技术摘要：
本发明公开了一种面向癫痫患者的脑电信号时频图像分类方法，该方法首先对脑电信号进行时频分析得到时频图像用于特征提取，并进行特征选择和分类模型参数优化，从而实现面向癫痫患者的脑电信号时频图像分类。该方法主要包括如下步骤：1)时频分析：通过连续小波变换进行  全部
背景技术：
癫痫病的发作是由于大脑神经元的异常放电产生的，具有反复性和突发性等特 点。脑电信号作为研究癫痫疾病的重要工具，它所实时反映的信息是其它生理学方法所不 能提供的。目前在癫痫脑电信号的分析研究中，大多采用神经网络和机器学习这两种方法。 虽然神经网络不需要人工提取特征，但是小样本数据易造成过拟合现象。因此，机器学习为 脑电信号时频图像分类提供了强有力的工具，为了实现脑电信号时频图像分类，通常采用 时频分析、特征提取、特征选择三个连续环节。 脑电信号时频分析能够依据脑电图同时获得时域-频域信息，最常见的方法例如 短时傅里叶变换和小波变换。短时傅里叶变换通过固定窗口大小进行相位平移使得它能适 用于非平稳变换的脑电信号，但是由于固定窗口大小带来的高时间分辨率和高频率分辨率 不能同时兼得的问题。小波变换引入了随时间变化的“时间-频率”窗口，达到了在低频处具 有较高的频率分辨率和高频处具有较高的时间分辨率，能够适应突变的脑电信号，同时获 得高分辨率的时域-频域图(即时频图像)。 基于脑电信号时频图像可以提取鉴别性的特征，通常运用图像处理的方法提取纹 理特征，如灰度共生矩阵(Gray  Level  Co-Occurrence  Matrix，GLCM)和均匀二值模式 (Local  Binary Pattern，LBP)。但是仅仅使用单一的特征提取方法如GLCM描述子只能提取 全局特征，忽略了局部特征。虽然LBP能够提取局部的特征，但是容易丢失整体的纹理特征。 特征选择算法可以解决特征维度过大的问题，如：t检验、皮尔逊相关系数法、包装 式的递归消除算法(Recursive  Feature  Elimination，RFE)、嵌入式的粒子群优化算法 (Binary  Particle  Swarm  Optimization，BPSO)等。t检验是统计学领域的一种比较两类数 据的差异是否显著的方法，它的使用条件之一是数据必须满足正态或者近似正态分布。皮 尔逊相关系数法只能度量线性相关的数据。RFE是包装式的特征选择算法，虽然可以快速地 剔除不相关的冗余特征，比嵌入式算法执行速度更快，耗时更少，但是分类效果没有嵌入式 算法好。BPSO是嵌入式的优化算法，即使能够获得最优特征子集，然而时间复杂度也随之增 加。
技术实现要素：
本发明的目的在于针对现有技术的不足，提出一种面向癫痫患者的脑电信号时频 图像分类方法，其包括如下步骤： (1)时频分析：采用小波分解和连续小波变换的原理将原始脑电信号分解为五个 频率子带，并生成整体时频图像和其对应的五个频率子带的时频图； (2)特征提取：基于步骤(1)获得的五个频率子带的时频图，分别采用旋转不变的 4 CN 111598003 A 说　明　书 2/11 页 局部二值模式提取局部特征，采用灰度共生矩阵提取全局特征，然后将所述的局部特征和 全局特征进行一维向量合并，得到五个频率子带的特征集，进而得到整体时频图像的特征 集； (3)特征选择和模型参数优化：对步骤(2)获得的整体时频图像特征集选择有效特 征子集，并对分类模型进行参数优化，获得最优分类模型； (4)将要识别的脑电信号经过步骤(1)和(2)的处理后，输入步骤(3)得到的分类模 型，即可得到准确的分类结果。 进一步地，所述步骤(1)包括如下子步骤： (1.1)癫痫脑电信号f(t)的主要频率范围在0～64Hz，采用小波分解的原理将原始 脑电信号分解为五个频率子带，分别为δ波、θ波、α波、β波和γ波，其中，δ波的频率范围为0- 4Hz，θ波为4-8Hz，α波为8-16Hz，β波为16-32Hz，γ波为32-64Hz； (1.2)利用步骤(1.1)得到的五个不同子带的频率范围，选取Morlet作为小波基的 连续小波变换方法分别生成对应频率子带的时频图像，再将时频图像按照具有临床意义的 脑电信号波段进行有效信息分割获得五个频率子带的时频图。 进一步地，所述步骤(2)包括如下子步骤： (2.1)对于步骤(1.2)得到的五个频率子带的时频图，利用局部二值模式进行图像 局部纹理特征提取，同时考虑旋转不变性和灰度不变性，根据如下公式得到LBP旋转不变均 匀模式和非均匀模式为 基于模式 得到局部特征向量Li： 其中，r代表邻域半径，P代表在半径r的圆上的邻域点总数，p代表邻域第p个像素 点，  gi代表图像邻域的灰度值，gc代表图像中心像素的灰度值；U(LBPr,p)表示以r为半径的 圆周上两个邻近值1转换为0或者0转换为1的转换次数；若U(LBPr,p)≤2，该均匀模式从属于  p 1类，反之，全部的非均匀模式从属于1类，整幅图像的纹理 直方图的特征向量维数 为p 2； (2.2)对于步骤(1.2)得到的五个频率子带的时频图，根据灰度共生矩阵通过设置 方向θ和距离d两个变量，获得时频图像纹理的数字特征矩阵，并利用两个位置像素之间的 联合概率密度P(i,j；d,θ)来定义灰度共生矩阵，然后，选择能量、对比度、同质性、相关性四 类特征值得到时频图像整体空间的特征表示，进而得到全局特征向量Gi； 5 CN 111598003 A 说　明　书 3/11 页 (2.3)将步骤(2.1)的局部特征向量Li和步骤(2.2)的全局特征向量Gi，进行一维向 量合并，得到特征向量Xi，进而得到特征集X＝[X1,X2,…,XN]，其中，N为脑电信号段总数。 进一步地，所述步骤(3)包括如下子步骤： (3.1)对步骤(2.3)得到的特征集X，运用十倍交叉验证方法得到十个互不重叠的 特征子集，利用递归消除算法选择有效特征集S； (3.2)对于步骤(3.1)得到的有效特征集S，基于二进制粒子群优化算法，利用n 2 维对整个粒子进行编码得到bool类型的特征向量，改变粒子的位置xij和速度vij寻找全局 最优解，根据目标函数计算适度值fit，不断迭代直至达到最大种群数量和最大迭代次数T 时，根据内存中的全局最优粒子得到SVM最优参数(C,σ)和最优特征子集，并通过得到的最 优参数  (C,σ)来构建最优分类模型； 其中，根据目标函数计算适度值fit的公式如下： 其中，f1表示为训练过程中获得的分类准确率，f2表示为选择的最优特征参数，“1” 代表特征参数被选中，“0”表示没有选中；n表示为RFE算法提取有效特征向量的维度；在目 标函数f中，α表示为分类准确率的占比，β表示为选择特征子集的权重。 进一步地，所述的步骤(3.2)中，α＝0.8，β＝0.2，获得最优的分类器泛化性能。 进一步地，所述的步骤(2.2)中，所述的方向θ和距离d两个变量分别取值为：d＝1， θ＝0、π/4、π/2、π。 本发明的有益结果如下： 本发明通过生成脑电信号的时频图像并进行特征提取以及特征选择和分类器参 数优化，可以获得高分辨率的时频图像，有效降低特征选择的计算开销，大大提高分类效 率，同时保证高分类准确性和分类模型的泛化能力。本发明首次提出了针对局部和全局的 纹理特征进行特征融合，以及二进制粒子群优化算法同时实现特征子集寻优和参数优化， 既能从局部角度提取特征并同时兼顾易缺失的全局纹理特征，在大大减少分类时间复杂度 的同时部分二分类问题可以达到100％的效果，本发明的面向癫痫患者脑电信号的时频图 像分类方法具有很好的分类效果和泛化性能。 附图说明 图1为根据本发明的实施实例的整体流程图。 图2为脑电信号整体时频图及其分割后的五个频率子带的时频图像；图2中第一行 为五组数据子集的脑电信号图像(即脑电图)；图2中间一行为五组数据子集的时频图像；图 2  第三行为五组数据子集中的每个整体时频图在五个频率波段上的分割结果，即五个频率 子带的时频图像，分别为δ波时频图、θ波时频图、α波时频图、β波时频图和γ波时频图；其中 S,O,  Z,N,F分别代表五个数据子集。 6 CN 111598003 A 说　明　书 4/11 页