申请/专利权人：北京工业大学

申请日：2020-12-26

公开（公告）日：2024-06-25

公开（公告）号：CN112613423B

主分类号：G06F18/213

分类号：G06F18/213;G06F18/24;G06F18/25;G06N20/00

优先权：

专利状态码：有效-授权

法律状态：2024.06.25#授权;2021.04.23#实质审查的生效;2021.04.06#公开

摘要：本发明公开了一种基于机器学习的癫痫脑电信号识别方法，该方法包括步骤：1.对预处理后的脑电信号进行经验模态分解，用一系列IMF将原始信号分解为多个单频滤波与一个余波之和，提取各波形的局部幅值和频率；2.用主成分分析法对经过经验模态分解的脑电信号进行降维；3.与预处理后的癫痫脑电信号的样本熵特征融合作为特征向量。本方法提取的特征具有一定辨识度，可以应用到脑电信号的识别分类的其他领域。

主权项：1.基于机器学习的癫痫脑电信号识别方法，其特征在于，包括以下步骤：步骤1对预处理后的脑电信号进行经验模态分解，用一系列IMF将原始信号分解为多个单频滤波与一个余波之和，提取各波形的局部幅值和频率；步骤2用主成分分析法对经过经验模态分解的脑电信号进行降维步骤3对预处理后的脑电信号计算样本熵；步骤4将降维后的脑电信号与样本熵作特征融合作为新的特征向量；步骤1的具体过程为：1-1.首先求出信号xt所有的局部极大值点和局部极小值点，用三次样条插值函数求上、下包络线的平均曲线，用信号减去平均曲线，得到一个新的函数；1-2.如果新函数满足IMF的两个条件，则是第一个分量，即第一个IMF；1-3.如果新函数不满足IMF的两个条件：1.IMF极值的数量即最大值和最小值的数量之和，与零穿越的数量必须相等或最多相差1；2.在IMF的任意点，局部最大值定义的包络线的平均值和局部最小值定义的包络线的平均值应等于零；则将新函数作为原始数据重复上述1-1过程，直到n次后只得到一个单调且不能从中提取出满足IMF条件的分量的残余函数，得到n个IMF；这些IMF分量分别记为c1t，c2t，c3t，c4t、…cnt；1-4.当残余函数rt成为一个单调函数而不能再从中提取出满足IMF条件的分量时，原始信号表示为： 步骤2的具体过程为：2-1.假设第j组经过经验模态分解得到的脑电数据为Yj＝[yk1,yk2...ykw],k＝1,2,...,C,C为电极个数，w为采样点个数，ykwl＝1,2,...,w为对应的第k个电极的第i个时间采样点；共有j组信号用于实验，将每组经过经验模态分解的脑电数据首尾相连构成一个j维的训练矩阵O＝[Y1,Y2,...Yj]T2-2.计算矩阵O的协方差矩阵其中u为平均样本向量：令:A＝[Y1-u,Y2-u,...,Yj-u]T,则S＝ATA,维数为j*j；2-3.求解ATA的特征值和特征向量，令λRR＝1,2,...,r为矩阵的r个非零特征值，vR为特征向量，则正交归一化向量：构成PCA特征子空间：N＝qRR＝1,2,...,r；2-4.将样本Yrr＝1,2,...,r投影到PCA特征子空间得到该样本的投影系数：fr＝Yr-u×N,样本的投影系数矩阵为：F＝[f1,f2,...,fr]T；步骤3的具体过程为：3-1.采集时间序列Z1,Z2,...,Zn,序列长度为n，测量时间间隔相等3-2.设信号嵌入维度为e的向量：Zei＝{Zi,Zi+1,...,Zi+m-1}，h＝1,2,...,n；并定义矢量Za和Zb的距离：d[Za+Zb]＝max[|Za+h-Zb+h|]3-3.对于序列中的每一个Zi,用p表示距离d比相似度阙值小的数量,距离总数为n-e,定义 pg为所有的平均数： 3-4.维度加1，重复步骤3-2,3-3，得到该序列样本熵的表达式： 将维度e的值取为2，相似度阙值取为0.2；步骤4的具体过程为：4-1经验模态分解特征向量和样本熵特征向量融合成特征向量4-2将特征向量送入分类算法中识别分类。

全文数据：

权利要求：

百度查询： 北京工业大学 基于机器学习的癫痫脑电信号识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD