[發(fā)明專利]基于小波包特征和隨機森林的癲癇病前期預(yù)測方法

在審

• 申請?zhí)枺?/td>: 201810409965.4
• 申請日: 2018-05-02
• 公開（公告）號: CN108962391A
• 公開（公告）日: 2018-12-07
• 發(fā)明（設(shè)計）人: 曹九穩(wěn);王玉星
• 申請（專利權(quán)）人: 杭州電子科技大學(xué)
• 主分類號: G16H50/50
• 分類號: G16H50/50;G06K9/62
• 代理公司: 杭州君度專利代理事務(wù)所(特殊普通合伙) 33240
• 代理人: 朱月芬

1.基于小波包特征和隨機森林的癲癇病前期預(yù)測方法，其特征在于，包括如下步驟：

步驟1、原始信號小波包分解；

步驟2、對小波包系數(shù)提取能量占比、小波包熵特征；

步驟3、用隨機森林算法進行分類識別；

所述步驟1的具體實現(xiàn)包括如下步驟：

1-1.將原始的腦電信號劃分為5個類別，開始發(fā)病到發(fā)病結(jié)束是發(fā)作期；發(fā)病前后四個小時的數(shù)據(jù)作為發(fā)作間期；發(fā)病前20分鐘到開始發(fā)病是第一個預(yù)測期；發(fā)作前40分鐘到發(fā)作前20分鐘是第二個預(yù)測期；發(fā)作前一個小時到發(fā)作前40分鐘是第三個預(yù)測期,在特征提取之前對每一類的信號進行如下的處理：

采用幀處理信號，每一幀是有23個通道，時長為4s的信號；對每一幀的每一個通道的信號進行小波包分解，分解層數(shù)為6層；

步驟2的實現(xiàn)過程包括：

2-1.根據(jù)小波包分解規(guī)律，第6層的前15個頻率子帶包含腦電信號中四種節(jié)律波α、β、θ、δ；所以針對這15個頻率子帶提取了以下幾種特征：香農(nóng)熵、對數(shù)熵、閾值熵、確定熵和范數(shù)熵；

小波包熵的具體求取方法如下：

在進行說明之前，熵(E)必須是如下的成本函數(shù)：

和E(s)＝0

香農(nóng)熵:

對數(shù)熵:

閾值熵:

閾值為p,當(dāng)s_i>p時，E(s_i)＝1,否則E(s_i)＝0；

確定熵:

范數(shù)熵:

k是范數(shù)的階數(shù)；

通過步驟2-1將生成15*5＝75個小波包熵特征；

2-2.對第6層頻率子帶信號求能量占比特征，會生成64個子帶能量比特征；

E6＝e(s_i)/sum(e(s_i))*100

e(s_i)是某一個子帶的能量；

2-3.根據(jù)步驟2-1和2-2，每一個通道會得到64+15*5＝139維特征向量，其中包括64子帶的能量占比特征和75個子帶的小波包熵特征；因此對于每一個樣本會有139*23＝3197維的特征向量；

步驟3的實現(xiàn)過程包括：

將隨機森林的樹設(shè)置為N棵，用隨機森林算法選擇80％的樣本進行模型訓(xùn)練；剩余20％的樣本用于模型測試。

2.根據(jù)權(quán)利要求1所述的基于小波包特征和隨機森林的癲癇病前期預(yù)測方法，其特征在于步驟1-2中選取的4s幀長中有2s的幀重疊。

3.根據(jù)權(quán)利要求1所述的基于小波包特征和隨機森林的癲癇病前期預(yù)測方法，其特征在于N優(yōu)選為50棵；模型訓(xùn)練時的輸入為能量占比：香農(nóng)熵、對數(shù)熵、閾值熵、確定熵和范數(shù)熵幾種特征。