CN109431497A

CN109431497A - 一种脑电信号处理方法及癫痫检测系统

Info

Publication number: CN109431497A
Application number: CN201811236617.8A
Authority: CN
Inventors: 梅贞; 刘琪
Original assignee: Nanjing Medical University
Current assignee: Southwest University
Priority date: 2018-10-23
Filing date: 2018-10-23
Publication date: 2019-03-08
Anticipated expiration: 2038-10-23
Also published as: CN109431497B

Abstract

本公开公开了一种脑电信号处理方法及癫痫检测系统，数据预处理：对脑电信号数据集进行离散小波变换分解出五条脑电图频带；求出小波系数；剔除一条频率最高的脑电图频带，通过逆向离散小波变换对剩余四条低频率的频带进行重构，得到一个去掉高频成分的信号；从重构得到的信号中提取时域特征和基于熵的特征，构建备选特征集合；利用基于特征相关性的特征选择法从备选特征集合里面选出最优特征子集。其具有针对已提取特征，利用改进的基于相关性特征选择方法选出最优特征子集的效果。

Description

一种脑电信号处理方法及癫痫检测系统

技术领域

本公开涉及生物医学信号处理技术领域，特别是涉及一种脑电信号处理方法及癫痫检测系统。

背景技术

本部分的陈述仅仅是提高了与本公开相关的背景技术，并不必然构成现有技术。

癫痫是一种常见的慢性神经系统疾病，该病突发时，患者大脑神经元异常放电，伴随短暂的大脑功能障碍。长期频繁的发作可对患者的身心、智力产生严重影响。目前，诊断癫痫主要依靠医生对脑电图的视觉检查来完成。人工脑电图检测不仅代价高昂，并且由于步骤繁琐和主观性差异往往导致误诊。因此，有必要设计一种脑电信号的特征提取和分类方法，开发一个计算成本低、精度高的系统来实现自动检测癫痫。

在此之前，已有一些利用脑电信号检测癫痫的文献和专利。

已有文献提出一个有效的特征提取方法，该方法通过实时微分癫痫脑电信号，计算Hjorths移动性成分的光谱功率。作者认为脑电信号中Hjorths移动性成分的光谱特征可以表示发作活动，有可能为开发快速可靠的癫痫发作检测方法铺平道路。然而，该方法所提取脑电特征种类过少，无法充分表示复杂的脑电信号，且作者未提出有效的分类检测方法，因而该方法尚不能很好地应用于实践。

已有文献提出了根据固有模态函数的相位空间表示，对癫痫发作时脑电信号分类。该方法首先使用经验模式分解来分解EEG信号，然后为获得的固有模态函数重建相位空间。二维和三维相位空间表示用于分类癫痫发作和未发作的脑电信号。该方法计算成本较高，无法形成轻量级的癫痫检测系统。

已有文献应用基于模糊近似熵的离散小波变换和支持向量机。作者观察到模糊近似熵的定量值在发作期下降，说明癫痫脑电信号比正常受试者的脑电信号更有序。所有数据集中不同子带的模糊近似熵值用于形成特征向量，并输入分类器。作者比较了基于径向基函数的支持向量机和基于线性基函数的支持向量机的分类精度。该方法虽然提取出足够的有效特征，但未对特征进一步筛选，存在的冗余特征有可能影响到分类精度。

申请号为201710325466.2的发明公开了一种癫痫患者脑电信号的处理方法及系统。该方法将多导脑电信号分成若干数据段，采用最大互相关函数计算同一时间窗下的任意两段数据段的最大互相关系数，作为相应数据段的特征值，然后通过计算所有脑电信号之间的互相关系数构成特征矩阵；并应用主成分分析法获取与癫痫发作相关的稀疏特征矩阵，作为最终的脑电信号的特征矩阵；最后采用最小二乘支持向量机算法分类癫痫患者脑电信号。该发明并未采用基于相关性特征选择方法，且主成分分析法容易忽略掉一些对分类起重要作用的不突出特征。

应当注意的是，已有的癫痫脑电处理及检测方法，均采用了支持向量机模型分类并进行癫痫检测。支持向量机模型能取得很好的分类效果，但只能用于二分类而非多分类。目前尚未有一种脑电信号处理方法，针对已提取特征，选出最优特征子集；目前缺乏癫痫检测系统并对健康人、癫痫病人正常状态和发作期下的脑电信号进行分类，从而检测出对象是否具有患癫痫的属性。

发明内容

为了解决现有技术的不足，本公开提供了一种脑电信号处理方法及癫痫检测系统，其具有针对已提取特征，利用改进的基于相关性特征选择方法选出最优特征子集的效果；

第一方面，本公开提供了一种脑电信号处理方法；

一种脑电信号处理方法，包括：

数据预处理：对脑电信号数据集进行离散小波变换分解出五条脑电图频带；求出小波系数；剔除一条频率最高的脑电图频带，通过逆向离散小波变换对剩余四条低频率的频带进行重构，得到一个去掉高频成分的信号；

从重构得到的信号中提取时域特征和基于熵的特征，构建备选特征集合；

利用基于特征相关性的特征选择法从备选特征集合里面选出最优特征子集。

在一些实施方式中，所述脑电信号数据集，包含三类脑电信号，分别取自正常人、癫痫病人发作间期和发作期。

在一些实施方式中，所述对脑电信号数据集进行离散小波变换分解出五条脑电图频带，是指采用二阶Daubechies小波函数db2对脑电数据集进行离散小波变换分解出五条脑电图频带：δ、θ、α、β和γ；δ的频带是指0-4Hz；θ的频带是指4-8Hz；α的频带是指8-13Hz；β的频带是指13-30Hz；γ的频带是指30-60Hz。

在一些实施方式中，所述求出小波系数的公式为：

在公式(1)中，通过尺度参数a_j＝2^j和位移参数b_j，k＝2^j*k实现对信号函数的缩放和平移；DWT(j,k)表示小波系数；t表示时间，j表示平移因子，k表示伸缩因子，x(t)表示信号，表示小波平移和伸缩函数。

在一些实施方式中，使用db2小波函数进行逆向离散小波变换。

在一些实施方式中，所述时域特征包括：三组时域特征；

第一组包括描述性统计特征：平均数X_mean、中位数X_med、最小值X_min、最大值X_max、偏度X_sks、标准偏差X_std、峰值X_kur、第一个四分位数Q₁、第三个四分位数Q₃和四分位数间距Q_ir；

第二组由二个亨杰斯参数组成：流动性H_mob和复杂性H_com；

第三组由二个非线性特征组成：赫斯特指数Hurst_exp和去趋势波动分析D_fluc。

亨杰斯参数是Bo Hjorth在1970年引入的时域信号处理中的统计特性指标。这些参数包括活动性、移动性和复杂性。它们通常用于脑电图信号的特征提取分析。

流动性H_mob：

流动性参数表示功率谱的平均频率或标准差的比例。它被定义为信号y(t)的一阶导数的方差的平方根除以信号y(t)的方差。

复杂性H_com：

复杂性参数表示频率的变化。该参数将信号的相似性与纯正弦波进行比较，在正弦波中，如果信号更相似，则值收敛到1。

在一些实施方式中，所述基于熵的特征，包括：样本熵SmpE和香农熵SE。

在一些实施方式中，所述利用基于特征相关性的特征选择法从备选特征集合里面选出最优特征子集的具体步骤为：

步骤(3-1)：对特征按照信息增益从大到小排列；

步骤(3-2)：利用最优先搜索方法找出特征子集空间；

步骤(3-3)：如果一个特征中的数值都小于设定阈值，将该特征排除；最终筛选出用于分类的特征。

在一些实施方式中，所述步骤(3-1)的具体步骤为：

将步骤(2)得到的所有特征按照公式(4)计算出的信息增益以从大到小的顺序进行排列。

gain＝H(X)-H(X/Y)；(4)

其中，X和Y分别代表两个特征的离散值，H(X)、H(Y)为各自对应的熵。

在一些实施方式中，所述步骤(3-2)的具体步骤为：

对经步骤(3-1)排列好的所有特征，选择排在第一位的特征，作为当前具有最大评估值的特征子集，通过向当前具有最大评估值的特征子集中新增一个特征来获得扩展后的特征子集；

计算扩展后的特征子集的评估值，如果扩展后的特征子集的评估值大于原特征子集的评估值，则将扩展后的子集作为当前具有最大评估值的子集，继续新增下一个特征，并继续进行评估值计算；

如果扩展后的特征子集的评估值小于等于原特征子集的评估值，则舍弃新增的特征，继续向原特征子集新增下一个特征，并继续进行评估；

如果当前子集被连续五次新增特征，都没有得到评估值的增加，就将当前子集作为最佳子集；或者，当最后一个特征被新增到特征子集后，得到的特征子集为最佳子集。

在一些实施方式中，特征子集的评估值r_c计算公式：

式(5)中，为特征与类之间的平均相关程度，为各个特征之间的平均相关程度。式(5)的目标是消除不相关或冗余的特征；

用公式(6)计算每一个被选中的特征的ω值：

式(6)中，v_max是每个特征包含数据点的最大值，v_min是每个特征包含数据点的最小值。

在一些实施方式中，所述步骤(3-3)的具体步骤为：

通过公式(7)计算出值并赋给阈值T_val；

因此，在申请实施例中，其具有以提取脑电信号时域特征和基于熵的特征为基础，利用改进的基于相关性特征选择方法进一步选出最优特征子集效果。与现有技术相比，本公开提供的脑电信号处理方法，应用了一种改进的基于相关性特征选择方法，减少了用于分类的特征数量，提高了分类的效率和精度。

第二方面，本公开还提供了一种脑电信号处理系统；

一种脑电信号处理系统，包括：

数据预处理模块：对脑电信号数据集进行离散小波变换分解出五条脑电图频带；求出小波系数；剔除一条频率最高的脑电图频带，通过逆向离散小波变换对剩余四条低频率的频带进行重构，得到一个去掉高频成分的信号；

特征提取模块：从重构得到的信号中提取时域特征和基于熵的特征，构建备选特征集合；

特征子集选择模块：利用基于特征相关性的特征选择法从备选特征集合里面选出最优特征子集。

第三方面，本公开还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面任一可能的实现方式中的方法。

第四方面，本公开还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面任一可能的实现方式中的任一方法的步骤。

第五方面，本公开还提供了一种癫痫检测系统；

一种癫痫检测系统，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成以下步骤：

特征选择：从重构得到的信号中提取时域特征和基于熵的特征，构建备选特征集合；

特征子集选择：利用基于特征相关性的特征选择法从备选特征集合里面选出最优特征子集；

信号分类：构建逻辑模型树，设置逻辑模型树的输出值包括：正常人的脑电信号、病人未发病时的脑电信号和癫痫发作时的脑电信号；基于得到的最优特征子集对逻辑模型树进行训练；得到训练好的逻辑模型树；

癫痫诊断：将待检测的脑电信号通过数据预处理、特征选择和特征子集选择步骤的处理，把得到的特征集合输入到训练好的逻辑模型树中，输出分类结果。

因此，在申请实施例中，通过训练逻辑模型树分类器取得了很好的分类效果，实现对癫痫实时、准确的自动检测。

与现有技术相比，本公开的有益效果是：

1.本公开运用小波变换与逆离散小波变化处理脑电信号，提取出时域特征和基于熵的特征；所述步骤(1)中去掉高频成分的信号是因为高频成分的信号含有很对对实验造成影响的噪声和伪迹；

2.本公开中改进的基于相关性特征选择方法，去除了冗余和不相关特征，最大程度上减少了特征数量，有利于分类器分类，提高了准确率；

3.本公开采用逻辑模型树分类算法，对健康人的脑电信号、癫痫患者间歇期信号和发作期信号进行分类，使癫痫检测的适用范围更广，检测效果更加精确；

4.本公开计算复杂性低，实时性好，能够实现快速自动的癫痫检测。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。

图1为一个或多个实施方式的信号处理流程图；

图2为一个或多个实施方式的分类检测流程图；

图3为一个或多个实施方式的改进的基于相关性特征选择方法的流程图；

图4为一个或多个实施方式的三个数据集的原始脑电信号。

具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

逻辑模型树分类器(LMT)是一种组合了树结构和Logistic回归模型的分类器，其特点是每个叶子节点是一个Logistic回归模型。该分类器的分类准确性比单独的决策树和Logistic回归方法要好。

图1展示了本公开的方法的流程图。包括：首先采用二阶Daubechies小波函数(db2)将EEG数据集通过离散小波变换分解成五个频率段的脑电信号，获得其小波系数。同时，从每一个分解出的子频带中提取特征，使用db2小波函数进行逆向离散小波变换，对频率在86HZ以下的频率带进行重构。然后，从离散小波分解和重构后的数据中提取备选特征。接着，使用改进的基于相关性特征选择方法选择出具有代表性的特征子集。最后将特征向量输入到逻辑模型树分类器，获得正确的分类结果并测试其分类精度。

本实验使用德国波恩大学癫痫病部门采集的公共数据，整个数据库被分成三个EEG数据集，记为集H、I、E(如图3所示)。每个数据集包括100个单通道脑电数据段，每段含有4097个数据点。数据集已通过人工检查，且消除明显的噪声。集H从五名健康志愿者的大脑表皮层中收集脑电数据。集I、E分别记录五名癫痫病人发作间期和出现癫痫症状时的脑电信号。所有的脑电记录由相同的128通道放大器系统生成，使用了平均公共参考电位，采样频率为173.61Hz。下面对该实例具体实施步骤做说明：

1.数据处理阶段。

(1)原始数据预处理。

步骤(1-1)：采用二阶Daubechies小波函数(db2)对脑电数据集进行五层离散小波变换分解出五条脑电图频带δ(0-4Hz)、θ(4-8Hz)、α(8-13Hz)、β(13-30Hz)、和γ(30-60Hz)，根据式(1)计算六个小波系数。

在式(1)中，通过尺度参数a_j＝2^j和位移参数b_j，k＝2^j*k实现对信号函数的缩放和平移。DWT(j，k)表示小波系数；t表示时间，j表示平移因子，k表示伸缩因子，x(t)表示信号，表示小波平移和伸缩函数。

如表1所示，所述小波系数被相应提取为43.4-86.8Hz，21.7-43.4Hz，10.85-32.7Hz，5.43-10.85Hz，2.71-5.43Hz，0-2.71Hz。

表1五层分解后的频带信号

频带(HZ)	分解信号	分解层数
			43.4-86.8	D1	1
21.7-43.4	D2	2
			10.85-32.7	D3	3
5.43-10.85	D4	4
			2.71-5.43	D5	5
0-2.71	A5	5

步骤(1-2)：从每一个分解出的子带中提取特征，使用db2小波函数进行逆向离散小波变换，对频率在86HZ以下的原始信号进行重构。

变换包括上采样和滤波，在上采样过程中，我们向样本数据间添加足够的数字0，以增加信号数据的长度。变换后我们得到了理想的重构信号。

(1)特征提取。

步骤(2-1)：从每一个子带和重构的信号中提取三组时域特征。第一组包括描述性统计特征，提取的特征包括平均数(X_mean)、中位数(X_med)、最小值(X_min)、最大值(X_max)、偏度(X_sks)、标准偏差(X_std)、峰值(X_kur)、第一个四分位数(Q₁)、第三个四分位数(Q₃)和四分位数间距(Q_ir)。第二个组由二个亨杰斯参数组成：流动性(H_mob)和复杂性(H_com)。第三组由二个非线性特征组成，提取的特征是赫斯特指数(Hurst_exp)和连续的去趋势波动分析(D_fluc)。

步骤(2-2)：提取二个基于熵的特征：包括样本熵(SmpE)和香农熵(SE)。

表2展示了本实例中提取的部分特征及其SD值。

表2部分提取的特征及SD值

(2)特征选择。

图2显示了改进的基于相关性特征选择方法的流程图。

步骤(3-1)：利用基于熵的离散方法处理数据集中的连续特征。

步骤(3-2)：应用信息增益对特征按降序排列。将所有特征按照公式(2)计算出的相关性以从大到小的顺序进行排列。

gain＝H(X)-H(X/Y)；(2)

步骤(3-3)：利用最优先搜索技术找出特征子集空间。对经步骤(3-1)排列好的所有特征，选择排在第一位的特征，作为当前具有最大评估值的特征子集，并通过插入单一特征来扩展，我们根据式(3)计算扩展后子集的评估值，如果其评估值相比插入前有所提升，就将扩展后的子集作为当前具有最大评估值的子集并继续扩展，如果评估值相比插入前没有提升，就退回到扩展之前的子集，并插入下一个单一特征进行评价。如果一个子集连续五次插入特征都没有得到评估值的提升，就将该子集作为最佳子集返回。

最后用公式(4)计算每一个当选特征的ω值。

式(4)中，为特征与类之间的平均相关程度，为各个特征之间的平均相互关联程度。评估式的首要目标是消除不相关或冗余的特征。

式(4)中，v_max和v_min分别是每个特征包含数据点的最大值和最小值。

步骤(3-4)：通过公式(5)计算出值并赋给阈值T_val。如果一个特征中85％的数据点对应值都小于T_val，我们就将该特征排除。表3显示了针对给定数据集最终筛选出的用于分类的特征。

改进的基于相关性特征选择算法具体如下：

输入:特征矩阵

输出:经过选择后的特征矩阵

提取特征并形成特征向量；

计算得出特征与特征以及特征与类的相关性矩阵；

应用信息增益对特征按降序排列。

令BEGIN list包含初始状态；END list为空,并且

BEST←初始状态

while BEGIN非空do

i.令m＝arg max(e(x))

ii.从BEGIN中删除m，将其插入END list

if e(m)≥(BEST)then

BEST←m

end if

iii.对每一个不在BEGIN或END list中的m的子节点c,评估并插入BEGIN list

if BEST在前一组扩展中发生改变,then

回到步骤i

end if

iv.返回BEST

end while

对每个BEST里的值计算其值并放入Feature list

for i＝1to N(变量N代表BEST list的特征数量)do

if Feature[i]≤T_val；(85％的数据点对应值都小于值)then

从特征向量中舍弃Feature[i]

end if

end for

表3显示了本实例中通过改进的基于相关性特征选择方法选择的特征。

表3通过改进的基于相关性特征选择方法选择的特征

序号	特征	细节	层次
				1	Wstd	细节系数的标准差	1，2，4，5
2	Wmean	细节系数的中位数	6
				3	Fluc	细节系数的波动指数	5
4	Istd	逆离散小波变换的标准差	3，5
				5	Hus	逆离散小波变换的赫斯特指数	5
6	Saen	逆离散小波变换的样本熵	2，3
				7	FractalDim	逆离散小波变换的分形维度	1，2，3，5

2.分类诊断阶段。

(1)信号分类。

使用通过步骤(3)得到的特征子集训练逻辑模型树分类器。其中，集合H中的样本被标记为0，代表正常人的脑电信号；集合I中的样本被标记为1，代表病人未发病时的脑电信号；集合E中的样本被标记为2，代表癫痫发作时的脑电信号；最后获得该特征集对脑电信号的三个分类结果，如图4所示。

(2)实验结果评价。

本次实验中用于评价分类性能的主要包括分类精确率(Precision)、召回率(recall)、综合评价指标(F-Measure)、ROC曲线等指标。

精确率(precision)定义为：

表示被分为正例的示例中实际为正例的比例。

召回率是覆盖面的度量，度量有多个正例被分为正例，

P和R指标有时候会出现的矛盾的情况，这样就需要综合考虑他们，最常见的方法就是F-Measure(又称为F-Score)。F-Measure是Precision和Recall加权调和平均：

ROC(Receiver Operating Characteristic)曲线是以假正率(FP_rate)和假负率(TP_rate)为轴的曲线，ROC曲线下面的面积我们叫做AUC，其值越大则性能越好。

表4是本实例中关于分类器的各项性能指标。

表4LMT分类器的各项统计指标

集合	精确率	召回率	F值	ROC面积
					H	0.97	0.985	0.978	0.998
I	0.975	0.97	0.972	0.996
					E	0.99	0.97	0.98	0.998

三个分类集合用H，I，E标记，分别表示正常人的脑电信号、病人未发病时的脑电信号以及发病时的脑电信号。由实验结果可知，分类器对三个分类结果具有较高的精度

具体的，本公开还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成方法中的各个操作，为了简洁，在此不再赘述。

应理解，在本公开中，该处理器可以是中央处理单元CPU，该处理器还算可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

该存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。

在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。结合本公开所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过起塔的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能的划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外一点，所显示或讨论的相互之间的耦合或者直接耦合或者通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims

1.一种脑电信号处理方法，其特征是，包括：

2.如权利要求1所述的一种脑电信号处理方法，其特征是，所述脑电信号数据集，包含三类脑电信号，分别取自正常人、癫痫病人发作间期和发作期。

3.如权利要求1所述的一种脑电信号处理方法，其特征是，所述对脑电信号数据集进行离散小波变换分解出五条脑电图频带，是指采用二阶Daubechies小波函数db2对脑电数据集进行离散小波变换分解出五条脑电图频带：δ、θ、α、β和γ；δ的频带是指0-4Hz；θ的频带是指4-8Hz；α的频带是指8-13Hz；β的频带是指13-30Hz；γ的频带是指30-60Hz。

4.如权利要求1所述的一种脑电信号处理方法，其特征是，

所述时域特征包括：三组时域特征；第一组包括描述性统计特征：平均数X_mean、中位数X_med、最小值X_min、最大值X_max、偏度X_sks、标准偏差X_std、峰值X_kur、第一个四分位数Q₁、第三个四分位数Q₃和四分位数间距Q_ir；第二组由二个亨杰斯参数组成：流动性H_mob和复杂性H_com；第三组由二个非线性特征组成：赫斯特指数Hurst_exp和去趋势波动分析D_fluc；

所述基于熵的特征，包括：样本熵SmpE和香农熵SE。

5.如权利要求1所述的一种脑电信号处理方法，其特征是，所述利用基于特征相关性的特征选择法从备选特征集合里面选出最优特征子集的具体步骤为：

步骤(3-1)：对特征按照信息增益从大到小排列；

步骤(3-2)：利用最优先搜索方法找出特征子集空间；

6.如权利要求5所述的一种脑电信号处理方法，其特征是，所述步骤(3-2)的具体步骤为：

7.一种脑电信号处理系统，其特征是，包括：

8.一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-6任一项方法所述的步骤。

9.一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-6任一项方法所述的步骤。

10.一种癫痫检测系统，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成以下步骤：