3)应用混合高斯模型分别对时频子图A、B、C、D、E能量密度的概率分布进行估计，并提取表征脑电信号的备选特征集S0；(4)应用模式分类中特征选择方法从备选特征集S0中选择表征脑电信号的最优特征子集S1；其中，所选择的最优特征子集S1适于应用模式分类器对所述所选择的最优特征子集S1进行机器学习以构建癫痫脑电分类器，并通过获得该最优特征子集S1对癫痫脑电的分类结果而验证最优特征子集S1的有效性。