[发明专利]基于机器学习模糊特征选择的癫痫发作脑电信号分类方法

摘要

一种基于机器学习模糊特征选择的癫痫发作脑电信号分类方法，步骤一、对原始的EEG数据进行预处理，先进行SWT+ICA再进行带通滤波器处理；步骤二、对预处理后的数据依照已有研究支撑进行特定通道选择；步骤三、对所选出的通道上的数据进行多种特征提取；步骤四、计算每个实验对于不同类的隶属度，依次通过FDM算法和特征子集的约简算法进行模糊特征选择；步骤五、采用优化的SVM进行癫痫信号分类。通过本发明，用户可以获得较高的癫痫分类准确率，另一方面，本发明提出的模糊特征选择思想也可以应用到脑电信号分类的其他领域，比如想象运动脑信号分类，为基于EEG信号的分类和识别提供了借鉴。

主权项

1.一种基于机器学习模糊特征选择的癫痫发作脑电信号分类方法，不同的脑电信号预处理方式、特定通道选择、多种特征提取、模糊特征选择、SVM支持向量机分类，其特征在于，包括以下步骤：/n(1)对原始数据预处理；使用MATLAB EEG LAB工具包将所有物理生物数据转换为MATLAB数据：/n1)采用平稳小波变换SWT和独立分量分析ICA相结合的方法SWT+ICA对脑电信号和EOG信号进行预处理，去除脑电信号中一些不需要的分量；/n2)利用EMD技术，从预处理的脑电图信号中提取并检测人眼眨眼；/n3)使用带通滤波器0.5-30Hz对数据进行滤波来完成，去除人工伪影使用的滤波器是用5阶巴特沃斯设计生成的，并使用正反向方法实现以生成零相位响应；/n4)去除伪影后所有纯通道数据都使用有限脉冲响应滤波器FIR；/n(2)对预处理后的数据进行特定通道选择；/n1)为了降低系统复杂度，选择了准确度高的四个通道，分别是(F3-C3)，(C3-P3)，(F4-C4)，(C4-P4)这四个通道；/n2)对该4个通道进行平均，使用式(1)对4个通道平均值Avergared