1.基于EMD与WPD特征融合的癫痫发作前期预测方法，其特征在于包括如下步骤：步骤1、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。

步骤2、对步骤1中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的偏态和能量与特征。

步骤3、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。

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方法，其特征在于步骤具体步骤如下：

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，c1为FIMF，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。

3.根据权利要求2所述的基于EMD与WPD特征融合的癫痫发作前期预测方法，其特征在于步骤2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。

4.根据权利要求3所述的基于EMD与WPD特征融合的癫痫发作前期预测方法，其特征在于步骤3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，具体步骤如下：

3-1将步骤1得到的基于FIMF的特征和步骤2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，采用前述步骤1，步骤2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。