CN109758145A - 基于脑电信号因果关系的自动睡眠分期方法 - Google Patents

Abstract

本发明提供了一种基于脑电信号因果关系的自动睡眠分期方法。该方法包括：使用无线脑电采集设备分别采集不同睡眠分期的多导脑电信号；对所述多导脑电信号进行数据预处理，消除所述多导脑电信号中的伪迹和噪声干扰；利用希尔伯特‑黄变换提取数据预处理后的多脑电信号中的不同频段信号；提取所述不同频段信号之间的因果特征，基于所述不同频段信号之间的因果特征利用随机森林模型对所述多导脑电信号进行分类，识别出所述多导脑电信号对应的不同睡眠分期。本发明的方法通过希尔伯特‑黄变换对非线性多导脑电信号进行时频处理，提高了信号处理的自适应性，提升了现有技术对不同睡眠分期的脑电信号识别和检测的准确率，提高了分类模型的泛化性能。

Description

基于脑电信号因果关系的自动睡眠分期方法

技术领域

本发明涉及脑电信号处理技术领域，尤其涉及一种基于脑电信号因果关系的自动睡眠分期方法。

背景技术

睡眠机制与人体的健康状况息息相关，在人类机体众多重要的活动中扮演着关键的角色。随着经济与社会的快速发展以及人们生活节奏的加快、竞争压力的不断增大，使越来越多的人遭受睡眠相关问题的折磨与困扰，睡眠问题也引起了诸多研究者的关注。针对自动睡眠分期方法的研究不但可以用于评估睡眠质量，而且可以辅助医生进行睡眠疾病诊断和治疗，提高医务人员的工作效率，在临床上具有重要意义。

脑电信号(Electroencephalograph，EEG)中包含了大量的生理信息，是进行睡眠分期的主要依据。由于脑电信号具有非线性、非平稳的特点。

目前，现有技术中的脑电信号提取方案大多利用小波变换进行时频特征提取，在脑电信号分类模型的使用上，使用传统的支持向量机模型或改进支持向量机模型进行脑电信号的分类。

上述现有技术中的脑电信号提取方案的缺点为：该方法忽略了小波基函数选定后对信号特征提取造成的影响和自适应差的局限性，并未考虑脑电信号之间的因果关系，忽略了非线性脑电信号因果特性能够表征不同的生理状态，也是区分睡眠分期的关键因素。

发明内容

本发明的实施例提供了一种基于脑电信号因果关系的自动睡眠分期方法，以克服现有技术的缺点。

一种基于脑电信号因果关系的自动睡眠分期方法，包括：

使用无线脑电采集设备分别采集不同睡眠分期的多导脑电信号；

对所述多导脑电信号进行数据预处理，消除所述多导脑电信号中的伪迹和噪声干扰；

利用希尔伯特-黄变换提取数据预处理后的多脑电信号中的不同频段信号；

提取所述不同频段信号之间的因果特征，基于所述不同频段信号之间的因果特征利用随机森林模型对所述多导脑电信号进行分类，识别出所述多导脑电信号对应的不同睡眠分期。

进一步地，所述的使用无线脑电采集设备分别采集不同睡眠分期的多导脑电信号，包括：

利用64通道的无线脑电采集设备分别采集不同睡眠分期的多导脑电信号，所述无线脑电采集设备中的脑电电极采用国际标准10-20电极放置标准，选择使用者的双耳的乳突作为参考电位，通过所述无线脑电采集设备分别采集不同睡眠分期的人体头部表皮的多导脑电信号。

进一步地，所述的对所述多导脑电信号进行数据预处理，消除所述多导脑电信号中的伪迹和噪声干扰，包括：

获取眼电信号并选取眼电信号的最大绝对值，利用眼电信号的最大绝对值的百分数来确定眼电伪迹，构建多导脑电信号EEG的平均伪迹，将超过眼电最大值某个百分比的眼电导联电位识别为眼电脉冲，对识别的眼电脉冲进行平均，由协方差估计公式计算眼电脉冲和其他电极之间的脑电传递系数b：

b＝cov(EOG，EEG)/var(EOG)

式中，cov表示协方差，var表示方差；

对产生眼动时间段的波形校正，得到校正后的脑电信号EEG′：

EEG′＝EEG-b×EOG

对于校正后的脑电信号EEG′，以0时刻前的脑电信号数据作为基线，0时刻前的脑电信号代表接收刺激时的自发脑电信号，用0时刻后的脑电信号数据减去0时刻前的脑电信号数据平均值；

将自适应伪迹去除算法的初始阈值设置为70μ，利用自适应伪迹去除算法对基线校正后的脑电信号进行伪迹去除。

进一步地，所述的利用希尔伯特-黄变换提取数据预处理后的多脑电信号中的不同频段信号，包括：

对数据预处理后的多脑电信号进行经验模态分解，分解成一系列的IMF，每个IMF可以表示信号的局部特征，IMF同时满足如下两个条件：极值点的数目与跨零点的数目相等或者最多相差一；由局部极大值构成的上包络和由局部极小值构成的下包络的平均值必须为零；

基于被分解的IMF进行Hilbert变换，得到脑电信号的瞬时频率和瞬时幅值，令H_[x(t)]表示Hilbert变换，通过Hilbert变换得到信号z(t)，其过程被定义为：

式中，瞬时幅值a_i(t)与瞬时相位θ_i(t)被定义为：

瞬时频率ω_i(t)被定义为：

基于脑电信号的瞬时频率和瞬时幅值，提取出delta、theta、alpha、beta和gamma频段的信号。

进一步地，所述的提取所述不同频段信号之间的因果特征，包括：

步骤G：构建频段信号X_n和频段信号Y_n从1阶到p阶段全部的历史向量集合为：

Ω＝{X_n-1，X_n-2，X_n-3，...，X_n-p，X_n-1，Y_n-2，Y_n-3，...，X_n-p}

步骤H：初始化嵌入向量的集合V＝φ，计算出一个W₁∈Ω满足W₁与X_n的互信息为最大，即：

W₁＝argmaxI(X_n；W)，W∈Ω

将满足条件的W₁嵌入到集合中，即V₁＝{w₁}；

步骤I：进行第k步嵌入时(1＜k≤dim(Ω))，选择一个W_k满足

W_k＝argmax I(X_n；W|V_k-1)，w∈Ω\V_k-1

其中I(X_n；W|V_k-1)是基于KNN算法计算得出，具体表示为：

I(X；Y|Z)＝I(X；(Y，Z))-I(X；Z)＝H(X，Z)+H(Y，Z)-H(Z)-H(X，Y，Z)

基于KNN算法估计联合熵H(X，Y，Z)，由(X，Y，Z)投影空间的相应子空间(X，Z)，(Y，Z)和Z计算得到熵H(X，Z)，H(Y，Z)和H(Z)，最终得到条件互信息的估计为：

式中，ψ(x)是digamma函数n_xz(i)随着到(X，Z)第i个点的距离小于∈(i)/2的点的数目增加而增加，∈(i)是在(X_n，Z)联合空间中第i个点到它相邻的第k个点的距离的2倍，＜...＞定义为对所有样本点i求得的平均值；

步骤J：如果其中A≤1，则嵌入过程停止，嵌入向量集合V＝V_k-1。否则，将W_k嵌入到集合V中，使得V＝{V_k-1，W_k}，重复步骤工直至满足停止条件后，进行步骤K的操作；

步骤K：计算频段信号X_n与频段信号Y_n的转移熵；

步骤K：计算频段信号X_n与频段信号Y_n的转移熵；

在嵌入向量集合v中减去来自Y的历史向量Y′的贡献，v′＝V\Y′，计算转移熵：

T_Y→x三H(X_n|V′)-H(X_n|V)

步骤L：进行假设检验，判断X_n和X_n的因果相关性的显著关系。

进一步地，所述的基于所述不同频段信号之间的因果特征利用随机森林模型对所述多导脑电信号进行分类，识别出所述多导脑电信号对应的不同睡眠分期，包括：

基于多导脑电信号间不同频段的因果特征，利用随机森林模型对大量多导脑电信号进行分类，进行不同睡眠分期的脑电信号的识别，所述睡眠分期分为五类Wake期、N1期、N2期、N3期、REM期；

所述随机森林分类模型的构建步骤如下：

步骤M：采用Bootstrapping的抽样方法从原始数据集中抽取数据，共进行k轮抽取得到k个互相独立的训练集，在训练集抽取过程中每个样本未被抽取的概率为(1-1/N)^N，N为设定的整数；

步骤N：为每一个训练集分别建立分类回归树，共产生k棵决策树构成随机森林模型；

步骤0：任由每棵树进行生长，生长完成后进行后剪枝操作，在每棵树生长过程中，对每个内部节点随机地选择特征进行分裂，假设特征空间共有M个特征，则在每一轮生成决策树的过程中，并不是选择全部M个特征中的最优特征作为内部节点进行分裂，而是从随机选择的m≤M个特征中选择最优特征进行分裂。

步骤P：组合k棵决策树的分类结果，对生成的k棵决策树赋予相同的权重，采用投票的方式决定新样本的类别。

由上述本发明的实施例提供的技术方案可以看出，本发明实施例提供的基于脑电信号因果关系的自动睡眠分期方法通过希尔伯特-黄变换对非线性多导脑电信号进行时频处理，提高了信号处理的自适应性。基于非均匀嵌入的转移熵提取多脑电信号间不同频段的因果关系，构建因果特征，利用随机森林模型对大量数据进行分类，提升了现有技术对不同睡眠分期的脑电信号识别和检测的准确率，提高了分类模型的泛化性能，解决了大量样本难以快速训练的问题。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种基于脑电信号因果关系的自动睡眠分期方法的流程图；

图2为本发明实施例提供的一种脑电信号传感器放置位置示意图；

图3为本发明实施例提供的一种提取多导脑电信号间不同频段因果特征的流程图；

图4为本发明实施例提供的一种构建随机森林分类模型示意图。

具体实施方式

为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。

图1为本发明实施例提供的一种基于脑电信号因果关系的自动睡眠分期方法的流程图，包括如下的处理步骤：

步骤1：利用Neuracle设备采集64通道的脑电信号，其中脑电电极采用国际标准10-20电极放置标准，图2所示为脑电信号传感器放置位置示意图，为被试者佩戴64通道的Neuracle设备，选择双耳的乳突作为参考电位，进行人体头部表皮电信号采集。

通过脑电信号传感器采集大量不同睡眠分期的多导脑电信号。

步骤2：进行多导脑电信号的数据预处理，消除伪迹和噪声干扰，提高信噪比。上述数据预处理的具体步骤如下：

步骤A：去除EOG(electro-oculogram，眼电)。去除步骤1采集到的多导脑电信号EEG中眼电伪迹的影响。利用眼电最大绝对值的百分数来确定眼电伪迹。构建多导脑电信号的平均伪迹，将超过眼电最大值某个百分比(例如15％)的眼电导联电位识别为眼电脉冲，对识别的眼电脉冲进行平均，由协方差估计公式计算眼电脉冲和其他电极之间的脑电传递系数b：

b＝cov(EOG，EEG)/var(EOG)

式中，cov表示协方差，var表示方差。

因此，对产生眼动时间段的波形校正，可以由以下公式计算得出：

EEG′＝EEG-b×EOG

式中，EEG′表示校正后的脑电信号。

步骤B：基线校正。去除自发脑电活动导致的脑电噪声，以0时刻前的数据作为基线，假设0时刻前的脑电信号代表接收刺激时的自发脑电，用0时刻后的数据减去0时刻前的数据平均值，以消除部分自发脑电噪声。

步骤C：伪迹去除。去除肌电伪迹等高频干扰以及高波幅的慢电位伪迹，将自适应伪迹去除算法的初始阈值设置为70μ，每次剔除的脑电段数若大于全部试次的20％，则以5μV的步长向上提升阈值重新进行剔除，直到150μV为止。

步骤3：利用Hilbert(希尔伯特一黄)变换提取多导脑电信号的不同频段信号。

步骤D：对多导脑电信号进行经验模态分解，分解成一系列的IMF(Intrinsic ModeFunction，本征模态函数)，每个IMF可以表示信号的局部特征。其中，IMF必须同时满足如下两个条件：极值点的数目与跨零点的数目相等或者最多相差一；由局部极大值构成的上包络和由局部极小值构成的下包络的平均值必须为零。

步骤E：基于被分解的IMF进行Hilbert变换，得到脑电信号的瞬时频率和瞬时幅值。令H_[x(t)]表示Hilbert变换，通过Hilbert变换可以得到信号z(t)，其过程可以被定义为：

式中，瞬时幅值a_i(t)与瞬时相位θ_i(t)被定义为：

瞬时频率ω_i(t)被定义为：

步骤F：基于脑电信号的瞬时频率和瞬时幅值，提取出delta、theta、alpha、beta和gamma频段的信号。

Hilbert变换的最大特点就是具有自适应性，利用Hilbert变换对脑电信号进行时频分析时，不需要预先设定任何限制，依据脑电信号本身的特点直接对信号进行分解，自适应的将其分解成有限个IMF分量。相比于小波变换而言，避免了固定小波基函数后自适应差的缺点，更适合处理非线性、非平稳的脑电信号。

步骤4：提取不同睡眠分期的多导脑电信号间不同频段的因果特征。图3为本发明实施例提供的一种提取多导脑电信号间不同频段因果特征的流程图，包括如下的处理步骤：

步骤G：构建频段信号X_n和频段信号X_n从1阶到p阶段全部的历史向量集合为：

Ω＝{X_n-1，X_n-2，X_n-3，...，X_n-p，X_n-1，Y_n-2Y_n-3，...，Y_n-p}

步骤H：初始化嵌入向量的集合V＝φ。计算出一个W₁∈Ω满足W₁与X_n的互信息为最大，即：

W₁＝argmaxI(X_n；W)，W∈Ω

将满足条件的W₁嵌入到集合中，即V₁＝{w₁}。

步骤I：进行第k步嵌入时(1＜k≤dim(Ω))，选择一个W_k满足

W_k＝argmaxI(X_n；W|V_k-1)，w∈Ω\V_k-1

其中I(X_n；W|V_k-1)是基于KNN算法计算得出，具体表示为：

I(X；Y|Z)＝I(X；(Y，Z))-I(X；Z)＝H(X，Z)+H(Y，Z)-H(Z)-H(X，Y，Z)

基于KNN算法估计联合熵H(X，Y，Z)，由(X，Y，Z)投影空间的相应子空间(X，Z)，(Y，Z)和Z计算得到熵H(X，Z)，H(Y，Z)和H(Z)，最终得到条件互信息的估计为：

式中，ψ(x)是digamma函数n_xz(i)随着到(X，Z)第i个点的距离小于∈(i)/2的点的数目增加而增加。∈(i)是在(X_n，Z)联合空间中第i个点到它相邻的第k个点的距离的2倍，＜...＞定义为对所有样本点i求得的平均值。

步骤J：如果(其中A≤1)，则嵌入过程停止，嵌入向量集合V＝V_k-1。否则，将W_k嵌入到集合V中，使得V＝{V_k-1，W_k}，重复步骤I直至满足停止条件后，进行步骤K的操作。

步骤K：计算频段信号X_n与频段信号X_n的转移熵。

在嵌入向量集合v中减去来自Y的历史向量Y′的贡献，v′＝V\Y′，计算转移熵：

T_Y→X三H(X_n|V′)-H(X_n|V)

步骤L：进行假设检验，判断X_n和Y_n的因果相关性的显著关系。

步骤5：基于多导脑电信号间不同频段的因果特征，利用随机森林模型对大量多导脑电信号进行分类，进行不同睡眠分期脑电信号的识别，所述睡眠分期分为五类Wake期、N1期、N2期、N3期、REM期。

随机森林模型是一个由一系列树状弱分类器组成的集成分类器，图4为本发明实施例提供的一种构建随机森林分类模型示意图，构建步骤如下：

步骤M：采用Bootstrapping的抽样方法从原始数据集中抽取数据，共进行k轮抽取得到k个互相独立的训练集，在训练集抽取过程中每个样本未被抽取的概率为(1-1/N)^N。当N足够大时，有(1一1/N)^N≈0.368，这表示约36.8％的样本不会被抽取到训练集中，这有利于提高分类模型的泛化能力。

步骤N：为每一个训练集分别建立分类回归树，共产生k棵决策树构成随机森林模型。

步骤0：任由每棵树进行生长，生长完成后进行后剪枝操作。在每棵树生长过程中，对每个内部节点随机地选择特征进行分裂，假设特征空间共有M个特征，则在每一轮生成决策树的过程中，并不是选择全部M个特征中的最优特征作为内部节点进行分裂，而是从随机选择的m≤M个特征中选择最优特征进行分裂。

步骤P：组合k棵决策树的分类结果，对生成的k棵决策树赋予相同的权重，采用投票的方式决定新样本的类别；

随机森林通过组合多个弱分类器，最终结果通过投票的方式，使得整体模型的结果具有较高的精确度和泛化性能。由于每棵树可以独立、同时生成，因此随机森林模型训练速度快，可以运用在大规模数据集上。

综上所述，本发明实施例提供的基于脑电信号因果关系的自动睡眠分期方法通过希尔伯特-黄变换对非线性多导脑电信号进行时频处理，提高了信号处理的自适应性。基于非均匀嵌入的转移熵提取多脑电信号间不同频段的因果关系，构建因果特征。利用随机森林模型对大量数据进行分类，提升了现有技术对不同睡眠分期的脑电信号识别和检测的准确率，提高了分类模型的泛化性能，解决了大量样本难以快速训练的问题。从因果分析的角度揭示了不同生理状态下脑电信号间的因果相关性，有助于医务人员进行睡眠质量的评估与潜在睡眠疾病的诊断在临床上具有重要意义。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (6)

1.一种基于脑电信号因果关系的自动睡眠分期方法，其特征在于，包括：

使用无线脑电采集设备分别采集不同睡眠分期的多导脑电信号；

对所述多导脑电信号进行数据预处理，消除所述多导脑电信号中的伪迹和噪声干扰；

利用希尔伯特-黄变换提取数据预处理后的多脑电信号中的不同频段信号；

提取所述不同频段信号之间的因果特征，基于所述不同频段信号之间的因果特征利用随机森林模型对所述多导脑电信号进行分类，识别出所述多导脑电信号对应的不同睡眠分期。

2.根据权利要求1所述的方法，其特征在于，所述的使用无线脑电采集设备分别采集不同睡眠分期的多导脑电信号，包括：

利用64通道的无线脑电采集设备分别采集不同睡眠分期的多导脑电信号，所述无线脑电采集设备中的脑电电极采用国际标准10-20电极放置标准，选择使用者的双耳的乳突作为参考电位，通过所述无线脑电采集设备分别采集不同睡眠分期的人体头部表皮的多导脑电信号。

3.根据权利要求2所述的方法，其特征在于，所述的对所述多导脑电信号进行数据预处理，消除所述多导脑电信号中的伪迹和噪声干扰，包括：

获取眼电信号并选取眼电信号的最大绝对值，利用眼电信号的最大绝对值的百分数来确定眼电伪迹，构建多导脑电信号EEG的平均伪迹，将超过眼电最大值某个百分比的眼电导联电位识别为眼电脉冲，对识别的眼电脉冲进行平均，由协方差估计公式计算眼电脉冲和其他电极之间的脑电传递系数b：

b＝cov(EOG，EEG)/var(EOG)

式中，cov表示协方差，var表示方差；

对产生眼动时间段的波形校正，得到校正后的脑电信号EEG′：

EEG′＝EEG-b×EOG

对于校正后的脑电信号EEG′，以0时刻前的脑电信号数据作为基线，0时刻前的脑电信号代表接收刺激时的自发脑电信号，用0时刻后的脑电信号数据减去0时刻前的脑电信号数据平均值；

将自适应伪迹去除算法的初始阈值设置为70μ，利用自适应伪迹去除算法对基线校正后的脑电信号进行伪迹去除。

4.根据权利要求3所述的方法，其特征在于，所述的利用希尔伯特-黄变换提取数据预处理后的多脑电信号中的不同频段信号，包括：

对数据预处理后的多脑电信号进行经验模态分解，分解成一系列的IMF，每个IMF可以表示信号的局部特征，IMF同时满足如下两个条件：极值点的数目与跨零点的数目相等或者最多相差一；由局部极大值构成的上包络和由局部极小值构成的下包络的平均值必须为零；

基于被分解的IMF进行Hilbert变换，得到脑电信号的瞬时频率和瞬时幅值，令H[x(t)]表示Hilbert变换，通过Hilbert变换得到信号z(t)，其过程被定义为：

式中，瞬时幅值a_i(t)与瞬时相位θ_i(t)被定义为：

瞬时频率ω_i(t)被定义为：

基于脑电信号的瞬时频率和瞬时幅值，提取出delta、theta、alpha、beta和gamma频段的信号。

5.根据权利要求4所述的方法，其特征在于，所述的提取所述不同频段信号之间的因果特征，包括：

步骤G：构建频段信号X_n和频段信号Y_n从1阶到p阶段全部的历史向量集合为：

Ω＝{X_n-1，X_n-2，X_n-3，...，X_n-p，Y_n-1，Y_n-2，X_n-3,...，X_n-p}

步骤H：初始化嵌入向量的集合V＝φ，计算出一个W₁∈Ω满足W₁与X_n的互信息为最大，即：

W₁＝argmaxI(X_n；W)，W∈Ω

将满足条件的W₁嵌入到集合中，即V₁＝{W₁}；

步骤I：进行第k步嵌入时(1＜k≤dim(Ω))，选择一个W_k满足

W_k＝argmaxI(X_n；W|V_k-1)，w∈Ω\V_k-1

其中I(X_n；W|V_k-1)是基于KNN算法计算得出，具体表示为：

I(X；Y|Z)＝I(X；(Y，Z))-I(X；Z)＝H(X，Z)+H(Y，Z)-H(Z)-H(X，Y，Z)

基于KNN算法估计联合熵H(X，Y，Z)，由(X，Y，Z)投影空间的相应子空间(X，Z)，(Y，Z)和Z计算得到熵H(X，Z)，H(Y，Z)和H(Z)，最终得到条件互信息的估计为：

式中，ψ(x)是digamma函数n_xz(i)随着到(X，Z)第i个点的距离小于∈(i)/2的点的数目增加而增加，∈(i)是在(X_n，Z)联合空间中第i个点到它相邻的第k个点的距离的2倍，<...>定义为对所有样本点i求得的平均值；

步骤J：如果其中A≤1，则嵌入过程停止，嵌入向量集合V＝V_k-1°否则，将W_k嵌入到集合V中，使得V＝{V_k-1，W_k}，重复步骤I直至满足停止条件后，进行步骤K的操作；

步骤K：计算频段信号X_n与频段信号Y_n的转移熵；

步骤K：计算频段信号X_n与频段信号Y_n的转移熵；

在嵌入向量集合v中减去来自Y的历史向量Y′的贡献，v′＝V\Y′，计算转移熵：

T_Y→X≡H(X_n|V′)-H(X_n|V)

步骤L：进行假设检验，判断X_n和X_n的因果相关性的显著关系。

6.根据权利要求5所述的方法，其特征在于，所述的基于所述不同频段信号之间的因果特征利用随机森林模型对所述多导脑电信号进行分类，识别出所述多导脑电信号对应的不同睡眠分期，包括：

基于多导脑电信号间不同频段的因果特征，利用随机森林模型对大量多导脑电信号进行分类，进行不同睡眠分期的脑电信号的识别，所述睡眠分期分为五类Wake期、N1期、N2期、N3期、REM期；

所述随机森林分类模型的构建步骤如下：

步骤M：采用Bootstrapping的抽样方法从原始数据集中抽取数据，共进行k轮抽取得到k个互相独立的训练集，在训练集抽取过程中每个样本未被抽取的概率为(1-1/N)^N，N为设定的整数；

步骤N：为每一个训练集分别建立分类回归树，共产生k棵决策树构成随机森林模型；

步骤O：任由每棵树进行生长，生长完成后进行后剪枝操作，在每棵树生长过程中，对每个内部节点随机地选择特征进行分裂，假设特征空间共有M个特征，则在每一轮生成决策树的过程中，并不是选择全部M个特征中的最优特征作为内部节点进行分裂，而是从随机选择的m≤M个特征中选择最优特征进行分裂。

步骤P：组合k棵决策树的分类结果，对生成的k棵决策树赋予相同的权重，采用投票的方式决定新样本的类别。