一种基于肢端动作信号的癫痫发作状态识别方法与流程

本发明涉及癫痫信号检测识别技术领域，是一种基于肢端动作信号的癫痫发作状态识别方法。

背景技术：

癫痫(epilepsy)是一种由多种病因引起的，由于大脑神经元阵发性异常放电而导致功能性障碍的慢性神经系统疾病，其临床表现为突发意识丧失、昏厥、四肢抽搐等，并且在认知与精神上产生障碍，严重损害患者的身心健康，甚至危及生命。对于癫痫患者来说，癫痫的发作时间通常无法预知，导致发作后护理介入不及时，不仅可能引发人身安全风险，而且给患者带来了很大的心理压力。如果患者的癫痫发作在第一时间被发现，能够即时得到医护人员处理，就可以避免进一步发展为死亡率更高的癫痫持续状态，对减少癫痫发作导致的人身伤害、提高患者生活质量具有积极意义。

癫痫是一种以反复发作为特征的慢性脑功能障碍综合症，我国约有800万人受到癫痫疾病的困扰，是世界第二大常见的破坏性神经系统疾病。癫痫病发作具有突然、快速、持续时间短的特点，快速有效的癫痫发作识别可以及时提示医护人员对病人进行有效治疗。如今医生对癫痫病的诊断仍是通过观察脑电信号的特征波来进行分析，耗费精力大、临床效率低，而且脑电信号的采集也有一定的空间要求和繁复性要求。因此基于肢端动作信号的癫痫发作快速识别，对于癫痫病人的看护具有重大现实意义。

技术实现要素：

本发明为实现对癫痫信号快速识别，本发明提供了一种基于肢端动作信号的癫痫发作状态识别方法，本发明提供了以下技术方案：

一种基于肢端动作信号的癫痫发作状态识别方法，包括以下步骤：

步骤1：根据采集到的多维度肢端动作信号，对多维度肢端动作信号进行数据划分，得到发病数据片段和正常数据，正常数据划分出干扰片段和平稳片段各占比50％，所述多维度肢端动作信号包括三轴加速度信号、心电信号、皮电信号和体温信号；

步骤2：根据发病数据片段和正常数据，进行预处理，得到预处理后的数据；

步骤3：根据预处理后的数据，进行特征提取和特征选择，确定各特征效果，得到多参数的特征数据集；

步骤4：根据多参数的特征数据集，划分训练集和测试集，得到统一格式的训练学习数据；

步骤5：基于训练学习数据，采用支持向量机算法进行机器学习，通过自动网格搜寻法进行超参数调节，确定优化后的超参数水平组合；

步骤6：确定优化后的超参数水平组合是否符合优化需求，若符合优化需求则停止优化，若不符合则返回步骤4调整特征集的特征重新进行机器学习；

步骤7：当优化后的超参数水平组合符合优化需求后，还原处决策函数，识别癫痫发作状态。

优选地，步骤2中对发病数据片段和正常数据进行预处理具体为：

步骤2.1：对发病数据片段和正常数据进行阈值过滤，去除小振动干扰，阈值由数据统计分析选取0.05；

步骤2.2：对发病数据和正常数据进行相邻点5点中值滤波，消除椒盐噪声；

步骤2.3：对三轴加速度数据进行加速度合成，通过下式表示合成后的加速度a：

其中：ax，ay，az分别为x、y、z轴加速度信号。

优选地，步骤3中采用随机森林算法的特征重要性可视化特性进行特征选择，特征选择的过程综合考虑特征重要性和识别准确率，选取识别准确率最高的组合作为多参数的特征数据集。

优选地，所述步骤4具体为：依据二八原则，根据多参数的特征数据集，划分训练集和测试集，划分百分之八十的训练集，划分百分之二十的测试集，得到统一格式的训练学习数据。

优选地，所述步骤5中支持向量机通过核函数映射到高维空间，使用的核函数为rbf高斯核，通过下式表示rbf核函数的映射公式k(x，z)：

其中，x为新的样本点数据，z为原来的样本点数据，γ为高斯核系数，σ为尺度参数；

将低维特征映射到高维空间之后，再通过拉格朗日乘子法来解决支持向量机的超平面间隔最大化的问题，通过下式表示所述间隔最大化的优化问题：

st.yi(w*xi+b)≥1-θi，i＝1，2，...，n

θi≥0，i＝1，2，...，n

其中，xi为第i个训练数据样本，yi为第i个训练数据标签，θi为松弛变量，c作为惩罚参数，代表着对于错分样本的容忍程度，w和b是系数矩阵和截距；

依上做核函数映射和最优化问题求解来搭建出支持向量机模型之后，使用自动网格搜寻法来对超参数c和γ进行调节，确定超参数水平组合。

优选地，确定优化后的超参数水平组合是否符合优化需求，当超参数水平组合准确率最高时，则符合要求。

优选地，根据优化后的系数矩阵w和截距b，参照f(x)＝w^tx+b来还原决策函数，识别癫痫发作状态。

本发明具有以下有益效果：

本发明提出了一种基于肢端动作信号的癫痫发作状态识别方法，得到了相关快速有效的决策边界，可应用于底层芯片中，快速判别并保证一定的准确率。本发明根据还原出决策函数，可以在线快速识别癫痫发作状态。

附图说明

图1为基于肢端动作信号的癫痫发作状态识别方法流程图。

具体实施方式

以下结合具体实施例，对本发明进行了详细说明。

具体实施例一：

根据图1所示，本发明提供一种基于肢端动作信号的癫痫发作状态识别方法，具体为：

一种基于肢端动作信号的癫痫发作状态识别方法，包括以下步骤：

步骤1：根据采集到的多维度肢端动作信号，对多维度肢端动作信号进行数据划分，得到发病数据片段和正常数据，正常数据划分出干扰片段和平稳片段各占比50％，所述多维度肢端动作信号包括三轴加速度信号、心电信号、皮电信号和体温信号；

步骤2：根据发病数据片段和正常数据，进行预处理，得到预处理后的数据；

步骤2中对发病数据片段和正常数据进行预处理具体为：

步骤2.1：对发病数据片段和正常数据进行阈值过滤，去除小振动干扰，阈值由数据统计分析选取0.05；

步骤2.2：对发病数据和正常数据进行相邻点5点中值滤波，消除椒盐噪声；

步骤2.3：对三轴加速度数据进行加速度合成，通过下式表示合成后的加速度a：

其中：ax，ay，az分别为x、y、z轴加速度信号。

步骤3：根据预处理后的数据，进行特征提取和特征选择，确定各特征效果，得到多参数的特征数据集；

步骤3中采用随机森林算法的特征重要性可视化特性进行特征选择，特征选择的过程综合考虑特征重要性和识别准确率，选取识别准确率最高的组合作为多参数的特征数据集。

步骤3中的特征提取，各特征如下表1所示，分别从统计特征、差分特征、多次方特征出发，来对信号数据集进行特征提取。

表1原始特征集详细列表

步骤4：根据多参数的特征数据集，划分训练集和测试集，得到统一格式的训练学习数据；

所述步骤4具体为：依据二八原则，根据多参数的特征数据集，划分训练集和测试集，划分百分之八十的训练集，划分百分之二十的测试集，得到统一格式的训练学习数据。

步骤5：基于训练学习数据，采用支持向量机算法进行机器学习，通过自动网格搜寻法进行超参数调节，确定优化后的超参数水平组合；

所述步骤5中支持向量机通过核函数映射到高维空间，使用的核函数为rbf高斯核，通过下式表示rbf核函数的映射公式k(x，z)：

其中，x为新的样本点数据，z为原来的样本点数据，γ为高斯核系数，σ为尺度参数；

将低维特征映射到高维空间之后，再通过拉格朗日乘子法来解决支持向量机的超平面间隔最大化的问题，通过下式表示所述间隔最大化的优化问题：

st.yi(w*xi+b)≥1-θi，i＝1，2，...，n

θi≥0，i＝1，2，...，n

其中，xi为第i个训练数据样本，yi为第i个训练数据标签，θi为松弛变量，c作为惩罚参数，代表着对于错分样本的容忍程度，w和b是系数矩阵和截距；

依上做核函数映射和最优化问题求解来搭建出支持向量机模型之后，使用自动网格搜寻法来对超参数c和γ进行调节，确定超参数水平组合。

步骤6：确定优化后的超参数水平组合是否符合优化需求，若符合优化需求则停止优化，确定优化后的超参数水平组合是否符合优化需求，当超参数水平组合准确率最高时，则符合要求。若不符合则返回步骤4调整特征集的特征重新进行机器学习；

步骤7：当优化后的超参数水平组合符合优化需求后，还原处决策函数，识别癫痫发作状态。根据优化后的系数矩阵w和截距b，参照f(x)＝w^tx+b来还原决策函数，识别癫痫发作状态。

以上所述仅是一种基于肢端动作信号的癫痫发作状态识别方法的优选实施方式，一种基于肢端动作信号的癫痫发作状态识别方法的保护范围并不仅局限于上述实施例，凡属于该思路下的技术方案均属于本发明的保护范围。应当指出，对于本领域的技术人员来说，在不脱离本发明原理前提下的若干改进和变化，这些改进和变化也应视为本发明的保护范围。