一种基于词袋模型和极限学习机的癫痫发作预警方法技术

本发明专利技术公开一种基于词袋模型和极限学习机的癫痫发作预警方法，将采集的多电极脑电进行预处理；将癫痫前期和癫痫间期的脑电信号片段分别进行聚类并做成两个字典，构成了癫痫脑电信号的局部表达；将一个时间窗内的局部信号投影到做好的字典上，提取时间窗内的直方图作为其特征；将顺序的多个时间窗的特征序列连接起来，考虑序列的特征；将提取到的序列特征输入极限学习机(ELM)中，分类输入序列为癫痫前期或癫痫间期；若分类为癫痫前期，则发出警报，若分类为癫痫间期，则报告正常。

An epileptic attack early warning method based on the word bag model and the limit learning machine

The invention discloses a warning method of bag of words model and extreme learning machine based on multi seizure, EEG acquisition pretreatment; the EEG signals of epileptic seizures and epilepsy fragments were made and interval clustering two dictionaries, constitute the local expression of epileptic EEG signals; the local signal projection a time window to do a good job in the dictionary, extraction time window histogram as its features; connecting the characteristic sequence of multiple time window sequence, considering the sequence characteristics; input sequence characteristics of extreme learning machine to extract the classification (ELM), the input sequence is epileptic seizures or epilepsy. If the classification of epilepsy; early, is warning, if the classification for epilepsy is normal interval.

【技术实现步骤摘要】
一种基于词袋模型和极限学习机的癫痫发作预警方法
本专利技术涉及癫痫发作预警领域，特别涉及一种基于词袋模型和极限学习机的癫痫发作预警方法。
技术介绍
癫痫是仅次于中风的第二大常见的神经系统疾病。统计数据表明，全球有近5000万癫痫患者，在发展中国家就有4000万，而我国的癫痫患者超过900万人，且在以每年40万的速度增加。癫痫的发作是对患者巨大的折磨，且发作期间难以控制的行为可能对病人造成额外的伤害。癫痫的发作具有反复的特点，且发作时间没有明显规律。脑电信号直接采集大脑不同区域的电压变化，是大脑活动的直接反映，是癫痫发作预警的关键信号源。因此，如何提取脑电信号中癫痫发作相关信息，从而在癫痫发作前做出预警，以便医生及时采取措施抑制或缓解癫痫发作，一直是癫痫领域研究的热点。研究表明，癫痫发作前患者的一些生理信号会产生变化，且癫痫的发作更可能是一个较长时间的演化过程，因此可以通过检测这些变化对于癫痫的发作进行预测。而临床应用中，有经验的医师可以通过患者脑电信号的特点对癫痫的发作做出数分钟或数秒钟的预测。这些临床的经验为基于脑电信号的癫痫预测提供了脑电处理的方向，但人工仍然很难对于长时间的复杂本文档来自技高网...

【技术保护点】
一种基于词袋模型和极限学习机的癫痫发作预警方法，其特征在于，包括如下步骤：步骤(1)：采集癫痫发作前期及发作间期脑电信号；步骤(2)：预处理，所述预处理过程包括删除电压不变的电极，去除脑电信号中伪迹，将采集到的发作前期及发作间期脑电信号进一步分割为长度为S分钟的脑电信号片段；步骤(3)：词袋特征提取，包括波形词典构造和脑电信号片段的词袋特征提取；步骤(4)：分类模型学习，对于训练集中的脑电信号片段，利用步骤3提取其词袋特征；将提取到的特征和其对应的发作前期、发作间期标签作为输入训练极限学习机(ELM)；选取隐含节点个数为N，得到极限学习机的分类模型；步骤(5)：癫痫预警在采集到的脑电信号上，截...

【技术特征摘要】
1.一种基于词袋模型和极限学习机的癫痫发作预警方法，其特征在于，包括如下步骤：步骤(1)：采集癫痫发作前期及发作间期脑电信号；步骤(2)：预处理，所述预处理过程包括删除电压不变的电极，去除脑电信号中伪迹，将采集到的发作前期及发作间期脑电信号进一步分割为长度为S分钟的脑电信号片段；步骤(3)：词袋特征提取，包括波形词典构造和脑电信号片段的词袋特征提取；步骤(4)：分类模型学习，对于训练集中的脑电信号片段，利用步骤3提取其词袋特征；将提取到的特征和其对应的发作前期、发作间期标签作为输入训练极限学习机(ELM)；选取隐含节点个数为N，得到极限学习机的分类模型；步骤(5)：癫痫预警在采集到的脑电信号上，截取脑电信号片段，根据步骤3提取该片段的词袋特征，将提取到的特征输入步骤(4)学习到的分类模型，获得该脑电信号片段的类别；对多个脑电信号片段进行投票，分类为前期的片段多于半数则警报，反之则正常。2.如权利要求1所述的基于词袋模型和极限学习机的癫痫发作预警方法，其特征在于，步骤1具体为：所述的脑电信号采集包括记录癫痫患者脑电信号的长期变化，标记出癫痫发作的起始及终止时间，根据记录的起始时间，发作前期为癫痫发作前1小时，发作间期为两次发作间，且前后1小时无癫痫发作的时段。3.如权利要求1所述的基于词袋模型和极限学习机的癫痫发作预警方法，其特征在于，步骤3具体为：步骤(3.1)：波形词典构造，利用训练集中的发作前期和发作间期的脑电数据，分别以长度为m的窗口随机采样x个局部波形段，通过K-means聚类算法对前期和间期的局部波形分别聚为d类，得到的聚类中心构成发作前期和发作间期的波形字典；步骤(3.2)：脑电片段的词袋特征提取，对于一个长度为S的脑电信号片段，将脑电信号片段分别利用不同长度的滑动窗口进一步划分为脑电信号单元，其中滑动窗口的步长为窗口长度的一半；在每个脑电信号单元中，将其划分为m毫秒的不重叠局部波形段，计算脑电信号单元中所有局部波形段与发作前期和发作间期两个波形字典中波形之间的距离，选择距离最小的波形代表局部波形段，并统计各窗口中发作前期和发作间期字典波形出现的频率；连接脑电信号单元...

【专利技术属性】
技术研发人员：段立娟，崔嵩，乔元华，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京,11