一种基于频谱能量图的癫痫脑电信号分类方法技术

本发明专利技术公开一种基于频谱能量图的癫痫脑电信号分类方法。具体步骤为将癫痫脑电信号经过小波消噪，先进行功率谱密度分析。通过对每个通道脑电信号进行PSD分析，并绘制二维图像功率谱能量图。进行四类癫痫状态的分类分别为发作间期，发作前30分钟，发作前10分钟和发作时。本发明专利技术基于深度卷积神经网络，利用Inception‑v3，提出基于深度卷积神经网络癫痫脑电信号的分类预测算法。本发明专利技术更进一步提高了癫痫脑电信号的分类准确率，增加了预测癫痫发作前的时间，能更准更快地对癫痫进行预测和分类。

A method of EEG signal classification based on spectrum energy map

【技术实现步骤摘要】
一种基于频谱能量图的癫痫脑电信号分类方法
本专利技术涉及一种利用频谱能量图的癫痫脑电信号新型特征提取及分析方法，特别是基于癫痫患者多通道脑电信号(Electroencephalogram,EEG)的不同时期进行分类，属于智能模式识别

技术介绍
癫痫是一种突然、反复发作的大脑功能障碍慢性病，由于大脑异常电活动的起始部位及传播方式不同，导致癫痫临床表现复杂多样，包括短暂的感觉障碍、肢体抽搐、意识丧失、行为障碍等,对患者身体、精神带来严重损伤。脑电信号包含着大脑活动的重要信息，基于脑电信号的癫痫发作预测、诊断和治疗，已被证实其有效性和可行性。癫痫EEG的特征可以通过时域、频域、时频域和非线性动力学分析提取，在癫痫患者的脑电信号中，不同时段的EEG具有不同的特征，所以可以通过找到这些不同的特征来判断某一时刻EEG的类别。近年来，深度学习也越来越普遍的用于医学图像和生物电信号的处理，在拥有大量数据的情况下深度学习的表现超越了传统的特征提取加机器学习。虽然癫痫的研究已经比较广泛，也有深度学习对癫痫的分析，但考虑对脑电信号多通道分析本文档来自技高网...

【技术保护点】
1.一种基于频谱能量图的癫痫脑电信号分类方法，该方法包括如下/n步骤(1)：采集癫痫患者的多通道头皮脑电信号；/n步骤(2)：对癫痫EEG信号进行预处理：/n记录采集的EEG数据中癫痫发作的时间，并将EEG数据分为四类，依次为发作间期、发作前30分钟、发作前10分钟、发作期；/n对癫痫EEG信号先进行消噪处理；/n步骤(3)：将消噪后的1维EEG数据转换为2维EEG多通道的矩阵数据：/n将n个通道的头皮脑电EEG信号进行频率谱分析；通过对每个通道的脑电信号求出功率谱密度周期图,并将脑电信号等分为32个频段，不同频段的PSD函数进行积分，组成一个n×32的二维矩阵；将得到的二维矩阵进行归一化处理...

【技术特征摘要】
1.一种基于频谱能量图的癫痫脑电信号分类方法，该方法包括如下
步骤(1)：采集癫痫患者的多通道头皮脑电信号；
步骤(2)：对癫痫EEG信号进行预处理：
记录采集的EEG数据中癫痫发作的时间，并将EEG数据分为四类，依次为发作间期、发作前30分钟、发作前10分钟、发作期；
对癫痫EEG信号先进行消噪处理；
步骤(3)：将消噪后的1维EEG数据转换为2维EEG多通道的矩阵数据：
将n个通道的头皮脑电EEG信号进行频率谱分析；通过对每个通道的脑电信号求出功率谱密度周期图,并将脑电信号等分为32个频段，不同频段的PSD函数进行积分，组成一个n×32的二维矩阵；将得到的二维矩阵进行归一化处理，并生成图片；
步骤(4)：创建深度卷积神经网络：
将Inception-v3网...

【专利技术属性】
技术研发人员：高云园，高博，王翔坤，朱涛，席旭刚，马玉良，
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