[發(fā)明專利]基于雙樹復(fù)小波的腦電信號(hào)情緒識(shí)別特征提取方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201710400554.4
• 申請(qǐng)日: 2017-05-31
• 公開（公告）號(hào): CN107411739A
• 公開（公告）日: 2017-12-01
• 發(fā)明（設(shè)計(jì)）人: 徐欣;湯明宏
• 申請(qǐng)（專利權(quán)）人: 南京郵電大學(xué)
• 主分類號(hào): A61B5/0476
• 分類號(hào): A61B5/0476
• 代理公司: 江蘇愛信律師事務(wù)所32241
• 代理人: 趙贊贊

1.一種基于雙樹復(fù)小波的腦電信號(hào)情緒識(shí)別特征提取方法，其特征在于，具體步驟如下：

步驟1).腦電信號(hào)采集，采用Neuroscan設(shè)備采集原始腦電信號(hào)；

步驟2).腦電信號(hào)的預(yù)處理，對(duì)步驟1采集到的腦電信號(hào)進(jìn)行預(yù)處理，以減少眼電和肌電的干擾，提高分類識(shí)別率。預(yù)處理主要包括截取情緒的有效數(shù)據(jù)，降低采樣率，去除基線數(shù)據(jù)；

步驟3).對(duì)預(yù)處理后的信號(hào)進(jìn)行雙樹復(fù)小波分解和重構(gòu)，獲得特定頻段的腦電信號(hào)；

步驟4).重構(gòu)出β波段的信號(hào)，計(jì)算其解卷繞之后的相位信息；

步驟5).重構(gòu)后獲得不同頻段的信號(hào)，求其樣本熵平均值；

步驟6).把信號(hào)的相位信息和樣本熵作為特征向量輸入到SVM中進(jìn)行分類。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟3)所述的雙樹復(fù)小波變換具體如下：

為了實(shí)現(xiàn)雙樹復(fù)小波變換，采用Kingsbury提出的Q-Shift雙樹濾波器，它是一簇正交離散的濾波器系數(shù)，實(shí)現(xiàn)變換中的抗混疊現(xiàn)象；設(shè)腦電信號(hào)s(n)的采樣頻率為fs，用雙樹復(fù)小波變換將原始信號(hào)分為L(zhǎng)層，則能得到CAL，CDL，CD(L-1),........CD1等L+1個(gè)子帶的復(fù)系數(shù)；將系數(shù)重構(gòu)后得到的信號(hào)分量AL,DL,........D1所對(duì)應(yīng)的頻帶范圍分別為[0,fs/2^L+1],...........[fs/2²,fs/2]；然后選取α，β，θ對(duì)應(yīng)的頻率進(jìn)行重構(gòu)信號(hào)；

雙樹復(fù)小波分解與重構(gòu)的算法采用了二叉樹結(jié)構(gòu)的兩路DWT，一樹生成變換的實(shí)部，一樹生成虛部；假設(shè)存在兩組特殊的用于分解的實(shí)數(shù)濾波器{gr,hr}和{gi,hi}，對(duì)原始信號(hào)s(t)使用這兩組濾波器分別進(jìn)行兩個(gè)各自獨(dú)立的小波包分解即雙樹分解，這里稱為R樹分解與I樹分解，算法如下：

R樹分解

I樹分解

式中，與分別是R樹與I樹在尺度j,節(jié)點(diǎn)序號(hào)n下的系數(shù)，l為平移因子，hr和hi為低通濾波器，gr和gi為高通濾波器。上式中R樹的系數(shù)理解為復(fù)小波分解的實(shí)部；I樹的系數(shù)可以理解為虛部；

設(shè)用于重構(gòu)的濾波器為{sgr,shr}和{sgi,shi}，則重構(gòu)算法為：

R樹重構(gòu)

I樹重構(gòu)

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟4)所述求重構(gòu)信號(hào)解卷繞后的相位信息，具體如下：

(4-1)一個(gè)信號(hào)的頻率響應(yīng)可以表示為振幅特性和相位特性，就像這樣：

H(e^jω)＝|H(e^jw)|e^jθ(ω)

(4-2)所以，振幅特性和相位特性就按下式可以計(jì)算出來

計(jì)算機(jī)用此方法在計(jì)算一個(gè)系統(tǒng)的相頻特性時(shí)會(huì)用到反正切函數(shù)，即在w＝pi處相位會(huì)發(fā)生跳變，跳變幅度為2pi,這是相位的卷繞。

4.根據(jù)權(quán)利要求書1所述的方法，其特征在于，步驟5)具體如下：

(5-1)設(shè)給定一維離散時(shí)間序列，構(gòu)造成一組m維矢量，從X_m(1)到X_m(N-m+1)，其中：

X_m(i)＝[u_i,u_i+1,u_i+2....u_i+m-1](i＝1～N-m+1)

(5-2)定義任意兩個(gè)m維向量之間的距離為：

d[X_m(i),X_m(j)]＝max|u_i+k-u_j+k|,0≤k≤m-1；i,j＝1～N-m+1,i≠j

(5-3)給定閾值r，對(duì)每個(gè)i值，統(tǒng)計(jì)d[X(i),X(j)]<r的個(gè)數(shù)然后計(jì)算其與距離總數(shù)(N-m)的比值(稱為模板匹配數(shù))，記：

其中，SD是一維離散時(shí)間序列的標(biāo)準(zhǔn)差；

(5-4)計(jì)算：

(5-5)對(duì)于m+1點(diǎn)矢量，按以上步驟，可得：

(5-6)理論上此序列的樣本熵值為：SampEn(m,r)＝lim{-ln[B^m+1(r)/B^m(r)]}，當(dāng)序列長(zhǎng)度為有限值時(shí)，其樣本熵估計(jì)值為：SampEn(m,r)＝-ln[B^m+1(r)/B^m(r)]

其中參數(shù)m是預(yù)先選定的模式維數(shù)，r是預(yù)先選定的相似容限；m設(shè)為2，r設(shè)為0.2。