1.基于EMD与WPD特征融合的癫痫发作前期预测系统，其特征在于包括如下模块：数据预处理及第一特征提取模块：

EEG信号的类别划分及样本切割，并对每个样本进行经验模态分解，再对分解得到的第一个本征模函数进行分析，从中提取基于FIMF的特征，包含能量、能量比和方差；

第二特征提取模块：

对数据预处理模块得到的第一个本征模函数进行四层小波包分解，得到最后一层16个结点的小波包系数，从中提取基于FIMF‑WPD的偏态和能量的特征；

分类模块：

融合基于FIMF与FIMF‑WPD的特征，并采用随机森林算法对融合后的特征训练分类器，构建癫痫发作前期的预测模型；

数据预处理及第一特征提取模块具体方法如下：

1‑1.对EEG信号进行类别的划分；将发作前一小时的信号分割：发作前60分钟至发作前

40分钟，记为Pre‑1类；发作前40分钟至发作前20分钟，记为Pre‑2类；发作前20分钟至发作初始时刻，记为Pre‑3类；将发作时期记为Seizure类，发作间期记为Interictal类；

1‑2.将每类信号切割成小样本；每个样本信号x为2秒一帧，其中帧重叠为50％；针对多通道EEG信号，对每一个通道i的EEG信号进行经验模态分解，得到多个本征模函数，仅取第一个本征模函数FIMF，记为c1(n)；

1‑3.通过如下公式计算FIMF的信号能量其中EFIMF表示FIMF的信号能量，c1(n)为FIMF，N为输入信号的帧长；

1‑4.通过如下公式计算FIMF的信号能量与输入信号的能量比值其中Er表示FIMF的信号能量与输入信号的能量比值，c1(n)为FIMF，x(n)为输入的信号，N为输入信号的帧长；

1‑5.通过如下公式计算FIMF的信号方差其中σ表示FIMF的信号方差，为FIMF的均值，N为输入信号的帧长；

1‑6.由于每个样本包含M个通道，因此对每个样本而言，EFIMF，Er，σ均为M维向量，三者级联构成了(3*M)维的基于FIMF的特征向量；

特征提取模块具体实现如下：

2‑1.对第一个本征模函数进行四层小波包分解，得到第四层的16个结点不同频段的小波包系数yp，其中p＝1，2，...，16；

2‑2.通过如下公式计算第四层的小波包系数的偏态其中Sp表示第四层的小波包系数的偏态，yp(k)为第p个子频段重构后的信号(p＝1，

2，...，16)， 为yp(k)的均值，σp为yp(k)的标准差，K表示每个子频段包含的点数；

2‑3.通过如下公式计算第四层的小波包系数的能量其中Ep表示第四层的小波包系数的能量，yp(k)为第p个子频段重构后的信号(p＝1，

2，...，16)，K表示每个子频段包含的点数；

2‑4.由于每个样本包含M个通道，且小波包分解后的第四层有16个频段，因此对每个样本而言，Sp和Ep均为(16*M)维向量，二者级联构成(32*M)维的基于FIMF‑WPD的特征向量。

2.根据权利要求1所述的基于EMD与WPD特征融合的癫痫发作前期预测系统，其特征在于分类模块所述的融合基于FIMF与FIMF‑WPD的特征，并采用随机森林算法对融合后的特征训练分类器，构建癫痫发作前期的预测模型，具体方法如下：

3‑1.将数据预处理及第一特征提取模块得到的基于FIMF的特征和第二特征提取模块得到的基于FIMF‑WPD的特征通过级联法融合起来，最终每个样本提取的特征为(3*M+32*M)维的向量；L个训练样本特征构成L行(35*M)列的特征矩阵，将其作为随机森林分类器的输入；

3‑2.通过调节随机森林决策树的参数构建最优的分类器模型；针对任意测试样本，采用前述数据预处理及第一特征提取模块，第二特征提取模块提取基于FIMF与FIMF‑WPD的特征，并基于所构建的随机森林分类器计算预测结果。