一种基于支持向量机的癫痫脑电分类方法技术

本发明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。本发明专利技术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方法。本发明专利技术的癫痫脑电分类方法包括步骤：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组信号，各100段，并进行分解重构，提取有效波段；求解特征向量；利用支持向量机对实验数据分类；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。本发明专利技术适用于正常，癫痫发作和癫痫发作状态的脑电信号分类。

A classification method of epileptic EEG based on Support Vector Machines

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组信号，各100段，并进行分解重构，提取有效波段；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。进一步地，所述步骤a的具体方法是：分别选取100段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，每段时长23.6s，每段信号采集4097点，采样频率为173.6Hz，利用小波变换，对脑电信号进行5层分解与重构，提取出有效频段。再进一步地，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。进一步地，所述步骤b的具体步骤包括：步骤b1、利用改进算法计算进近似熵；步骤b2、提取波动系数。再进一步地，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)：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)其中，m＝2，r＝0.2*std(sig),std(sig)为信号sig的标准差。再进一步地，所述步骤b2中计算波动系数的具体方法是：波动系数可以表示为:其中，ani为第n段脑电数据小波变换后第i层的幅度，M为信号的长度，n取值范围1-100，i取值为3、4和5，M取4097。进一步地，所述步骤c的具体步骤包括：步骤c1、假设有两类待分类的实验数据：(x1,y1),(x2,y2),...,(xn,yn),x∈Rn,yi∈{1,-1}，xi是实验数据，yi是实验数据的标签，存在一个最优分类面，其方程可以表示为：wT·x+b＝0其中，wT是最优分类面的法向量，b为最优分类面的常数项；通过这个最优分类面，可以分类两种类型的样本数据，令：f(x)＝wTx+b如果f(x)＝0，那么x是位于分类面上的点；如果f(x)＜0，可以设定x对应的标签y为-1；f(x)＞0，那么x对应的标签y为1，将实验数据进行分类；如果所有测试样本都可以正确分类，测试样本满足条件：yi[(wT·xi)+b]-1≥0,i＝1,…,n两条分类面H1、H2之间的距离是2/||w||，要寻找最优分类线，即使得2/||w||最大，即最小化，最优分类问题转化成一个约束优化问题s.tyi[w.x+b]-1≥0,i＝1,…,N求解上式的二次规划问题，得到最优分类面的w和b，最优分类函数为：f(x)＝sgn(w·x+b)步骤c2、利用核函数对线性不可分的数据进行处理，在低维空间线性不可分的数据xi，通过非线性映射Φ(x)到高维空间，使得数据在高维空间线性可分，在高维空间找出最优分类面，满足Mercer条件的核函数能够实现非线性转换，定义的Mercer条件的核函数：K(xi,xj)＝Φ(xi).Φ(xj)径向基核函数：进一步地，所述步骤d的具体步骤包括：步骤d1、初始化粒子群：粒子种群数目设定为20，每个粒子在二维空间中的坐标表示为xi＝(xi1,xi2)(i＝1,2,…,20)，以速度vs＝[vs1,vs2](s＝1,2,…,20)在二维解空间内进行搜索；步骤d2、计算每个粒子的适应度：粒子在更新位置时需要考虑粒子个体的最优位置pi和粒子种群最优位置pg：pi＝(pi1,pi2),i＝1,2,…,20，pg＝(pg1,pg2,…pgn),n＝20；步骤d3、更新粒子寻优速度向量：vs+1＝vs+c1rand1()(pi-xi)+c2rand2()(pg-xi)其中，c1取1.5，c2取1.7，rand1()和rand2()表示0到1的随机数；步骤d4、更新粒子位置：xi+1＝xi+vi+1步骤d5、判断是否满足迭代次数200，如果:不满足，返回步骤d2；满足，则返回最优解。有益效果：本专利技术的一种基于支持向量机的癫痫脑电分类方法，利用粒子群算法优化支持向量机参数，对支持向量机的参数C和σ进行优化，寻找最优的参数值，进一步提高支持向量机的学习能力和收敛速度，提高了数据分类的准确率，并且将脑电信号分为正常，癫痫发作和癫痫发作状态，增加了分类类别数，解决了现有技术的解决了分类准确率和分类类别数的部分冲突。附图说明图1本方法的不同组脑电信号的近似熵对比图；图2各组脑电信号小波变换后第三层的波动系数；图3各组脑电信号小波变换后第四层的波动系数；图4各组脑电信号小波变换后第五层的波动系数；图5支持向量机分类后得到的最优分类面示意图；图6粒子群算法流程图。具体实施方式结合图1～6说明本实施方式，本实施方式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：分别选取100段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，每段时长23.6s，每段信号采集4097点，采样频率为173.6Hz，利用小波变换，db4小波对三组脑电信号进行5层小波分解重构，第三、四和五层重构信号主要集中在0.5HZ～35HZ之间。步骤b、求解特征向量，具体步骤包括：步骤b1、利用改进算法计算进近似熵，具体步骤为：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，并求出该本文档来自技高网...

【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...

【专利技术属性】
技术研发人员：韦琦，张付浩，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：黑龙江,23