[發明專利]一種集成分類器的EEG信號分析方法

在審

• 申請號: 201710034042.0
• 申請日: 2017-01-11
• 公開（公告）號: CN108078563A
• 公開（公告）日: 2018-05-29
• 發明（設計）人: 張克華;嚴曉夢;馬佳航
• 申請（專利權）人: 浙江師范大學
• 主分類號: A61B5/0402
• 分類號: A61B5/0402;G06K9/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種基于集成分類器的EEG信號分析方法，該分析方法總共有以下四個步驟：EEG信號數據采集；EEG信號數據處理，獲得特征集；分類器的建立；輸出分析結果。本發明主要通過測量測試者的EEG信號，將從處理好的EEG信號中篩選到的特征導入到已建好的分類模型中，實現分析結果的輸出，讓使用者可以依據結果來進行判斷。解決了現有技術存在的問題，即單個分類器在建立模型時，其性能與穩定性都會受到數據的影響，造成結果的不穩定性的問題，為EEG信號的分析提供了一種原理簡單、實現難度相對較低、參數相關性大、準確性高的分析方法。

技術領域

本發明涉及EEG信號分析方法，特別涉及一種集成分類器的EEG信號分析方法。

背景技術

90年代至今，隨著計算機科學的發展，從EEG信號中提取心理任務相關的模式成為可能，腦機交互研究成為熱點。EEG信號提取分析法從1932年Dietch首先提出的傅里葉變換開始，后來相繼引入頻域分析、獨立分量分析方法的有機組合，各有優勢與不足。由于EEG信號是一種時變的、背景噪聲很強的非平穩隨機信號，因此EEG信號的分析和處理一直是非常吸引人但又有相當難度的研究課題。如何有效地提取腦電信息以及根據這些信息實現對大腦各種狀態下EEG信號的正確分類是近年來研究較多的課題。

傳統的機器學習方法是在一個由各種可能的函數構成的空間中尋找一個最接近實際分類函數場的分類器。由于單個分類器在建立模型時，其性能與穩定性都會受到數據的影響，造成結果的不穩定性。故提出集成學習概念。集成學習的思路是在對新的實例進行分類的時候，把若干個單個分類器集成起來，通過對多個分類器的分類結果進行某種組合來決定最終的分類，來取得比單個分類器更好的性能。

在此基礎上本專利提出了一種集成分類器的EEG信號分析方法。不同的生理狀態和病因下某些頻段的能量在頭皮不同區域的分布會發生變化，因此可以將不同區域上不同的頻段的能量作為分類器的特征向量。并采用集成式分類器，提升單個分類器的性能，得到更好的EEG信號分析結果。

發明內容

本發明目的是：提供一種集成分類器的EEG信號分析方法。該方法主要通過測量測試者的EEG信號，將從處理好的EEG信號中篩選到的特征導入到已建好的分類模型中，實現分析結果的輸出。其發明意義主要是：

(1)該發明通過采用集成式分類器，解決了現有技術存在的問題，即單個分類器在建立模型時，其性能與穩定性都會受到數據的影響，造成結果的不穩定性；

(2)該方法可以應用于多個領域，如臨床醫學上，利用其能夠提供準確可靠的生理功能和病理信息，來判識腦部疾病的發生，具有巨大的醫學價值。

本發明的技術方案是：

一種集成分類器的EEG信號分析方法，其特征在于：

優選的，該分析方法總共有以下步驟：

步驟1、兩組測試者佩戴腦電圖電極帽，進行EEG信號采集，第一組為訓練樣本，第二組為分類樣本；

步驟2、EEG信號處理，提取第一組測試者和第二組測試者的EEG信號特征：α頻段、β頻段、δ頻段、θ頻段、spindles的最大能量值，平均能量值，最大改變量和最大能量改變率共20個特征量，構成特征集，其中，

α頻段、β頻段、δ頻段、θ頻段分別為大腦產生的處于8-12Hz、14-22Hz、0.5-3Hz、4-8Hz的腦電波段，spindles為睡眠時產生的一種細而長的波束，也稱為紡錘束；

步驟3、從提取的第一組測試者的特征集中隨機選擇70％形成訓練集，30％形成測試集，并將第一組的結果屬性作為類別屬性，建立集成式分類器，以保證分類器的準確性；

步驟4、將從待測人員EEG信號中提取的特征集輸入到集成分類器中，輸出分析結果，判斷是否存在第一組測試者所具有的問題。