[发明专利]一种基于词袋模型和极限学习机的癫痫发作预警方法

权利要求书

1.一种基于词袋模型和极限学习机的癫痫发作预警方法，其特征在于，包括如下步骤：

步骤(1)：采集癫痫发作前期及发作间期脑电信号；

步骤(2)：预处理，所述预处理过程包括删除电压不变的电极，去除脑电信号中伪迹，将采集到的发作前期及发作间期脑电信号进一步分割为长度为S分钟的脑电信号片段；

步骤(3)：词袋特征提取，包括波形词典构造和脑电信号片段的词袋特征提取；

步骤(4)：分类模型学习，对于训练集中的脑电信号片段，利用步骤3提取其词袋特征；将提取到的特征和其对应的发作前期、发作间期标签作为输入训练极限学习机(ELM)；选取隐含节点个数为N，得到极限学习机的分类模型；

步骤(5)：癫痫预警

在采集到的脑电信号上，截取脑电信号片段，根据步骤3提取该片段的词袋特征，将提取到的特征输入步骤(4)学习到的分类模型，获得该脑电信号片段的类别；对多个脑电信号片段进行投票，分类为前期的片段多于半数则警报，反之则正常。

2.如权利要求1所述的基于词袋模型和极限学习机的癫痫发作预警方法，其特征在于，步骤1具体为：所述的脑电信号采集包括记录癫痫患者脑电信号的长期变化，标记出癫痫发作的起始及终止时间，根据记录的起始时间，发作前期为癫痫发作前1小时，发作间期为两次发作间，且前后1小时无癫痫发作的时段。

3.如权利要求1所述的基于词袋模型和极限学习机的癫痫发作预警方法，其特征在于，步骤3具体为：

步骤(3.1)：波形词典构造，利用训练集中的发作前期和发作间期的脑电数据，分别以长度为m的窗口随机采样x个局部波形段，通过K-means聚类算法对前期和间期的局部波形分别聚为d类，得到的聚类中心构成发作前期和发作间期的波形字典；

步骤(3.2)：脑电片段的词袋特征提取，对于一个长度为S的脑电信号片段，将脑电信号片段分别利用不同长度的滑动窗口进一步划分为脑电信号单元，其中滑动窗口的步长为窗口长度的一半；在每个脑电信号单元中，将其划分为m毫秒的不重叠局部波形段，计算脑电信号单元中所有局部波形段与发作前期和发作间期两个波形字典中波形之间的距离，选择距离最小的波形代表局部波形段，并统计各窗口中发作前期和发作间期字典波形出现的频率；连接脑电信号单元在发作前期和发作间期字典上的直方图作为脑电信号单元的特征，即2*d维的频率向量；进一步连接脑电信号单元的特征组成脑电信号片段的词袋特征。