个实施例的方法流程图，包括：
[0032] 首先，应用时频分析方法对脑电信号进行时频分析得到信号时频图（步骤（1)); 然后，将时频图进行S、0、a、0、y五个波段的分割（步骤（2));接着，分别对五个波段 的时频子图应用高斯混合模型估计其能量密度的概率分布，并将相应的模型参数作为表征 脑电信号的备选特征（步骤（3));然后，用模式分类特征选择方法选择能最大程度表征癫 痫脑电与非癫痫脑电的特征（步骤（4));最后，采用模式分类器（如非线性支持向量机）验 证所选最优特征的有效性和模型的泛化性能（步骤（5)-(6))。
[0033] 进一步，将脑电数据按十折交叉验证分为训练样本和测试样本后，下面具体介绍 根据本发明所提供的基于时频分析的脑电特征提取与自动识别分析方法的具体步骤：[0034] (1)应用时频分析中连续小波变换分析处理脑电信号，构建脑电信号的时频图；
[0035]选取莫莱（Morlet)小波基对脑电信号进行连续小波变换，Morlet小波函数不但 具有非正交性，而且还是有高斯调节的指数复值小波，可以对相位进行很好的表达。Morlet 小波函数W的表达式如下式：
[0037] 其中，fb表示小波基带宽，f。为小波基的中心频率。本发明中，f b为25Hz，f。为 IHz0
[0038] (2)将时频图分割成S、0、a、0、y五个波段时频子图A、B、C、D、E;
[0039] 根据脑电信号活动相关的脑电波频率范围，将视频图划分为具有临床辅助诊断意 义的五种时频子图，频率由低到高依次为S波（〇. 5_4Hz)、0波（4_8Hz)、a波（8-12HZ)、 0 波（12-30Hz)、 y 波（30-40HZ);
[0040] (3)应用高斯混合模型估计时频子图A、B、C、D、E能量密度概率分布，选择高斯混 合模型参数作为表征脑电信号的备选特征Stl;
[0041] 高斯混合模型的阶次判定，判断依据是EM算法。在本发明的一个实施例中，依EM 算法选定各波段高斯混合模型的阶次为3阶。备选特征集S tl由模型的均值U i，U2, U3，对应 方差O1, O 2，O3及权重系数JT i，JT 2，JT 3组成。
[0042] (4)选择能最大程度表征癫痫与非癫痫脑电信号差异的最优特征子集S 1;
[0043] 在选择最优子集S1时，首先用过滤式特征选择方法一ReliefF算法，选出与脑电信 号相关程度最大化的特征子集；然后，基于选取的特征子集，再应用封装式特征选择方法一 SVM-RFE算法，选择在模式分类中最能表征癫痫脑电信号与非癫痫脑电信号差异的特征，至 此，最优特征子集3 1提取完成。本发明一个实施例选择的最优特征子集为高斯混合模型的 均值成分。图2显示了 ReliefF和SVM-RFE组合式的特征选择方法流程。
[0044] 对ReliefF特征选择，其流程包含：
[0045] a)初始化特征权重向量为0,并设置一个较大的特征选择迭代次数；
[0046] b)如果达到迭代次数，则转至end);
[0047] cl)随机选择一个样本xrd;
[0048] c2)选择k个与Xrd同类的最近样本；
[0049] c3)选择k个与xjf异类别的最近样本；
[0050] d)更新特征权重向量并返回至步骤b);
[0051] end)选择相应的阈值上权重对应特征组成输出特征子集，输出子集并结束；
[0052] 对组合的SVM-RFE特征选择算法，包含如下步骤：
[0053] e)初始化特征排序向量R为空；
[0054] f)如果特征子集S为空，转至j);
[0055]g)否则，用特征子集S的样本信号训练得到SVM分类模型；
[0056]h)计算每个特征的得分；
[0057]i)将得分最低的特征从S移入到排序向量R的首部，返回至步骤f);
[0058]j)输出向量R中前k个向量作为最优特征子集S1,结束。
[0059] (5)应用模式分类器对所选最优特征子集S1进行机器学习，构建癫痫脑电分类器
[0060] 在该步骤中，选用的分类器为基于RBF核函数的支持向量机，其参数中惩罚因子C 及RBF核函数宽度g的最优组合，由一种先整体后局部的网格搜索方法确定。具体来说， 先在一个较大的范围（log(c) :-12~12, log(g) :-12~12)内以较大步长（Iog(Step) = 0.5)搜索一个粗略的最优组合（Cc^gci)，然后在（Cc^g ci)的领域范围内（Iog(Ctl)I~ log(cQ)+3, log(gQ)_3 ~log(gQ)+3)，以小步长（log(step) = 0? 1)搜索精细的最优组合 (。1，gi)。
[0061] (6)分析基于所选择的最优特征构建分类器的分类结果及模型的泛化性能
[0062]获得十折交叉验证下分类的正确率（Accuracy)、敏感度（Sensitivity)、特异度 (Specificity)、平衡正确率（Balanced Accuracy)和表征模型泛化性能的ROC线下面积 (Area Under Curve，AUC)指标。
[0063] 所提特征在表征癫痫脑电差异方面的效果，一方面体现在提取的特征在正常脑电 与癫痫脑电下差异是否显著，另一方面间接体现在基于该特征模式分类效果是否最优。以 下基于本发明一实施例，将从上述两个方面评价所提最优特征的效果。本发明使用的实验 数据来自德国波恩癫痫研宄室临床采集的脑电数据库，采样频率为173. 6Hz，为临床颅内脑 电。其中非癫痫脑电（A组）和癫痫患者发作时的癫痫脑电（E组）各100段，每段4096点。
[0064] 1.特征在非癫痫脑电与癫痫脑电下的差异化比较：
[0065] (a) t 检验（t-test)
[0066] t检验是用t分布理论来推断差异发生的概率，从而比较两个平均数的差异是否 显著。表1列出了本发明方法提取的特征在表征癫痫脑电和非癫痫脑电差异显著的t检验 结果。观察表1的检验结果可知，所提特征在癫痫脑电和非癫痫脑电上存在显著的差异。
[0067] 表1最优特征子集t检验p值结果表
[0068]
[0069] (b)箱形图（box-plot)
[0070] 箱形图又称盒式图或箱线图，是一种用于显示一组信号分散情况资料的统计图。 同一数轴上，信号的箱形图并行排列，信号的中位数、尾长、异常值、分布区间等形状信息便 一目了然。图3是Y频段9个特征在癫痫脑电和非癫痫脑电信号上的箱形图。从图3观 察可知，前3个均值特征（U 1,U2，U3)在两类脑电信号上存在显著的分布差异，进一步体现了 所提的特征在表征不同类脑电信号特征的效果。
[0071] 2.特征在模式分类中效果比较：
[0072] 体现所提特征在表征癫痫脑电与非癫痫脑电差异效果的另一客观评价方法是通 过所提特征，构建癫痫与非癫痫脑电的分类模型，一定程度上，通过分类结果的准确率来 间接说明特征表达差异的大小。分类效果可以通过正确率、敏感度、特异度、平衡正确率、 ROC线下面积等指标体现，以上各指标值越大，表明分类效果越好，间接表明所提特征在表 征两类样本差异比较效果越好。
[0073] (a)正确率
[0074] 正确率是反映一个分类器分类效果的最基本量，一个分类器分类效果好，必须满 足较高的正确率。在分类问题中，正确率的计算公式如下：
[0076] 其中，ACC表示正确率，TP表示被正确分类的正样本数，TN表示被正确分类的负样 本数，FP表示被错误分类的负样本数，FN表示被错误分类的正样本数。
[0077] (b)敏感度
[0078] 敏感度又称为真阳性率，在医学上通常表示的是实际病患（阳