买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：杭州电子科技大学

摘要：本发明公开了一种区分脑电眨眼伪迹与额极痫样放电的智能分类方法，首先对脑电EEG信号进行滤波处理与信号切割；然后对处理后的脑电EEG信号进行平滑非线性能量算子SNEO信号变换与变分模态提取VME信号变换得到SNEO数据集和VME数据集；然后对三个数据集对应的信号进行20维特征提取；再通过K‑means算法进行二分类无监督聚类，构建无监督分类模型；最后通过建立的无监督分类模型实现眨眼伪迹与痫样放电信号的分类。本发明既克服包含痫样放电信号背景下眨眼伪迹检测精度低的困难，又可以解决现有模型忽略痫样放电的问题，还能够实现眨眼伪迹与额极痫样放电的精准自动化分类。

主权项：1.一种区分脑电眨眼伪迹与额极痫样放电的智能分类方法，其特征在于，步骤如下：步骤1、对脑电EEG信号进行滤波处理与信号切割，得到样本数据集；步骤2、对步骤1处理后的脑电EEG信号进行平滑非线性能量算子SNEO信号变换与变分模态提取VME信号变换得到SNEO数据集和VME数据集；步骤3、对三个数据集对应的信号进行20维特征提取；步骤4、通过K-means算法进行二分类无监督聚类，构建无监督分类模型；步骤5、通过建立的无监督分类模型实现眨眼伪迹与痫样放电信号的分类；所述步骤3具体步骤如下：3-1计算脑电样本的多维多通道特征，共20维特征，包括：1计算样本数据集中每个信号的Fp1通道和Fp2通道分别的单调递增部分斜率最大值MSMI1和MSMI2、超过给定阈值的单调递增部分斜率计数SCMI1和SCMI2；2计算SNEO信号数据集中每个信号的Fp1通道和Fp2通道分别的单调递增部分斜率最大值MSSN1和MSSN2、超过给定阈值的单调递增部分斜率计数SCSN1和SCSN2；3计算VME数据集中每个信号的Fp1通道和Fp2通道分别的第一差值绝对平均值AAF1和AAF2、第一差值绝对最大值MAF1和MAF2、第二差值绝对平均值AAS1和AAS2、第二差值绝对最大值MAS1和MAS2、单调递增部分斜率平均值ASMI和ASMI2、单调递增部分斜率最大值MSVM1和MSVM2；3-2通过如下公式计算样本数据集中的信号第i通道的单调递增部分斜率g： 式中scv代表信号单调递增部分计数值；3-3利用步骤3-2分别计算样本数据集信号的Fp1通道和Fp2通道的单调递增部分斜率序列分别为SMIO1和SMIO2、SNEO数据集信号的Fp1通道和Fp2通道的单调递增部分斜率序列分别为SMIS1和SMIS2、VME数据集信号的Fp1通道和Fp2通道的单调递增部分斜率序列分别为SMIV1和SMIV2；3-4通过如下公式计算样本数据集信号的单调递增部分斜率最大值MSMI1和MSMI2：MSMI1＝maxSMIO1,MSMI2＝maxSMIO24式中max表示取最大值；3-5通过如下公式计算样本数据集信号的超过给定阈值的单调递增部分斜率计数SCMI1和SCMI2：SCMI1＝countSMIO1k1,SCMI2＝countSMIO2k25式中k1和k2分别表示原始数据集信号Fp1通道和Fp2通道的设定阈值，count表示取计数值；3-6通过如下公式计算SNEO数据集信号的单调递增部分斜率最大值MSSN1和MSSN2：MSSN1＝maxSMIS1,MSSN2＝maxSMIS23-7通过如下方法计算SNEO数据集信号的超过给定阈值的单调递增部分斜率计数SCSN1和SCSN2：SCSN1＝countSMIS1k3,SCSN2＝countSMIF2k47式中k3和k4分别表示SNEO数据集信号Fp1通道和Fp2通道的设定阈值；3-8通过如下公式计算VME数据集信号的第一差值绝对平均值AAF1和AAF2： 3-9通过如下公式计算VME数据集信号的第一差值绝对最大值MAF1和MAF2：MAF1＝max|ES1i+1-ES1i|10MAF2＝max|ES2i+1-ES2i|11其中i＝1,2,…,N-1；3-10通过如下公式计算VME数据集信号的第二差值绝对平均值AAS1和AAS2： 3-11通过如下公式计算VME数据集信号的第二差值绝对最大值MAS1和MAS2：MAS1＝max|ES1i+2-ES1i|14MSA2＝max|ES2i+2-ES2i|15式中i＝1,2,…,N-2；3-12通过如下公式计算VME数据集信号的单调递增部分斜率平均值ASMI1和ASMI2： 式中VL1表示SMIV1序列长度，VL2表示SMIV2序列长度,SMIV1i表示SMIV1序列的第i个元素,SMIV2i表示SMIV2序列的第i个元素；3-13通过如下公式计算VME数据集信号的单调递增部分斜率最大值MSVM1和MSVM2：MSAM1＝maxSMIV1,MSVM2＝maxSMIW2183-14三个数据集的样本总数均为T，对长度为N的信号，样本数据集提取4维特征，SNEO数据集提取4维特征，VME数据集提取12维特征，因此步骤3-2至3-13共提取20维特征提取，构成T*20的特征向量FVs。

全文数据：

权利要求：

百度查询： 杭州电子科技大学 一种区分脑电眨眼伪迹与额极痫样放电的智能分类方法