秦喜文 呂思奇 李巧玲

1(長春工業(yè)大學(xué)研究生院，長春 130012)2(長春工業(yè)大學(xué)基礎(chǔ)科學(xué)學(xué)院，長春 130012)

引言

癲癇是一種因腦部損傷而嚴(yán)重影響人類健康的腦部疾病，據(jù)估計世界大約有1%的人口受到癲癇病的影響。對癲癇患者的腦電信號進(jìn)行識別和分類，可以幫助醫(yī)生確定癲癇發(fā)作的具體類型以便選擇合理的治療方案，幫助病人及時避開危險。因此，癲癇腦電信號識別分類的研究具有重要的理論意義和實用價值。

19世紀(jì)末期，人們開始對腦電信號(electroencephalogram，EEG)進(jìn)行研究。1875年，英國的Richard Caton通過對動物進(jìn)行實驗記錄到了它們大腦皮層的電活動[1]。1924年，Hans Berger首創(chuàng)了腦電圖這一術(shù)語，并且首次從人類頭皮上記錄到腦電活動。1929年，德國耶拿大學(xué)神經(jīng)科教授Berger首次發(fā)現(xiàn)了EEG，奠定了EEG研究的基礎(chǔ)[2]；1934年，Berger的觀察得到認(rèn)同，從此人類腦電圖獲得科學(xué)界的認(rèn)可，并被廣泛應(yīng)用于臨床醫(yī)學(xué)、心理學(xué)、藥理學(xué)、腦動力學(xué)等諸多領(lǐng)域中[3]。

腦電信號的分析主要包括原始信號分解、特征提取、識別分類等。Johns-Gotman等提出了分解腦電信號進(jìn)入半波再提取特征的方法來處理癲癇腦電信號[4]；Saab等利用小波分析來檢測癲癇腦電信號的發(fā)作期[5]；Gabor等使用人工神經(jīng)網(wǎng)絡(luò)技術(shù)用來檢測EEG的發(fā)作期[6]。一些學(xué)者使用時頻分析相結(jié)合的人工神經(jīng)網(wǎng)絡(luò)來檢測癲癇發(fā)作期，例如Ocak等采用離散小波變換分解原始信號，提取近似熵進(jìn)行分類來檢測癲癇發(fā)作期[7]；Oweis等提取每個固有模態(tài)函數(shù)的瞬時信息來實現(xiàn)模式混合分類，用來區(qū)分EEG的發(fā)作間期和發(fā)作期[8]。在基于經(jīng)驗?zāi)B(tài)分解的預(yù)測研究中，李淑芳等提出了一種基于經(jīng)驗?zāi)B(tài)分解和支持向量機(jī)分類的方法對腦電信號信號進(jìn)行分類[9]；韓清鵬利用腦電信號的小波包變換與非線性分析實現(xiàn)精神疲勞狀態(tài)的判定[10]；羅志增等使用基于雙密度小波鄰域相關(guān)閾值處理的腦電信號消噪方法來消除混雜在腦電信號中的噪聲[11]；繼Dietch使用傅立葉變換對腦電信號進(jìn)行分析之后，出現(xiàn)了多種時域分析、頻域分析的經(jīng)典分析方法[12-13]。隨著技術(shù)的不斷發(fā)展及腦電自動分析系統(tǒng)的出現(xiàn)，利用計算機(jī)來輔助分析腦電信號逐漸受到了學(xué)者們的青睞。近年來，腦電信號分析領(lǐng)域相繼出現(xiàn)了時頻分析法、高階譜分析法、非線性分析法及人工神經(jīng)網(wǎng)絡(luò)分析法等一系列現(xiàn)代化的分析方法[14]。

20世紀(jì)40年代腦電信號開始和臨床結(jié)合，目前已在世界范圍內(nèi)廣泛發(fā)展。腦電信號監(jiān)測除了可以對癲癇，腦腫瘤，顱腦損傷，齄缺氧，缺血，腦血管疾病，中樞神經(jīng)系統(tǒng)疾病以及新陳代謝、精神疾病和智能障礙提供診斷、預(yù)防和治療方面的信息以外，還可以檢測大腦功能、認(rèn)知、思維等高級中樞活動[14-15]。但是由于EEG強(qiáng)烈的非平穩(wěn)、非線性特性，分析起來十分困難，因此腦電信號分析方法的研究正在不斷發(fā)展和日益深化。

為了提高腦電信號的識別率，本研究利用了整體經(jīng)驗?zāi)B(tài)分解與隨機(jī)森林相結(jié)合的方法對癲癇腦電信號進(jìn)行分類。

1 方法

1.1 實驗統(tǒng)籌設(shè)計

本研究建立的EEMD-RF分類模型和EEMD-LSSVM分類模型是在Windows7系統(tǒng)下實現(xiàn)的，采用的開發(fā)平臺是R*64 3.3.0和Matlab R2014a。

實驗數(shù)據(jù)來自德國波恩大學(xué)癲癇數(shù)據(jù)庫，該數(shù)據(jù)庫包含5類腦電信號，每類腦電信號包含100個時間為23.6 s、采樣頻率為173.61 Hz的單通道信號，每個單通道信號包含4 096個樣本點。其中，數(shù)據(jù)集A和B分別是來自5個健康志愿者的睜眼、閉眼時頭皮表面腦電信號，數(shù)據(jù)集C是5個癲癇病人癲癇發(fā)作間期的海馬結(jié)構(gòu)腦電信號，數(shù)據(jù)集D是癲癇發(fā)作間期的致癇區(qū)腦電信號；數(shù)據(jù)集E是癲癇病人發(fā)作期的致癇區(qū)腦電信號。本研究主要分析癲癇發(fā)作間期的D數(shù)據(jù)集和癲癇發(fā)作期的E數(shù)據(jù)集。

實驗首先通過Matlab實現(xiàn)EEMD，將癲癇腦電信號分解成多個固有模態(tài)函數(shù)。計算各階固有模態(tài)函數(shù)與原始腦電信號的相關(guān)系數(shù)來選定有效的固有模態(tài)函數(shù)，并利用SAS計算其相關(guān)特征。最后通過R分別實現(xiàn)RF和LSSVM對癲癇腦電信號特征進(jìn)行分類。通過對比兩種方法分類結(jié)果的正確識別率，來確定哪一種分類方法對癲癇發(fā)作間期和癲癇發(fā)作期的腦電信號分類效果比較理想。

基于EEMD的癲癇腦電信號特征提取及識別分類過程如圖1所示。

圖1 發(fā)作期檢測流程Fig.1 EEG ictal detection process

1.2 整體經(jīng)驗?zāi)B(tài)分解

整體經(jīng)驗?zāi)B(tài)分解(ensemble empirical mode decomposition，EEMD)方法，是在原信號中加入若干次均勻分布的高斯白噪聲，用來補(bǔ)償分解的固有模態(tài)函數(shù)(intrinsic mode functions，固有模態(tài)函數(shù))丟失的尺度，再分別進(jìn)行經(jīng)驗?zāi)B(tài)分解(empirical mode decomposition，EMD)處理，最后求平均的一種全局化方法[16]。該方法令加入的白噪聲互相抵消，不僅保留了原序列的信號信息，很大程度上克服了模態(tài)混疊問題，使分解在物理上唯一。EEMD算法流程如圖2所示。

圖2 EEMD算法流程Fig.2 EEMD algorithm flow chart

EEMD具體步驟[17]如下：

1)通過給待分析信號x(t)中加一組白噪聲w(t)，構(gòu)成信噪混合體，即

X(t)=x(t)+w(t)

(1)

2)對信噪混合體X(t)進(jìn)行EMD分解，將其分解成各個IMF分量的組合，即

(2)

3)給待分析信號加入不同的白噪聲w(t)，重復(fù)以上兩步，有

Xi(t)=x(t)+wi(t)

(3)

分解后得到各自的IMF分量組合，即

(4)

4)對所有IMF組合相對應(yīng)的IMF求平均，即

(5)

式中，N表示整體的個數(shù)，即得到最后分解結(jié)果，有

(6)

因白噪聲的零均值特性，加入噪聲的次數(shù)足夠多，將這些多次分解的結(jié)果取“平均”后，噪聲最終將被互相抵消從而達(dá)到消除的效果，整體平均的結(jié)果就可以被當(dāng)作真實信號。

選取波恩數(shù)據(jù)集中癲癇發(fā)作間期與發(fā)作期的各100個單通道信號，分別進(jìn)行整體經(jīng)驗?zāi)B(tài)分解。計算各階固有模態(tài)函數(shù)與原始腦電信號的相關(guān)系數(shù)，并選取合適的IMF進(jìn)行以下分析。

1.3 特征提取

對整體經(jīng)驗?zāi)B(tài)分解后得到的各階固有模態(tài)函數(shù)提取重要特征，包括均值、方差、標(biāo)準(zhǔn)差、極差、變異系數(shù)、波動指數(shù)、能量熵和信息熵等。

1.3.1變異系數(shù)

對腦電信號幅度進(jìn)行分析時，經(jīng)常選擇使用的特征有平均值、方差、標(biāo)準(zhǔn)差、變異系數(shù)等簡單統(tǒng)計量，其中變異系數(shù)能夠衡量腦電信號的幅度變化。對于癲癇發(fā)作間期的腦電信號等幅度變化規(guī)則的信號，變異系數(shù)的值比較小，其定義為

CV=σ2/μ2

(7)

其中

式中，l為固有模態(tài)函數(shù)的長度。

1.3.2波動指數(shù)

波動指數(shù)可以衡量信號變化的強(qiáng)度。癲癇發(fā)作期信號的波動通常會比發(fā)作間歇期的波動劇烈。其定義為

(8)

式中，l為固有模態(tài)函數(shù)的長度。

1.3.3能量熵

為了便于特征提取，選擇能量熵來表征不同固有模態(tài)函數(shù)特征的差別。根據(jù)信息論中能量熵的定義，固有模態(tài)函數(shù)ci(t)的能量的計算公式見后，t1和t2分別為信號起始時間和結(jié)束時間[16]，有

(9)

其定義為

(10)

式中，Pi=Ei/E為第j個固有模態(tài)函數(shù)的能量占整個信號能量的比例，E為整個信號的能量。

1.3.4信息熵

信息中排除了冗余后的平均信息量稱為“信息熵”，癲癇發(fā)作期信號的信息熵通常會比發(fā)作間期的信息熵低，其定義為

(11)

式中，x表示隨機(jī)變量，與之相對應(yīng)的是所有可能輸出的集合，定義為符號集。

選取波恩數(shù)據(jù)集中發(fā)作間期與發(fā)作期IMF1～I(xiàn)MF5來計算相關(guān)特征，分別為均值、方差、標(biāo)準(zhǔn)差、極差、變異系數(shù)、波動指數(shù)、能量熵、信息熵等。

1.4 隨機(jī)森林

隨機(jī)森林(random forest，RF)最早是由Breiman[18]于2001年提出來的， 是一種非參數(shù)統(tǒng)計方法，它的基本思想是用bootstrap方法從原始樣本中抽取多個子樣本，對每個bootstrap子樣本進(jìn)行決策樹建模， 再利用投票法或者平均法組合多棵決策樹的預(yù)測結(jié)果來決定最終預(yù)測結(jié)果。

隨機(jī)森林相對于神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、決策樹等方法具有更好的噪聲容忍度以及更高的預(yù)測準(zhǔn)確率，且不容易出現(xiàn)過擬合問題。隨機(jī)森林是由若干樹形分類器{h(x,θk),k=1,…}組成的集成分類器，其中x是輸入向量，{θk}是獨立同分布的隨機(jī)向量，預(yù)測時通過簡單的多數(shù)投票法、或單棵樹輸出結(jié)果的簡單平均得到隨機(jī)森林的最終輸出。具體步驟[19]如下：

步驟1：用Bagging方法形成個別訓(xùn)練集，即每個個別訓(xùn)練集都是從原始訓(xùn)練集的n個樣品中有放回地抽取n個樣品。

步驟2：對于每個個別訓(xùn)練集，用如下過程生成一棵不剪枝的分類回歸樹。

1)設(shè)共有M個原始屬性，給定一個正整數(shù)mtry，滿足mtry≤M。在每個內(nèi)部節(jié)點，從M個原始屬性中隨機(jī)抽出mtry個屬性作為該分裂節(jié)點的候選屬性。在生成整個森林的過程中，mtry不變。

2)從mtry個候選屬性中選出最好的分裂方式對該節(jié)點進(jìn)行分裂。

3)每棵樹令其充分成長，不進(jìn)行剪枝。

3)重復(fù)1)和2)，直到生成ntree棵分類回歸樹(ntree足夠大)。

4)對未知類別的樣本進(jìn)行分類時，輸出的類別標(biāo)簽由森林中樹的多數(shù)投票決定，即

(12)

隨機(jī)森林在Bagging的基礎(chǔ)上引入隨機(jī)選擇屬性，更大程度上降低了樹之間的相關(guān)性，同時建立的單棵不剪枝的分類回歸樹能夠得到較低的偏差，從而保證了隨機(jī)森林的分類性能。

在K折交叉驗證中，原始樣本組隨機(jī)劃分成K個樣本的平均子集。在K個子集中，單個子集用于測試模型的測試數(shù)據(jù)，剩余的K-1的子集被用作訓(xùn)練數(shù)據(jù)，將交叉驗證過程重復(fù)K次，每個恰好一次作為驗證數(shù)據(jù)，在K個結(jié)果后可以進(jìn)行平均或以其他方式組合來產(chǎn)生一個單一的估計。本研究選擇使用四折交叉驗證。

在RF分類過程中，提取IMF1-IMF5的均值、方差、標(biāo)準(zhǔn)差、極差、變異系數(shù)、波動指數(shù)、能量熵和信息熵之后組合形成特征矢量，訓(xùn)練數(shù)據(jù)的特征矢量被送入一個RF分類以獲得最佳的RF參數(shù)。最后，經(jīng)訓(xùn)練的RF分類器用于區(qū)分測試集中的腦電信號類別。

1.5 最小二乘支持向量機(jī)

圖3 癲癇發(fā)作間期和癲癇發(fā)作期的樣本。(a)癲癇發(fā)作間期樣本；(b)癲癇發(fā)作期樣本Fig.3 The sample of of ictal and interictal EEG. (a) The sample of of interictal EEG;(b) The sample of of ictal EEG

最小二乘支持向量機(jī)(least squares support vector machine，LSSVM)是傳統(tǒng)支持向量機(jī)(support vector machine，SVM)的一種改進(jìn)方法，其基本思想是基于Mercer核展開定理[20]將傳統(tǒng)支持向量機(jī)中的選取誤差ei和不等式約束改為選取誤差的二范式和等式約束[21]。與SVM算法相比，LSSVM算法簡化了計算的復(fù)雜度，降低了預(yù)測誤差，保證了計算結(jié)果的準(zhǔn)確性。

假設(shè)訓(xùn)練樣本集(xi,yi)(i=1,2,…,N)，其中xi∈Rm為訓(xùn)練樣本輸入，yi∈R為訓(xùn)練樣本輸出。通過徑向基核函數(shù)φr(*)將低維空間Rm向高維特征空間映射，在高維空間中構(gòu)建最優(yōu)決策函數(shù)，根據(jù)結(jié)構(gòu)風(fēng)險最小化原則構(gòu)建優(yōu)化模型，即

(13)

約束條件為

yi=WTg(xi)+b+ξi(i=1,2,…,M)

(14)

由于W一般情況為無限維的，很難直接計算優(yōu)化模型，通常將這一規(guī)劃問題轉(zhuǎn)化到其對偶空間中。根據(jù)Hilbert-Schmidt原理，通過引入滿足Mercer條件的核函數(shù)K(xi,xj)=φ(xi)Tφ(xj)，將變換空間中內(nèi)積計算問題轉(zhuǎn)化為原空間中某個函數(shù)的計算問題，間接求解輸入空間向高維特征空間的映射。最終得到LSSVM回歸函數(shù)為

(15)

在LSSVM分類過程中，選取發(fā)作間期和發(fā)作期數(shù)據(jù)集的前75%特征矢量作為訓(xùn)練樣本，后25%特征矢量作為測試樣本，采用交叉驗證的方法求出最佳參數(shù)來得到訓(xùn)練好的LSSVM分類器。將測試樣本送入該分類器，進(jìn)行多次試驗得到平均分類結(jié)果。

2 結(jié)果

2.1 癲癇腦電信號分解

選取癲癇發(fā)作間期的D數(shù)據(jù)集和癲癇發(fā)作期的E數(shù)據(jù)集進(jìn)行分析。原始癲癇腦電信號發(fā)作間期和發(fā)作期的樣本如圖3所示。

圖3(a)為癲癇發(fā)作間期腦電信號樣本。選取波恩數(shù)據(jù)集D的200個單通道信號中的1個單通道信號，包含4 097個樣本點。可以看出該信號波幅較大，具有規(guī)律性。圖3(b)為癲癇發(fā)作期腦電信號樣本。選取波恩數(shù)據(jù)集E的200個單通道信號中的1個單通道信號，包含4 097個樣本點?？梢钥闯鲈撔盘柌ǚ^小，且不穩(wěn)定。

由圖3(a)、(b)可以看出，癲癇發(fā)作間期腦電信號與癲癇發(fā)作期腦電信號波動差距明顯。

對癲癇腦電信號進(jìn)行整體經(jīng)驗?zāi)B(tài)分解得到各階固有模態(tài)函數(shù)，通過計算各階固有模態(tài)函數(shù)的相關(guān)系數(shù)，選定了IMF1～I(xiàn)MF5來提取特征并計算。癲癇發(fā)作間期和癲癇發(fā)作期EEG某一個時間段的前5個固有模態(tài)函數(shù)在圖4給出。圖4(a)為癲癇發(fā)作間期腦電信號經(jīng)整體經(jīng)驗?zāi)B(tài)分解后的固有模態(tài)函數(shù)，選擇波恩數(shù)據(jù)集D中的100個單通道信號中的1個單通道信號作為樣本。整體經(jīng)驗?zāi)B(tài)分解后的癲癇發(fā)作間期腦電信號得到了8個固有模態(tài)函數(shù)和1個趨勢項。圖4(b)為癲癇發(fā)作期腦電信號經(jīng)整體經(jīng)驗?zāi)B(tài)分解后的固有模態(tài)函數(shù)，選擇波恩數(shù)據(jù)集E中的100個單通道信號中的1個單通道信號作為樣本。整體經(jīng)驗?zāi)B(tài)分解后的癲癇發(fā)作間期腦電信號得到了8個固有模態(tài)函數(shù)和1個趨勢項。

圖4 發(fā)作間期和發(fā)作期EEG一個時期的前5個固有模態(tài)函數(shù)。(a)發(fā)作間期；(b)發(fā)作期Fig.4 The top five IMFs of ictal and interictal EEGs on Bonn data sets.(a) The interictal EEG; (b) The ictal EEG

表1 癲癇腦電信號發(fā)作間期特征樣本Tab.1 The sample of interictal EEG features

表2 癲癇腦電信號發(fā)作期特征樣本Tab.2 The sample of ictal EEG features

由圖4(a)、(b)可以看出，癲癇發(fā)作間期腦電信號和發(fā)作期腦電信號波幅和頻率都存在很大差別。接下來對整體經(jīng)驗?zāi)B(tài)分解后得到的各階固有模態(tài)函數(shù)計算相關(guān)系數(shù)。

2.2 癲癇腦電信號特征提取

對癲癇腦電信號發(fā)作間期與發(fā)作期的200個單通道信號，經(jīng)過整體經(jīng)驗?zāi)B(tài)分解后計算相關(guān)系數(shù)選取的前5個固有模態(tài)函數(shù)進(jìn)行特征提取，主要選取均值、方差、標(biāo)準(zhǔn)差、極差等簡單統(tǒng)計量及變異系數(shù)、波動指數(shù)、能量熵、信息熵作為特征，用于接下來的分類。

表1、2分別為波恩數(shù)據(jù)集癲癇腦電信號發(fā)作間期與發(fā)作期的特征結(jié)果樣本，以1個單通道信號為例，經(jīng)過整體經(jīng)驗?zāi)B(tài)分解后計算各階固有模態(tài)函數(shù)與原始腦電信號的相關(guān)系數(shù)，選取了IMF1～I(xiàn)MF5來計算相關(guān)特征，分別為均值、方差、標(biāo)準(zhǔn)差、極差、變異系數(shù)、波動指數(shù)、能量熵、信息熵。

2.3 癲癇腦電信號識別分類

本研究分別選取RF和LSSVM兩種方法對固有模態(tài)函數(shù)進(jìn)行分類，并對結(jié)果進(jìn)行比較。將固有模態(tài)函數(shù)所有特征和其組合進(jìn)行分類的結(jié)果匯總(見表3)，表明利用RF對IMF1～I(xiàn)MF5組合特征進(jìn)行分類效果最佳，最高的正確識別率為99.60%。

表3 癲癇腦電信號分類結(jié)果比較Tab.3 The compare of EEG classification result

通過實驗結(jié)果可以發(fā)現(xiàn)，EEMD～RF方法選擇IMF1-IMF5的特征對發(fā)作間期和發(fā)作期EEG分類效果最佳，表現(xiàn)為99.60%的正確識別率，EEMD-LSSVM方法選擇IMF1～I(xiàn)MF2的特征對發(fā)作間期和發(fā)作期EEG分類效果最佳，表現(xiàn)為96.00%的正確識別率。經(jīng)對比發(fā)現(xiàn)，EEMD-RF方法對EEG的分類準(zhǔn)確性優(yōu)于EEMD-LSSVM方法。

3 討論

一種有效的癲癇腦電信號分類方法在臨床診斷與治療中是至關(guān)重要的。李淑芳等提出了一種基于EMD和SVM結(jié)合的腦電信號分類方法[9]，李營等在關(guān)于癲癇腦電信號的研究中提出了基于此方法的改進(jìn)方法[16]，即EEMD與LSSVM結(jié)合的癲癇腦電信號分類方法得到了較好的分類效果，這證實了基于EMD 的信號分解方法與基于機(jī)器學(xué)習(xí)的分類方法相結(jié)合對于腦電信號分類的效果是顯著的。李營等[16]在研究癲癇腦電信號問題時選取了整體經(jīng)驗?zāi)B(tài)分解與最小二乘支持向量機(jī)結(jié)合的分類方法對腦電信號進(jìn)行分解與分類，證明了整體經(jīng)驗?zāi)B(tài)分解方法在癲癇腦電信號分類研究中能夠有效分解癲癇腦電信號并保留有意義的信息。

EEMD在時頻分析領(lǐng)域具有很大的優(yōu)勢，尤其是處理非線性和非平穩(wěn)信號，可以保持EMD的優(yōu)勢并解決EMD中的端點效應(yīng)及模態(tài)混疊問題。除了腦電信號分解，還可以廣泛應(yīng)用于其他領(lǐng)域，比如故障診斷、氣象預(yù)報等。相較于目前的其他分類算法，RF能很好地抗噪聲和抗干擾能力，作為有監(jiān)督的學(xué)習(xí)方法不容易出現(xiàn)過擬合現(xiàn)象，對于不平衡的分類資料來說可以平衡誤差。RF自算法提出以來已經(jīng)成為一種非常重要的分析方法，并可以廣泛應(yīng)用于其他領(lǐng)域，包括基因數(shù)據(jù)、核磁共振光譜、土地分類等。在此基礎(chǔ)上，本研究提出了一種基于EEMD和RF的新的癲癇腦電信號分類方法。

張學(xué)清等在混沌時間序列分析中用近似熵作為特征進(jìn)行預(yù)測[20]，張超等在齒輪故障診斷識別應(yīng)用中使用能量熵作為特征進(jìn)行有效的分類[21]，表明在不同的數(shù)據(jù)中可以得到最優(yōu)分類的特征并不固定，本研究中選取多種特征進(jìn)行組合及分類，選取最優(yōu)的分類結(jié)果。

通過對德國波恩大學(xué)癲癇腦電數(shù)據(jù)進(jìn)行實證分析，結(jié)合EEMD的自適應(yīng)分解特性與RF的抗干擾和避免過擬合優(yōu)點，將EEMD-RF算法分類結(jié)果的正確識別率與EEMD-LSSVM算法分類結(jié)果的正確識別率進(jìn)行對比，結(jié)果表明，EEMD-RF方法對癲癇發(fā)作間期和癲癇發(fā)作期腦電信號分類效果明顯優(yōu)于EEMD-LSSVM方法。該方法不僅可以應(yīng)用在生物醫(yī)學(xué)信號分析處理方面，還可以應(yīng)用于金融數(shù)據(jù)、機(jī)械故障診斷、環(huán)境預(yù)警等其他眾多領(lǐng)域，為在不同領(lǐng)域研究分類識別與預(yù)警預(yù)報等問題提供了可行的思路和模式。

4 結(jié)論

腦電信號中存在著大量生理與病理信息，腦電信號的識別與分類在癲癇疾病的檢測與輔助治療中發(fā)揮著極其重要的作用。本研究對癲癇腦電信號的分析顯示：與EEMD-LSSVM方法分類結(jié)果相比，對癲癇腦電信號進(jìn)行EEMD分解，選取IMF1-IMF5的能量熵和信息熵等屬性作為特征，通過實現(xiàn)RF分類對癲癇發(fā)作間期和癲癇發(fā)作期腦電信號進(jìn)行特征識別和分類的結(jié)果精確度更高，表現(xiàn)為99.60%的正確識別率，即EEMD-RF方法對癲癇發(fā)作間期和發(fā)作期腦電信號分類效果更佳。本研究提出的方法對癲癇的自動監(jiān)測具有重要的理論意義與實用價值，可以為病人及時提示和預(yù)警，為醫(yī)護(hù)人員提供科學(xué)的決策支持。

(致謝：感謝德國波恩大學(xué)癲癇研究中心提供數(shù)據(jù)支持！)