The invention relates to an epileptic EEG classification field, in particular to an epileptic EEG classification method based on support vector machines. The invention of the existing technology in epileptic EEG signal classification accuracy is low, the classification of small problems based on particle swarm optimization and support vector machine theory, proposes a particle swarm optimization signal classification method based on support vector machine parameters. The invention of epileptic EEG classification method comprises the following steps: selecting the experimental data, the EEG signals were selected healthy people awake in the database, patients with epilepsy hair interictal EEG and epileptic seizure EEG signal period of three sets of signals, each 100 section, and decomposition and reconstruction, extracting the effective band; eigenvector; classification of the experimental data using support vector machine; particle swarm optimization support vector machine C penalty factor and kernel function parameter. The invention is suitable for classifying EEG signals in normal, epileptic and epileptic states.
【技术实现步骤摘要】
一种基于支持向量机的癫痫脑电分类方法
本专利技术涉及一种癫痫脑电分类领域,具体涉及一种基于支持向量机的癫痫脑电分类方法。
技术介绍
癫痫是一种以脑内神经元异常放电为特征的部分或全脑功能障碍的慢性病,我国拥有数量庞大的癫痫患者,并且以60万例的速度在增加。癫痫脑电信号的分类与检测技术有助于减少医务工作者的工作量,具有实际意义的临床应用。现有技术利用近似熵、波动系数、极端学习机对癫痫脑电信号进行二分类,或者利用经验模式分解和支持向量机,对正常脑电信号和癫痫脑电信号进行分类,或利用小波包分解系数矩阵、小波包熵、AdaBoost算法,将脑电信号分类成正常状态和癫痫发作状态,以及等用支持向量机和递归定量分析分类脑电信号,或用样本熵、AR参数和自适应极限学习机对脑电信号进行分类,或用小波变换和高阶矩阵相结合的方法提取特征,使用支持向量机对脑电信号进行分类。上述方法将脑电信号分类成正常信号和癫痫信号,但是没有考虑癫痫发作间歇期信号的分类,本文提出一种粒子群算法优化支持向量机的信号分类检测技术,解决了分类准确率和分类类别数的部分冲突。在保证分类精度的基础上,脑电信号被分类为正常,癫痫发作和癫痫发作状态。
技术实现思路
本专利技术针对现有技术中癫痫脑电信号分类准确率低、分类类别少的问题,依据粒子群算法和支持向量机理论,提出了一种基于粒子群算法优化支持向量机参数的信号分类检测方法。本专利技术的目的是这样实现的:一种基于支持向量机的癫痫脑电分类方法,具体步骤包括:步骤a、选取实验数据:在数据库中分别选取健康人清醒时的脑电信号,癫痫病人发发作间期的脑电信号和癫痫病人发作期的脑电信号三 ...
【技术保护点】
一种基于支持向量机的癫痫脑电分类方法,其特征在于,具体步骤包括:步骤a、选取实验数据:在数据库中分别选取三组信号,利用小波变换进行五层分解重构,提取有效波段;所述的三组信号分别为100段健康人清醒时的脑电信号,100段癫痫病人发作间期的脑电信号和100段癫痫病人发作期的脑电信号;步骤b、求解特征向量;步骤c、利用支持向量机对实验数据分类;步骤d、用粒子群算法优化支持向量机的惩罚因子C和核函数参数σ。
【技术特征摘要】
1.一种基于支持向量机的癫痫脑电分类方法,其特征在于,具体步骤包括:步骤a、选取实验数据:在数据库中分别选取三组信号,利用小波变换进行五层分解重构,提取有效波段;所述的三组信号分别为100段健康人清醒时的脑电信号,100段癫痫病人发作间期的脑电信号和100段癫痫病人发作期的脑电信号;步骤b、求解特征向量;步骤c、利用支持向量机对实验数据分类;步骤d、用粒子群算法优化支持向量机的惩罚因子C和核函数参数σ。2.根据权利要求1所述的一种基于支持向量机的癫痫脑电分类方法,其特征在于,在步骤a中,所述100段健康人清醒时的脑电信号,100段癫痫病人发作间期的脑电信号和100段癫痫病人发作期的脑电信号,每段时长为23.6s,每段信号采集4097点,采样频率为173.6Hz。3.根据权利要求1或2所述的一种基于支持向量机的癫痫脑电分类方法,其特征在于,在步骤a中,利用db4小波变换进行五层分解重构,第三、四和五层重构信号集中在0.5HZ~35HZ之间。4.根据权利要求1所述的一种基于支持向量机的癫痫脑电分类方法,其特征在于,所述步骤b的具体步骤包括:步骤b1、利用改进算法计算近似熵;步骤b2、提取波动系数。5.根据权利要求4所述的一种基于支持向量机的癫痫脑电分类方法,其特征在于,所述步骤b1的具体步骤包括:步骤b11、待处理的癫痫脑电信号个数为N,计算N*N的距离矩阵D,D为对称矩阵,D的第i行第j列元素记为dij,步骤b12、利用距离矩阵D中的元素,对每个向量Xi统计dij<r的数目,并求出该数目与距离总数N-m的比值m增加1,求得步骤b13、对取对数,再对所有i取平均值,计作φm(r):m增加1,求得φm+1(r):1步骤b14、根据φm(r)和φm+1(r)求得近似熵ApEn:ApEn(m,r)=φm(r)-φm+1(r...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。