[發(fā)明專利]一種癲癇患者腦電信號的計算機模式識別方法

有效

• 申請?zhí)枺?/td>: 201811569002.7
• 申請日: 2018-12-21
• 公開（公告）號: CN109645990B
• 公開（公告）日: 2020-11-27
• 發(fā)明（設(shè)計）人: 龔光紅;王夏爽;李妮
• 申請（專利權(quán)）人: 北京航空航天大學(xué)
• 主分類號: A61B5/0476
• 分類號: A61B5/0476
• 代理公司: 北京永創(chuàng)新實專利事務(wù)所 11121
• 代理人: 姜榮麗

本發(fā)明公開了一種癲癇患者腦電信號的計算機模式識別方法，涉及腦科學(xué)、癲癇發(fā)作臨床數(shù)據(jù)識別技術(shù)領(lǐng)域。所述方法首先構(gòu)建隨機森林識別模型，然后對隨機森林識別模型進行訓(xùn)練，生成最優(yōu)的隨機森林識別模型；將優(yōu)化后的隨機森林模型在測試集上進行不同程度病況的癲癇患者腦電信號的模式識別測試。本發(fā)明實現(xiàn)了計算機自動識別癲癇患者腦電信號的功能，為醫(yī)療工作者耗時耗力的診斷提供技術(shù)支持。本發(fā)明引入網(wǎng)格搜索優(yōu)化方法，以可變步長的形式重復(fù)過濾參數(shù)來加速搜索參數(shù)的最佳組合，加快隨機森林模型的運行效率，使得訓(xùn)練出來的隨機森林識別模型達到最優(yōu)效果，對于與三種不同病況的癲癇病情的模式識別準(zhǔn)確率能達到96％以上。

技術(shù)領(lǐng)域

本發(fā)明涉及腦科學(xué)、癲癇發(fā)作臨床數(shù)據(jù)識別技術(shù)領(lǐng)域，具體是一種癲癇患者腦電信號的計算機模式識別方法。

背景技術(shù)

癲癇病的發(fā)作是腦內(nèi)神經(jīng)元陣發(fā)性異常超同步化電活動的臨床表現(xiàn)，具有反復(fù)性、突發(fā)性和暫時性等特點。腦電信號作為研究癲癇疾病的重要工具，它所實時反映的發(fā)作信息是其它生理學(xué)方法所不能提供的。目前，在癲癇患者的腦電信號的分析研究中，機器學(xué)習(xí)為癲癇腦電信號識別的強有力工具，但是多數(shù)機器學(xué)習(xí)方法識別腦電信號具有較復(fù)雜的計算過程，無法保證識別方法的準(zhǔn)確性和實效性?；谟嬎銠C的模式識別方法有很多，例如K近鄰方法、支持向量機方法、神經(jīng)網(wǎng)絡(luò)方法等。這些方法在不同腦疾病的數(shù)據(jù)集上識別的準(zhǔn)確性不同，對于計算機的腦電模式識別方法本身仍然存在著不適用性。此外對于識別方法的參數(shù)選擇依靠于具有豐富經(jīng)驗研究人員進行人工調(diào)參，不能完全保證生成的參數(shù)為識別方法的模型最優(yōu)參數(shù)。

發(fā)明內(nèi)容

本發(fā)明為了克服現(xiàn)有方法的不足，針對癲癇病患者的腦電信號識別問題，提出一種癲癇患者腦電信號的計算機模式識別方法。

本發(fā)明提供的一種癲癇患者腦電信號的計算機模式識別方法，包括如下幾個步驟：

步驟一：采集癲癇患者的腦電信號，并對所述的腦電信號進行預(yù)處理及腦電特征提取。

步驟二、構(gòu)建隨機森林識別模型，利用步驟一提取出來的腦電特征對隨機森林識別模型進行訓(xùn)練，生成最優(yōu)的隨機森林識別模型；

具體步驟如下：

步驟201、將提取的腦電特征進行歸一化處理；

步驟202、將歸一化處理后的腦電特征分成三部分，分別為訓(xùn)練集、測試集以及用于防止隨機森林識別模型過擬合的驗證集；

步驟203、對不同程度病況的癲癇腦電信號進行時間同步的分幀，得到多級導(dǎo)聯(lián)的腦電信號；

步驟204、對癲癇患者的發(fā)作期、間歇期和健康期這三類腦電信號的進行打標(biāo)簽處理：發(fā)作期“0”、間歇期“1”、健康期“-1”；

步驟205、采用重采樣方法，從訓(xùn)練集的數(shù)據(jù)中隨機抽取bootstrap樣本，一共選取k個樣本數(shù)據(jù)，作為新的訓(xùn)練集數(shù)據(jù)。

步驟206、以上述205步驟中新的訓(xùn)練集數(shù)據(jù)為訓(xùn)練數(shù)據(jù)，建立k個決策樹T_j(j＝1,2,…,k)，從決策樹的每一個節(jié)點的特征集合中隨機選擇一個包含k個特征的子集。

步驟207、通過對決策樹的每個終端節(jié)點遞歸地重復(fù)步驟206，將隨機林樹生長為增強綁定數(shù)據(jù)，直到這決策樹能夠準(zhǔn)確地對訓(xùn)練數(shù)據(jù)集進行識別，同時達到最小節(jié)點大小。

步驟208、集合所有決策樹，對于一個輸入樣本，k個決策樹有k個識別結(jié)果，隨機森林繼承了所有的識別投票結(jié)果；

步驟209、在新的節(jié)點上進行預(yù)測，投票數(shù)目最多的識別作為輸出；

步驟210、采用網(wǎng)格搜索的優(yōu)化方法對隨機森林方法進行優(yōu)化；所述的網(wǎng)格搜索包括粗搜索和精確搜索兩部分；

(A)粗搜索超參數(shù)；所述的超參數(shù)包括決策樹數(shù)量k、分裂特征數(shù)m、葉子節(jié)點最少樣本數(shù)以及懲罰參數(shù)；