基于EMD与WPD特征融合的癫痫发作前期预测方法技术

本发明专利技术公开了一种基于EMD与WPD特征融合的癫痫发作前期预测方法。本发明专利技术步骤方法如下：步骤1、EEG信号的类别划分及样本切割，并对每个样本进行经验模态分解，再对分解得到的第一个本征模函数进行分析，从中提取基于FIMF的特征，包含能量、能量比和方差。步骤2、对步骤1中得到的第一个本征模函数进行四层小波包分解，得到最后一层16个结点的小波包系数，从中提取基于FIMF‑WPD的偏态和能量与特征。步骤3、融合基于FIMF与FIMF‑WPD的特征，并采用随机森林算法对融合后的特征训练分类器，构建癫痫发作前期的预测模型。本发明专利技术能够有效预警癫痫病发作前期的时间段，降低癫痫发作对患者造成的次生危害。

Pre-seizure prediction method based on feature fusion of EMD and WPD

The invention discloses a pre-epileptic prediction method based on feature fusion of EMD and WPD. The steps and methods of the invention are as follows: step 1, classification of EEG signals and sample cutting, empirical mode decomposition of each sample, and then analysis of the first eigenmode function obtained by decomposition, from which features based on FIMF are extracted, including energy, energy ratio and variance. Step 2. Four-layer wavelet packet decomposition is performed on the first eigenmode function obtained in step 1, and the wavelet packet coefficients of the last 16 nodes are obtained, from which the skewness and energy and characteristics based on FIMF WPD are extracted. Step 3. Fusion of features based on FIMF and FIMF WPD, and use random forest algorithm to train the classifier for the fused features, and build the prediction model of pre-epileptic seizure. The invention can effectively early warn the time period before the onset of epilepsy and reduce the secondary harm caused by epileptic seizures to patients.

【技术实现步骤摘要】
基于EMD与WPD特征融合的癫痫发作前期预测方法
本专利技术属于数字信号处理和智慧医疗领域，涉及一种基于经验模态分解(EMD)和小波包分解(WPD)的癫痫病发作期与发作前期的精准检测方法。
技术介绍
基于脑电EEG信号处理的传统的癫痫检测方法通常是用来解决二分类问题，即将信号分为癫痫发作期和非发作期；或者三分类问题，即将信号分为癫痫发作期、发作前期和发作间歇期。相比于传统的癫痫发作期检测，发作前期的精准预测对有效降低癫痫发作可能引起的次生危害更为重要，然而目前并没有专门用于癫痫发作前期检测算法。为解决这个问题，本专利技术对癫痫发作前期脑电EEG信号进行细分，将发作前期一小时的EEG信号等分为多个连续且不重叠的时间段，将发作前期预测问题转换成EEG信号多分类问题。为达到发作前期精准预测，本专利技术提出了一种基于EEG信号经验模态分解(EMD)和小波包分解(WPD)特征的智能预测方法。
技术实现思路
本专利技术提出了一种基于EMD与WPD特征融合的癫痫发作前期预测方法。本专利技术结合EEG信号经验模态分解和小波包分解的特征提取方法，仅针对由经验模态分解得到的第一个本征模函数(FIMF,firstintrinsicmodefunction)进行分析，并再结合随机森林分类器实现癫痫发作前期不同阶段的脑电信号以及发作期和发作间期的智能分类，从而达到较为精准的癫痫预测功能。本专利技术的技术方案主要包括如下步骤：步骤1、EEG信号的类别划分及样本切割，并对每个样本进行经验模态分解，再对分解得到的第一个本征模函数进行分析，从中提取基于FIMF的特征，包含能量、能量比和方差。步骤2、对步骤1中得到的第一个本征模函数进行四层小波包分解，得到最后一层16个结点的小波包系数，从中提取基于FIMF-WPD的偏态和能量与特征。步骤3、融合基于FIMF与FIMF-WPD的特征，并采用随机森林算法对融合后的特征训练分类器，构建癫痫发作前期的预测模型。所述步骤1是提取基于FIMF的特征，具体步骤如下：1-1对EEG信号进行类别的划分。将发作前一小时的信号分割为发作前60分钟至发作前40分钟，记为Pre-1类；发作前40分钟至发作前20分钟，记为Pre-2类；发作前20分钟至发作初始时刻，记为Pre-3类。将发作时期记为Seizure类，发作间期记为Interictal类。1-2将每类信号切割成小样本。每个样本信号x为2秒一帧，其中帧重叠为50％；针对多通道EEG信号，对每一个通道i的EEG信号进行经验模态分解，得到若干个本征模函数，仅取第一个本征模函数(FIMF)，记为c1(n)。1-3通过如下公式计算FIMF的信号能量其中EFIMF表示FIMF的信号能量，c1(n)为FIMF，N为输入信号的帧长。1-4通过如下公式计算FIMF的信号能量与输入信号的能量比值其中Er表示FIMF的信号能量与输入信号的能量比值，c1(n)为FIMF，x(n)为输入的信号，N为输入信号的帧长。1-5通过如下公式计算FIMF的信号方差其中σ表示FIMF的信号方差，c1为FIMF，为FIMF的均值，N为输入信号的帧长。1-6由于每个样本包含M个通道，因此对每个样本而言，EFIMF，Er，σ均为M维向量，三者级联构成了3*M维的基于FIMF的特征向量。所述步骤2是提取基于FIMF-WPD的特征，具体步骤如下：2-1对第一个本征模函数进行四层小波包分解，得到第四层的16个结点不同频段的小波包系数yp，其中p＝1，2，...，16.2-2通过如下公式计算第四层的小波包系数的偏态其中，Sp表示第四层的小波包系数的偏态，yp(k)为第p个子频段重构后的信号，p＝1，2，...，16；为yp(k)的均值，σp为yp(k)的标准差，K表示每个子频段包含的点数。2-3通过如下公式计算第四层的小波包系数的能量其中Ep表示第四层的小波包系数的能量，yp(k)为第p个子频段重构后的信号，p＝1，2，...，16；K表示每个子频段包含的点数。2-4由于每个样本包含M个通道，且小波包分解后的第四层有16个频段，因此对每个样本而言，Sp和Ep均为16*M维向量，二者级联构成32*M维的基于FIMF-WPD的特征向量。所述步骤3是将基于多通道EEG信号所提取的FIMF与FIMF-WPD融合特征，构建基于随机森林算法的智能分类器模型，并最终实现癫痫发作及发作前期的精准预测与分类，具体步骤如下：3-1将步骤1得到的基于FIMF的特征和步骤2得到的基于FIMF-WPD的特征通过级联法融合起来，最终每个样本提取的特征为(3*M+32*M)维的向量。L个训练样本特征构成L行35*M列的特征矩阵，将其作为随机森林分类器的输入。3-2通过调节随机森林决策树的参数构建最优的分类器模型。针对任意测试样本，采用前述步骤1，步骤2提取基于FIMF与FIMF-WPD的特征，并基于所构建的随机森林分类器计算预测结果。本专利技术有益效果如下结合EEG信号的经验模态分解和小波包分解特征，构建基于随机森林算法的癫痫发作前期精准预测模型，不仅可以实现癫痫发作与否的检测，而且可以实现癫痫发作前期时间段的精准预测。所提出的算法能有效预警癫痫病发作前期的时间段，降低癫痫发作对患者造成的次生危害。附图说明图1本专利技术的EEG信号切割方式；图2本专利技术的特征提取的流程图。具体实施方式下面结合附图和具体实施方式对本专利技术作详细说明。通用的癫痫发作前期预测方法的实现步骤在
技术实现思路
内已有详细的介绍，即本专利技术的技术方案主要包括如下步骤：步骤1、EEG信号的类别划分及样本切割，并对每个样本进行经验模态分解，再对分解得到的第一个本征模函数进行分析，从中提取基于FIMF的特征，包含能量、能量比和方差。步骤2、对步骤1中得到的第一个本征模函数进行四层小波包分解，得到最后一层16个结点的小波包系数，从中提取基于FIMF-WPD的偏态和能量与特征。步骤3、融合基于FIMF与FIMF-WPD的特征，并采用随机森林算法对融合后的特征训练分类器，构建癫痫发作前期的预测模型。所述步骤1是提取基于FIMF的特征，具体步骤如下：1-1对EEG信号进行类别的划分。将发作前一小时的信号分割为发作前60分钟至发作前40分钟，记为Pre-1类；发作前40分钟至发作前20分钟，记为Pre-2类；发作前20分钟至发作初始时刻，记为Pre-3类。将发作时期记为Seizure类，发作间期记为Interictal类。1-2将每类信号切割成小样本。每个样本信号x为2秒一帧，其中帧重叠为50％；针对多通道EEG信号，对每一个通道i的EEG信号进行经验模态分解，得到若干个本征模函数，仅取第一个本征模函数(FIMF)，记为c1(n)。1-3通过如下公式计算FIMF的信号能量其中EFIMF表示FIMF的信号能量，c1(n)为FIMF，N为输入信号的帧长。1-4通过如下公式计算FIMF的信号能量与输入信号的能量比值其中Er表示FIMF的信号能量与输入信号的能量比值，c1(n)为FIMF，x(n)为输入的信号，N为输入信号的帧长。1-5通过如下公式计算FIMF的信号方差其中σ表示FIMF的信号方差，c1为FIMF，为FIMF的均值，N为输入信号的帧长。1-6由于每个样本包含M个通道，因此对每个样本而言，EFIMF，Er本文档来自技高网...

【技术保护点】
1.基于EMD与WPD特征融合的癫痫发作前期预测方法，其特征在于包括如下步骤：步骤1、EEG信号的类别划分及样本切割，并对每个样本进行经验模态分解，再对分解得到的第一个本征模函数进行分析，从中提取基于FIMF的特征，包含能量、能量比和方差。步骤2、对步骤1中得到的第一个本征模函数进行四层小波包分解，得到最后一层16个结点的小波包系数，从中提取基于FIMF‑WPD的偏态和能量与特征。步骤3、融合基于FIMF与FIMF‑WPD的特征，并采用随机森林算法对融合后的特征训练分类器，构建癫痫发作前期的预测模型。

【技术特征摘要】
1.基于EMD与WPD特征融合的癫痫发作前期预测方法，其特征在于包括如下步骤：步骤1、EEG信号的类别划分及样本切割，并对每个样本进行经验模态分解，再对分解得到的第一个本征模函数进行分析，从中提取基于FIMF的特征，包含能量、能量比和方差。步骤2、对步骤1中得到的第一个本征模函数进行四层小波包分解，得到最后一层16个结点的小波包系数，从中提取基于FIMF-WPD的偏态和能量与特征。步骤3、融合基于FIMF与FIMF-WPD的特征，并采用随机森林算法对融合后的特征训练分类器，构建癫痫发作前期的预测模型。2.根据权利要求1所述的基于EMD与WPD特征融合的癫痫发作前期预测方法，其特征在于步骤具体步骤如下：1-1.对EEG信号进行类别的划分。将发作前一小时的信号分割:发作前60分钟至发作前40分钟，记为Pre-1类；发作前40分钟至发作前20分钟，记为Pre-2类；发作前20分钟至发作初始时刻，记为Pre-3类。将发作时期记为Seizure类，发作间期记为Interictal类。1-2.将每类信号切割成小样本。每个样本信号x为2秒一帧，其中帧重叠为50％；针对多通道EEG信号，对每一个通道i的EEG信号进行经验模态分解，得到多个本征模函数，仅取第一个本征模函数(FIMF)，记为c1(n)。1-3通过如下公式计算FIMF的信号能量其中EFIMF表示FIMF的信号能量，c1(n)为FIMF，N为输入信号的帧长。1-4通过如下公式计算FIMF的信号能量与输入信号的能量比值其中Er表示FIMF的信号能量与输入信号的能量比值，c1(n)为FIMF，x(n)为输入的信号，N为输入信号的帧长。1-5通过如下公式计算FIMF的信号方差其中σ表示FIMF的信号方差，c1为FIMF，为FIMF的均值，N为输入信号的帧长。1-6由于每个样本包含M个通道，...

【专利技术属性】
技术研发人员：曹九稳，胡丁寒，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江,33