【技术实现步骤摘要】
一种癫痫病理数据分类方法、装置及存储介质
本专利技术主要涉及医疗检测
，具体涉及一种癫痫病理数据分类方法、装置及存储介质。
技术介绍
大脑，作为人体最重要的器官，其结构与功能都十分复杂，随着神经电生理技术的不断发展，研究脑神经是目前最为重要的研究方向之一。就临床应用来说，脑电图是通过电极记录下来的脑细胞群的自发性、节律性电活动，是检测脑功能最敏感的方法，是辅助诊断和治疗神经系统疾病的重要手段，特别是在解决癫痫等阵发性脑功能异常的定性及定位问题上，脑电图有着不可替代的作用。癫痫是一种常见的慢性综合症，以癫痫发作作为临床特征。随着癫痫外科的发展，药物难治性癫痫可以接受手术治疗，而术前评估中准确的致痫灶定位是手术成功的关键所在。临床上有典型癫痫发作的患者中，约80％可以在脑磁波数据检查中发现致痫灶。由于脑磁波数据存在的复杂性和不确定性的特点，目前还难以依靠仪器自动识别和分类，导致长时间持续监测脑磁波数据，仅能依靠专业人员人工目测阅图，不仅工作量极大，识别效率低下，而且专业人员长时间的人工目测阅图，容易产生疲劳而导致容...
【技术保护点】
1.一种癫痫病理数据分类方法，其特征在于，包括如下步骤：/n从预设电磁波采集设备中获取多个原始脑磁波数据，对多个所述原始脑磁波数据进行预处理，得到多个目标脑磁波数据，并集合多个所述目标脑磁波数据得到目标脑磁波数据集；/n构建训练模型，并根据所述目标脑磁波数据集对所述训练模型进行训练，得到分类模型；/n根据所述目标脑磁波数据集对所述分类模型进行优化处理，得到分类优化模型；/n根据所述分类优化模型对待分类脑磁波数据进行分类处理，得到癫痫病理数据的分类结果。/n
【技术特征摘要】
1.一种癫痫病理数据分类方法，其特征在于，包括如下步骤：
从预设电磁波采集设备中获取多个原始脑磁波数据，对多个所述原始脑磁波数据进行预处理，得到多个目标脑磁波数据，并集合多个所述目标脑磁波数据得到目标脑磁波数据集；
构建训练模型，并根据所述目标脑磁波数据集对所述训练模型进行训练，得到分类模型；
根据所述目标脑磁波数据集对所述分类模型进行优化处理，得到分类优化模型；
根据所述分类优化模型对待分类脑磁波数据进行分类处理，得到癫痫病理数据的分类结果。
2.根据权利要求1所述的癫痫病理数据分类方法，其特征在于，所述对多个所述原始脑磁波数据进行预处理，得到多个目标脑磁波数据的过程包括：
分别对多个所述原始脑磁波数据进行数据清洗，得到多个中间脑磁波数据；
利用局部线性嵌入算法分别对多个所述中间脑磁波数据进行数据降维，得到多个目标脑磁波数据。
3.根据权利要求1所述的癫痫病理数据分类方法，其特征在于，所述根据所述目标脑磁波数据集对所述训练模型进行训练，得到分类模型的过程包括：
S1：将所述目标脑磁波数据集随机划分成目标脑磁波训练集、目标脑磁波测试集和目标脑磁波验证集；
S2：基于随机森林算法构建模型，得到随机森林结构；
S3：将所述目标脑磁波训练集和所述目标脑磁波测试集一并输入所述随机森林结构中进行分类处理，得到训练模型；
S4：根据所述目标脑磁波训练集和所述目标脑磁波测试集对所述训练模型进行模型筛选处理，得到分类模型。
4.根据权利要求3所述的癫痫病理数据分类方法，其特征在于，所述步骤S4的过程包括：
S41：根据预设的迭代训练次数将所述目标脑磁波训练集输入至所述训练模型进行训练，得到第一检测模型；
S42：将所述目标脑磁波测试集输入所述第一检测模型中进行检测，得到第一准确率，并判断所述第一准确率是否达到预设预期值，若是，则将所述第一检测模型作为分类模型，若否，则执行步骤S43；
S43：根据所述预设的迭代训练次数将所述目标脑磁波测试集输入至所述训练模型进行训练，得到第二检测模型；
S44：将所述目标脑磁波训练集输入所述第二检测模型中进行检测，得到第二准确率；
S45：判断所述第二准确率是否达到所述预设预期值，若是，则将所述第二检测模型确定作为所述分类模型，若否，则返回所述步骤S1，直至所述第一准确率或所述第二准确率达到所述预设预期值，并将达到所述预设预期值的第一准确率对应的所述第一检测模型作为所述分类模型，或者，将达到所述预设预期...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。