一种基于跨层置信度筛选深度森林的抑郁脑电信号分类方法

本发明公开了一种基于跨层置信度筛选深度森林的抑郁脑电信号分类方法，其特点是该方法包括：S1、获取吉大一院抑郁脑电信号数据进行时域频域特征转换，对数据预处理操作，并划分为训练集和测试集；S2、基于深度森林技术构建一个具有跨层置信度筛选功能的抑郁脑电信号分类模型。这一模型由多粒度扫描和级联森林两个主要模块组成，每层级联森林中包括随机森林和完全随机森林各两个；S3、在训练过程中，训练数据被送入该跨层置信度筛选脑电信号分类模型，模型利用多粒度扫描对数据进行细致的滑动窗口分析，并且将数据预处理时得到的处理后的脑电信号时域频域特征进行拼接，得到增强特征；S4、这些增强特征逐层通过跨层置信度筛选级联森林，每层的输出都是一个预测结果，并且通过置信度筛选、比较，实现跨越级联层的操作，最终形成经过训练的抑郁脑电信号分类模型。本发明与现有技术相比在多粒度扫描阶段加入了时域频域特征拼接，在级联森林阶段加入了跨层置信度筛选机制，增强模型对复杂脑电数据的特征提取能力，从而更准确地捕获和分析关键信息，有效地优化了模型的性能，提升了分类准确度和效率，还为实时脑电信号分析和应用领域的进展提供了有力支持。