[發明專利]一種基于非高斯中性向量特征選擇的腦電波(EEG)信號分類方法

有效

• 申請號: 201510067912.5
• 申請日: 2015-02-09
• 公開（公告）號: CN104680176B
• 公開（公告）日: 2018-04-24
• 發明（設計）人: 馬占宇;齊峰
• 申請（專利權）人: 北京郵電大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于非高斯中性向量特征選擇的腦電波信號分類方法，其特征在于，包括以下步驟：

通道選擇步驟：將輸入的每個通道的EEG信號進行離散小波變換,得到小波變換系數w(k,j)，再邊緣化得到離散小波邊緣化變換因子mDWT向量有：

ck=Σj=0L/2K-1|w(k,j)|k=1,...,K-1Σj=0L/2K-1|wH(K,j)|k=KΣj=0L/2K-1|wL(K,j)|k=K+1,]]>

變換域歸一化的K+1維向量[x₁,x₂,...,x_K+1]^T，其元素為：

xk=ckΣi=1K+1ci,k=1,...,K+1]]>

對每一通道算其能量，即平方和：

Es=Σi=1K+1xi2,s=1,...,S]]>

取E_s值最大的M個通道作為后面步驟分析的通道，這M個通道的所有元素形成一個超向量：

xsup=[x1T,x2T,...,xMT]T;]]>

上述超向量中，每個通道即x_m中的元素都非負且加和為1，其中1≤m≤M，符合中性向量的特征；

非線性去相關步驟：對每個通道的中性向量x＝[x₁,x₂,...,x_K+1]^T，利用其中性性質進行去相關操作獲取非線性去相關矢量u；具體步驟如下:對每個通道的中性向量x進行補零生成其中，0_P是全0的P×1向量，P＝2^N-(K+1)，進行N輪循環獲取非線性去相關矢量其中1≤t≤N,x₁＝x_zp，和分別表示x_t中奇數和偶數位置的元素，運算符./表示逐元素相除，并特殊定義0/0＝1，u_t由中非零元素組成；

特征選擇步驟：按差分熵或方差從大到小排序，對每個通道分別取N_m個為最終特征；

貝塔分類器設計步驟：每個腦電波信號通道中獲取的N_m維去相關矢量特征維度間互相獨立滿足多維貝塔分布：

f(u~)=Πr=1NmBeta(ur;ar,br),]]>

對于選取的M個通道，共選了維變量，分布為：

f(u~sup)=Πi=1MΠr=1NmBeta(u~ir;air,bir)]]>

貝塔分布的參數可以通過如下步驟獲取:

1)x＝[x₁,x₂,...,x_K+1]^T滿足狄利克雷分布，其分布參數為α＝[α₁,α₂,...,α_K+1]^T，初始設α₁＝α，i＝2；

2)若length(α_i)≠2，重復以下步驟：

α_l,i＝α_2l-1,i-1+α_2l,i-1

a_l,i-1＝α_2l-1,i-1,b_l,i-1＝α_2l,i-1

其中L＝length(α_i-1)-1，若L為偶數取1≤l≤L/2，若L為奇數取1≤l＜(L+1)/2；

若L為偶數取α_i＝[α_1,i,...,α_l,i,α_L+1,i-1]^T，若L為奇數取α_i＝[α_1,i,...,α_l,i]^T；

a_i-1＝[a_1,i-1,...,a_l,i-1]^T,b_i-1＝[b_1,i-1,...,b_l,i-1]^T；

3)若length(α_i)＝2

設a_i＝α_1,i,b_i＝α_2,i，輸出參數：

訓練數據包含兩類，分別標記為C∈{+1,-1}，利用+1樣本和-1可以分別訓練兩個模型與來表征正常與有病的腦電波信號；

分類測試時提取M個通道的超特征矢量并利用最大后驗公式

進行判決，

其中p(C)為先驗概率，表示訓練數據中+1樣本與-1樣本的比例。

2.如權利要求1所述的一種腦電波信號分類方法，其特征在于，特征選擇步驟中，由于狄利克雷變量是完全中性向量，去相關之后得到向量u中的各個元素相互獨立，根據可交換性，可加性，和中性性質，向量u中的每個元素都是符合貝塔分布Beta(x；a,b)；按差分熵或方差從大到小排序，每一個通道取最大的N_m個為最終特征，這一步驟可通過如下兩種方法分別實現：

(1)按x的方差計算：

var(x)=E{[x-E(x)]2}=ab(a+b)2(a+b+1);]]>

(2)按x的差分熵計算：

H(x)=-E[ln Beta(x;a,b)]=lnΓ(a)Γ(b)Γ(a+b)-(a-1)ψ(a)-(b-1)ψ(b)+(a+b-2)ψ(a+b),]]>

其中，E[·]為求期望操作，