一种脑电分类方法技术

本发明专利技术公开了一种脑电分类方法，包括如下步骤：S1：对脑电数据进行分析处理，获得特征值；S2：建立catboost分类模型，使用优化算法对catboost分类模型进行优化，得到最优模型；S3：将得到的特征值带入到最优模型中进行分类。本发明专利技术利用优化算法改进了catboost算法，解决了现有脑电信号分类方法中的分类准确率和效率低的问题，为脑电信号技术的实现和发展提供有力的技术支持。

【技术实现步骤摘要】
一种脑电分类方法
本专利技术涉及脑电数据分类识别
，具体地是涉及一种脑电分类方法。
技术介绍
脑部疾病如癫痫和惊厥会导致是短暂和意外的脑电紊乱，严重影响人类健康。脑电信号是非线性、非平稳的时序信号，可通过头皮上电极的传感器检测，这些信号是神经元膜电位非常丰富的外部表现。准确评估、术前评估、脑部疾病预防以及紧急警报都依赖于脑电的快速检测。医生可通过监测脑电信号评估大脑的状态，但是由于大量的脑电图数据和不同神经学专家的临床判断标准不同，诊断可能不准确。因此开发高效的数学模型来辅助医生做出判断十分紧迫，具有重要的实际意义。在医疗领域，数据质量差和数据量低是常态。同时，当给出诊断结果时，有必要提供合理的解释，因此通过海量数据进行分析是不现实的。我们需要预测结果尽可能稳定，并且不要追求当前数据集的极值，因为当前数据集的极值通常都会发生过拟合。现有的脑电分类方法有支持向量机，随机森林，AdBoost等，这些算法分类准确率都不高。因此，本专利技术的专利技术人亟需构思一种新技术以改善其问题。
技术实现思路
本专利技术旨在提供一种脑电分类方法，其可以解决现有脑电信号分类方法中的分类准确率和效率低的问题。为解决上述技术问题，本专利技术的技术方案是：一种脑电分类方法，包括如下步骤：S1：对脑电数据进行分析处理，获得特征值；S2：建立catboost分类模型，使用优化算法对catboost分类模型进行优化，得到最优模型；S3：将得到的特征值带入到最优模型中进行分类。优选地，所述步骤S2中的优化算法为灰狼优化算法，通过灰狼优化算法对catboost分类模型中的模型参数进行智能寻优，获取最优参数。优选地，所述优化算法具体包括如下步骤：ST1：初始化catboost算法的模型参数的取值范围，并设置相关数据，该相关数据包括但不限于狼群数量N以及最大迭代次数G；ST2：根据之前设置的狼群数量，随机生成灰狼群，每个灰狼个体代表一个可行解；ST3：根据适应度值更新狼群位置，最终保留适应度值最优的个体；ST4：当迭代次数大于G时，训练结束，输出最优解，即为catboost算法中的最优参数。优选地，所述步骤S2中通过Categoricalfeatures算法和Orderedboosting算法建立catboost分类模型。优选地，所述步骤S1具体包括：S11：对脑电数据进行预处理去除噪声，得到有效的脑电信号；S12：对预处理后的脑电信号进行特征提取，得到特征值。优选地，所述步骤S11具体包括：S111：对脑电信号进行工频干扰去除，得到初始滤波信号；S112：对初始滤波信号进行伪迹消除，消除眼电和肌电的干扰，得到滤干扰信号；S113：对滤干扰信号进行去除基线漂移处理；S114：对消除基线漂移的信号进行滤波，得到有效的脑电信号。优选地，所述步骤S12对脑电信号进行特征提取方法包括但不限于基于时频域分析的脑电特征提取方法。优选地，所述步骤S12中基于时频域分析的脑电特征提取方法包括但不限于离散小波变换、共空间模式和经验模态分解。优选地，所述模型参数包括但不限于迭代次数、学习率和树的深度。采用上述技术方案，本专利技术至少包括如下有益效果：本专利技术所述的脑电分类方法，利用优化算法改进了catboost算法，解决了现有脑电信号分类方法中的分类准确率和效率低的问题，为脑电信号技术的实现和发展提供有力的技术支持。附图说明图1为本专利技术所述的脑电分类方法的流程图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。如图1所示，为符合本专利技术的一种脑电分类方法，包括如下步骤：S1：对脑电数据进行分析处理，获得特征值；S2：建立catboost分类模型，使用优化算法对catboost分类模型进行优化，得到最优模型；S3：将得到的特征值带入到最优模型中进行分类。优选地，所述步骤S2中的优化算法为灰狼优化算法，通过灰狼优化算法对catboost分类模型中的模型参数进行智能寻优，获取最优参数。优选地，所述优化算法具体包括如下步骤：ST1：初始化catboost算法的模型参数的取值范围，并设置相关数据，该相关数据包括但不限于狼群数量N以及最大迭代次数G；ST2：根据之前设置的狼群数量，随机生成灰狼群，每个灰狼个体代表一个可行解；ST3：根据适应度值更新狼群位置，最终保留适应度值最优的个体；ST4：当迭代次数大于G时，训练结束，输出最优解，即为catboost算法中的最优参数。优选地，所述步骤S2中通过Categoricalfeatures算法和Orderedboosting算法建立catboost分类模型。优选地，所述步骤S1具体包括：S11：对脑电数据进行预处理去除噪声，得到有效的脑电信号；S12：对预处理后的脑电信号进行特征提取，得到特征值。优选地，所述步骤S11具体包括：S111：对脑电信号进行工频干扰去除，得到初始滤波信号；S112：对初始滤波信号进行伪迹消除，消除眼电和肌电的干扰，得到滤干扰信号；S113：对滤干扰信号进行去除基线漂移处理；S114：对消除基线漂移的信号进行滤波，得到有效的脑电信号。优选地，所述步骤S12对脑电信号进行特征提取方法包括但不限于基于时频域分析的脑电特征提取方法。优选地，所述步骤S12中基于时频域分析的脑电特征提取方法包括但不限于离散小波变换、共空间模式和经验模态分解。优选地，所述模型参数包括但不限于迭代次数、学习率和树的深度。本实施例中，CatBoost是一种支持类别特征及字符串类型特征，基于梯度提升树的机器学习框架。梯度提升是一种强大的机器学习技术，是解决具有异构特征、噪声数据和复杂依赖关系的问题的主要方法。CatBoost中的梯度提升实现使用决策树作为基本预测因子。决策树适用于处理数值特征，但在实际应用中，许多数据集包括分类特征，类别特征是离散的值的特征，这对于预测也很重要。CatBoost能够在训练过程中处理分类特征；在为当前树构造新的分割点时CatBoost会使用贪婪策略来考虑组合以提高分类准确度；另外该算法克服梯度偏可以有效避免过拟合。CatBoost算法主要提出了两种关键的方法，一个是用于处理分类特征的算法，另一个是排序提升算法—Orderedboosting。(1)Categoricalfeatures分类特征通常在建模前，我们需要对分类特征进行处理，常用的方法有标签编码、独热编码等，而Ca本文档来自技高网...

【技术保护点】
1.一种脑电分类方法，其特征在于，包括如下步骤：/nS1：对脑电数据进行分析处理，获得特征值；/nS2：建立catboost分类模型，使用优化算法对catboost分类模型进行优化，得到最优模型；/nS3：将得到的特征值带入到最优模型中进行分类。/n

【技术特征摘要】
1.一种脑电分类方法，其特征在于，包括如下步骤：
S1：对脑电数据进行分析处理，获得特征值；
S2：建立catboost分类模型，使用优化算法对catboost分类模型进行优化，得到最优模型；
S3：将得到的特征值带入到最优模型中进行分类。


2.如权利要求1所述的脑电分类方法，其特征在于：所述步骤S2中的优化算法为灰狼优化算法，通过灰狼优化算法对catboost分类模型中的模型参数进行智能寻优，获取最优参数。


3.如权利要求2所述的脑电分类方法，其特征在于，所述优化算法具体包括如下步骤：
ST1：初始化catboost算法的模型参数的取值范围，并设置相关数据，该相关数据包括但不限于狼群数量N以及最大迭代次数G；
ST2：根据之前设置的狼群数量，随机生成灰狼群，每个灰狼个体代表一个可行解；
ST3：根据适应度值更新狼群位置，最终保留适应度值最优的个体；
ST4：当迭代次数大于G时，训练结束，输出最优解，即为catboost算法中的最优参数。


4.如权利要求1-3任一所述的脑电分类方法，其特征在于：所述步骤S2中通过Categoricalfeatures算法和Orderedb...

【专利技术属性】
技术研发人员：张跃春，丁衍，曾瑜，
申请(专利权)人：苏州小蓝医疗科技有限公司，
类型：发明
国别省市：江苏;32