[發明專利]一種基于機器學習的振幅整合腦電圖分類識讀系統

在審

• 申請號: 202011020143.0
• 申請日: 2020-09-25
• 公開（公告）號: CN112244871A
• 公開（公告）日: 2021-01-22
• 發明（設計）人: 李玲;王霽;沈欣怡;武輝;徐巍
• 申請（專利權）人: 吉林大學
• 主分類號: A61B5/369
• 分類號: A61B5/369;A61B5/00
• 代理公司: 長春吉大專利代理有限責任公司 22201
• 代理人: 郭佳寧

1.一種基于機器學習的振幅整合腦電圖分類識讀系統，其特征在于包括數據采集處理模塊、特征提取模塊和分類模塊，其中數據采集處理模塊用于采集腦功能監護儀輸出的振幅整合腦電圖文本數據，然后將采集到的振幅整合腦電圖文本數據放大10的冪次方倍，再將放大后的振幅整合腦電圖文本數據中大于100uV的數據值統一設置為100uV；特征提取模塊用于在數據采集處理模塊處理后的數據中提取振幅整合腦電圖的幅度特征和非線性特征；分類模塊采用具有1000棵決策樹構成的隨機森林分類模型對特征提取模塊中提取出的幅度特征和非線性特征進行正異常判定，每棵樹均輸出正常振幅整合腦電圖或癲癇患者振幅整合腦電圖的分類結果，對隨機森林分類模型中1000棵決策樹得到的分類結果進行投票，投票次數最多的類型指定為最終判斷結果。

2.根據權利要求1所述的一種基于機器學習的振幅整合腦電圖分類識讀系統，其特征在于所述特征提取模塊在數據采集處理模塊處理后的數據中提取振幅整合腦電圖的幅度特征包括平均值、標準偏差和上下邊界，其中平均值、標準偏差分別指將數據采集處理模塊采集并處理后的振幅整合腦電圖文本數據分段后各段數值的平均值之和、標準偏差之和，非線性特征包括排列熵(PermEn)、近似熵(ApEn)和樣本熵；

上下邊界為：

將數據采集處理模塊采集并處理后的振幅整合腦電圖文本數據平均分割為216段，將每段內的數據按升序排序，將每段排序數據中最小值的連線定義為下邊界，相應地將每段排序數據中最大值的連線定義為上邊界。

3.根據權利要求2所述的一種基于機器學習的振幅整合腦電圖分類識讀系統，其特征在于所述分類模塊采用的具有1000棵決策樹構成的隨機森林分類模型的訓練過程如下：

步驟一，將選取的新生兒6小時振幅整合腦電圖文本數據輸入數據采集處理模塊，將經數據采集處理模塊處理后的新生兒6小時振幅整合腦電圖文本數據作為訓練集；

步驟二，人工標注出訓練集中每個文本數據屬于正常振幅整合腦電圖數據或者是癲癇患者振幅整合腦電圖數據，得到人工標注正異常振幅整合腦電圖的標注訓練集；

步驟三，在標注訓練集中有放回的采集42510個數據，并將該42510個數據作為一棵決策樹的根節點樣本訓練該棵決策樹，形成訓練后的決策樹；

步驟四：重復1000次步驟三，形成由1000棵訓練后的決策樹構成的隨機森林，1000棵訓練后的決策樹會有1000個分類結果，對1000個分類結果進行投票，將投票次數最多的類別指定為最終的輸出；

當隨機森林分類模型對標注訓練集中采集的數據分類準確率達到99％時，得到訓練好的隨機森林分類模型；其中該模型對標注訓練集中采集的數據分類準確率是指該模型分類出標注訓練集中全部的沒有患癲癇病新生兒樣本數據的數量/標準化人工判斷的標注訓練集中全部沒有患癲癇病新生兒樣本數據的數量*100％。