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方案

本发明专利技术公开了一种基于GBDT模型的癫痫前期EEG信号识别方法与云端系统，所述解码方法，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；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；步骤4，利用GBDT机器学习模型进行预测：将得到的五个不同分辨率下的子信号的信号强度输入到所述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。本发明专利技术预测精准度高，便于维护。

An EEG Signal Recognition Method and Cloud-end System for Pre-epilepsy Based on GBDT Model

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，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。在上述技术方案中，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。在上述技术方案中，所述GBDT机器学习模型时采用的学习样本个数为5000-10000个。在上述技术方案中，所述步骤1中通过http服务接收网络传输的原始EEG时间序列信号。在上述技术方案中，所述GBDT机器学习模型中梯度提升树的数量为50-100，树的高度为5-6，这时效果较优。在上述技术方案中，所述功率谱分析时，从0.5Hz到20Hz平均取40个点作为特征。在上述技术方案中，所述步骤1中EEG时间序列信号由Grael便携式脑电仪采集。在上述技术方案中，所述步骤1中的低通滤波是通过以下微分方程完成的：其中，Vin(t)为输入信号，dVout(t)为输出信号，τ＝20ms。在上述技术方案中，所述步骤4中，所述预测结果的返回是通过http服务的post方式返回的。本专利技术的另一方面，还包括一种基于EEG癫痫神经信号的云端解码系统，包括部署在云端的以下模块：信号接收与预处理模块，用于接收原始颞叶EEG原始时间序列信号并对其进行低通滤波；特征提取模块，提取低通滤波后的信号均值、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；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；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机器学习模块，负责预加载机器学习模型并且利用机器学习模型对以上三种特征进行运算；模型结果处理和返回模块，用于返回模型预测结果。与现有技术相比，本专利技术的有益效果是：1.可以通过上传病人实时EEG信息有效预测出病人是否处于癫痫发作前期，准确度超过90％。2.利用云端更好的计算资源获得比嵌入式本地模型更优的识别速度和精度，并有效减小嵌入式系统成本和模型升级的成本，支持大规模使用。附图说明图1所示为实施例1中解码方法流程图。图2所示为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。具体实施方式以下结合具体实施例对本专利技术作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。实施例1一种基于GBDT模型的癫痫前期EEG信号识别方法，包括训练阶段和测试阶段，其中训练阶段为GBDT机器学习模型的训练，包括以下步骤：步骤1，提取学习样本的原始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，具体的，功率谱分析时，从0.5Hz到20Hz平均取40个点作为特征；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。测试阶段包括以下步骤：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；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，具体的，功率谱分析时，从0.5Hz到20Hz平均取40个点作为特征；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；GBDT梯度提升树算法包括以下几个要素，1，梯度提升树是有一系列回归树组成，每一棵树根据训练样本的情况选择最佳的分割点，使模型拟合均方差最小。2，gbdt通过多轮迭代,每轮迭代产生一个回归树的弱分类器，每个分类器在上一轮分类器的残差基础上进行训练。3，最终的总分类器是将每轮训练得到的弱分类器加权求和得到的。GBDT模型适合非线性分类问题，具有良好的模型泛化能力。我们通过实验比较了GBDT模型、SVM模型、LR模型、神经网络模型等，发现GBDT模型分类精度最高。实施例2本实施例在实施例1的基础上进行更进一步的详细说明。作为优选方式，所述步骤1中通过http服务接收网络传输的原始颞叶EEG时间序列信号。所述步骤4中，所述预测结果的返回是通过http服务的post方式返回的。本文档来自技高网...

【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