The invention discloses an EEG signal recognition method and a cloud-end system for pre-epilepsy based on GBDT model. The decoding method comprises the following steps: step 1, extracting the original EEG time series signal of the epilepsy patient to be tested, and after low-pass filtering, extracting the mean, standard deviation, maximum, minimum, coefficient of variation, 80% and 20% quantiles of the signal as special values. In step 2, based on the wavelet decomposition algorithm, the low-pass filtered signal is decomposed into five sub-signals with different resolutions. In step 3, the signal strength of five sub-signals with different resolutions is extracted by power spectrum analysis. In step 4, the GBDT machine learning model is used to predict the signal strength of the five sub-signals with different resolutions. Describe the GBDT machine learning model to predict whether the patient is in the pre-epileptic state; Step 5, return the predicted results of the model. The invention has high prediction accuracy and is convenient for maintenance.
【技术实现步骤摘要】
一种基于GBDT模型的癫痫前期EEG信号识别方法与云端系统
本专利技术涉及神经信号处理
,特别是涉及一种基于GBDT模型的癫痫前期EEG信号识别方法与云端系统。
技术介绍
癫痫是一种典型的神经疾病,其临床特征表现为反复发作、大脑神经元过度异常放电等。有效的癫痫信号检测可以及早进行有效治疗,避免大脑产生不可逆的损伤。然而,目前的癫痫EEG分析算法大多是基于比较长时间段的EEG信号进行预测,时效性不好。另外,在本地系统部署离线模型会导致模型更新困难,而且对智能装置的计算能力有较高要求不适合大规模商业推广,目前的癫痫EEG检测方法缺乏成熟高效的云端部署方案。
技术实现思路
本专利技术的目的是针对现有技术中缺乏完善的分析、解码EEG癫痫神经信号的方法,而提供一种基于GBDT模型的癫痫前期EEG信号识别方法。本专利技术的另一个目的是针对本地部署解码EEG信号识别系统难以更新和推广的问题,而提供一种基于EEG癫痫神经信号的云端解码系统,智能医疗装置在采集到病人EEG信号后,可通过网络api,访问该云端部署的癫痫EEG识别模型,上传病人准实时EEG信息,获取返回的分类结果。从而解决癫痫EEG在线检测问题。为实现本专利技术的目的所采用的技术方案是:本专利技术的一种基于GBDT模型的癫痫前期EEG信号识别方法,包括以下步骤:步骤1,提取待测试癫痫病人的原始EEG时间序列信号,对其进行低通滤波后,提取信号均值、标准差、最大值、最小值、变异系数、80%分位数和20%分位数作为特征;步骤2,基于小波分解算法,把低通滤波后的信号分解为d1-d5五个不同分辨率下的子信号作为特征,d ...
【技术保护点】
1.一种基于GBDT模型的癫痫前期EEG信号识别方法,其特征在于,包括以下步骤:步骤1,提取待测试癫痫病人的原始EEG时间序列信号,对其进行低通滤波后,提取信号均值、标准差、最大值、最小值、变异系数、80%分位数和20%分位数作为特征;步骤2,基于小波分解算法,把低通滤波后的信号分解为d1‑d5五个不同分辨率下的子信号作为特征,d1‑d5五个不同分辨率份为0.01s,0.02s,0.04s,0.08s和0.16s;步骤3,利用功率谱分析,提取五个不同分辨率下的子信号的信号强度作为特征;步骤4,利用GBDT机器学习模型进行预测:将步骤1、步骤2和步骤3得到的特征输入到所述GBDT机器学习模型,以预测出病人是否处于癫痫前状态;步骤5,返回模型预测结果。
【技术特征摘要】
1.一种基于GBDT模型的癫痫前期EEG信号识别方法,其特征在于,包括以下步骤:步骤1,提取待测试癫痫病人的原始EEG时间序列信号,对其进行低通滤波后,提取信号均值、标准差、最大值、最小值、变异系数、80%分位数和20%分位数作为特征;步骤2,基于小波分解算法,把低通滤波后的信号分解为d1-d5五个不同分辨率下的子信号作为特征,d1-d5五个不同分辨率份为0.01s,0.02s,0.04s,0.08s和0.16s;步骤3,利用功率谱分析,提取五个不同分辨率下的子信号的信号强度作为特征;步骤4,利用GBDT机器学习模型进行预测:将步骤1、步骤2和步骤3得到的特征输入到所述GBDT机器学习模型,以预测出病人是否处于癫痫前状态;步骤5,返回模型预测结果。2.如权利要求1所述的基于GBDT模型的癫痫前期EEG信号识别方法,其特征在于,所述GBDT机器学习模型的训练通过以下步骤:步骤1,提取待测试癫痫病人的原始EEG时间序列信号,对其进行低通滤波后,提取信号均值、标准差、最大值、最小值、变异系数、80%分位数和20%分位数作为特征;步骤2,基于小波分解算法,把低通滤波后的信号分解为d1-d5五个不同分辨率下的子信号作为特征,d1-d5五个不同分辨率份为0.01s,0.02s,0.04s,0.08s和0.16s;步骤3,利用功率谱分析,提取五个不同分辨率下的子信号的信号强度作为特征;步骤4,利用步骤1、步骤2和步骤3得到的特征训练GBDT机器学习模型。3.如权利要求2所述的基于GBDT模型的癫痫前期EEG信号识别方法,其特征在于,所述GBDT机器学习模型时采用的学习样本个数为5000-10000个。4.如权利要求1所述的基于GBDT模型的癫痫前期EEG信号识别方法,其特征在于,...
【专利技术属性】
技术研发人员:秦迎梅,门聪,赵佳,韩春晓,车艳秋,薛彬,
申请(专利权)人:天津职业技术师范大学中国职业培训指导教师进修中心,
类型:发明
国别省市:天津,12
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。