一种基于脑电信号的癫痫发作预测方法与流程

技术特征：
1.一种基于脑电信号的癫痫发作预测方法，其特征在于，该方法包括如下步骤：步骤1：数据预处理。对癫痫脑电数据采用重叠滑动窗口对发作前期和发作间期进行分类。步骤2：特征提取。采用经验模态分解的方法将发作前期和发作间期的脑电信号进行分解，并分别取分解后的前三个分量计算六种熵特征。步骤3：分类。首先将特征提取得到的输入数据作为卷积神经网络的输入，然后利用cnn进行训练将癫痫脑电信号进行分类。步骤4：评价模型。使用模型评价指标评价模型性能。2.根据权利要求1所述的一种基于脑电信号的癫痫发作预测方法，其特征在于：步骤1所述的数据预处理方法，其步骤具体包括：步骤1-1：将癫痫脑电信号分别根据发作前期和发作间期进行读取分类；步骤1-2：由于癫痫发作前期与发作间期数据不平衡，先用30s滑动窗口对发作间期的数据进行分段，然后再采用30s重叠滑动窗口的方法对发作前期的数据进行分段以平衡数据集。3.根据权利要求1所述的一种基于脑电信号的癫痫发作预测方法，其特征在于：步骤2所述的特征提取方法，其步骤具体包括：步骤2-1：将分段后的癫痫脑电信号采用经验模态分解的方法进行分解；步骤2-2：将分解后得到的前三个分量分别分为5段，并分别对每段数据计算他的熵特征，包括排列熵、近似熵、样本熵、香农熵、光谱熵和奇异分解熵。排列熵：排列熵：其中，n表示分解信号的长度，t
k
表示第k个符号的出现，s
k
表示时间序列中第k个置换出现的概率，k表示k≥2的置换顺序，m代表嵌入维数。近似熵：近似熵：近似熵：近似熵：其中，m、r、τ和n分别表示嵌入维数、相似系数、时间延迟和数据点数。以m为窗长，将每
段脑电序列分为n-(m 1)个序列，其中i，j分别表示第i与第j个分割后的序列，d(x(i),x(j))代表两个序列间的距离。样本熵：其中，b
l
(r)表示匹配l个点的两个序列的概率，而a
l
(r)表示匹配l 1个点的两个序列的概率。香农熵：其中，a表示eeg数据的所有观测值，p(a)表示值出现在整个eeg序列中的概率。光谱熵：p
f
是频率为f的分量的相对功率。奇异分解熵：y＝[y1,y2,
…
,y
(n-(r-1)τ)
]
t
y
i
＝[x
i
,x
i τ
,
…
，x
i (r-1)τ]其中m表示嵌入矩阵y的奇异值的数量。σ1,σ2,
…
,σ
m
表示y的归一化奇异值，r表示排列熵的顺序，τ表示时间延迟。4.根据权利要求1所述的一种基于脑电信号的癫痫发作预测方法，其特征在于：步骤3所述的分类方法具体为：将每30s的脑电窗口计算的熵组合成一个特征向量做为卷积神经网络的输入，经过训练学习，最终实现癫痫脑电发作前期和发作间期的分类。5.根据权利要求1所述的一种基于脑电信号的癫痫发作预测方法，其特征在于：步骤6所述的评价模型性能指标为：准确率：其中，真阳性tp定义如下：癫痫发作前期的脑电图被判断为发作前期。假阳性fp是指发作间期被判定为发作前期。真阴性tn是发作间期的脑电图被判定为发作间期。假阴性fn是指发作前期被判定为发作间期。准确率是预测正确的结果占总样本的百分比。采用准确率accuracy作为模型的评价指标。

技术总结
本发明公开一种基于脑电信号的癫痫发作预测方法，该方法通过结合经验模态分解和卷积神经网络对癫痫的发作形成预测，并帮助医生进行诊断。主要包括如下步骤：对长期监测的脑电信号进行标记并分段，将分段后的脑电数据进行经验模态分解并提取熵特征，最后利用卷积神经网络对提取到的特征进行学习并对发作前期和发作间期的脑电信号进行分类。本方法采用时频域和非线性的特征提取方法并结合深度神经网络的分类方法，有效提高了癫痫脑电信号预测的准确率，使得医生患者可以在癫痫发作来临前能够做好充分准备，更加有效的治疗癫痫。更加有效的治疗癫痫。更加有效的治疗癫痫。


技术研发人员：闫健卓 李晋楠 许红霞
受保护的技术使用者：北京工业大学
技术研发日：2021.07.17
技术公布日：2022/1/28