[發(fā)明專利]一種基于小波包分解的MEAs生物信號(hào)的數(shù)據(jù)降維方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201810058793.0
• 申請(qǐng)日: 2018-01-22
• 公開（公告）號(hào): CN108197077A
• 公開（公告）日: 2018-06-22
• 發(fā)明（設(shè)計(jì)）人: 郝志峰;黃禮泊;陳瑤;蔡瑞初;陳炳豐;趙坤圭
• 申請(qǐng)（專利權(quán)）人: 廣東工業(yè)大學(xué)
• 主分類號(hào): G06F17/16
• 分類號(hào): G06F17/16
• 代理公司: 廣州市紅荔專利代理有限公司 44214
• 代理人: 吳偉文

本發(fā)明涉及一種基于小波包分解的MEAs生物信號(hào)的數(shù)據(jù)降維方法，包括數(shù)據(jù)降維模型的建立、依次對(duì)MEAs采集的每一信道的信號(hào)進(jìn)行小波包分解、并選取時(shí)頻空間的最優(yōu)基、再提取最優(yōu)基中的小波包分解系數(shù)特征索引，從而得到小波包分解系數(shù)的最優(yōu)索引位置對(duì)生物腦電信號(hào)進(jìn)行降維處理，本發(fā)明設(shè)計(jì)合理、使用方便，通過生物腦電信號(hào)數(shù)據(jù)降維模型建立，得到小波包最優(yōu)基，再在最優(yōu)基內(nèi)選擇小波包分解系數(shù)的特征索引，通過選取特定索引位置的系數(shù)達(dá)到對(duì)數(shù)據(jù)的降維作用；本發(fā)明相對(duì)傅立葉分析克服了其時(shí)域特征表現(xiàn)差的缺點(diǎn)，相對(duì)短時(shí)傅立葉變換克服了其時(shí)頻分辨率固定的缺點(diǎn)，同時(shí)彌補(bǔ)了小波分析在高頻處特征提取的不足。

技術(shù)領(lǐng)域

本發(fā)明涉及一種生物信號(hào)處理技術(shù)領(lǐng)域，尤其是一種基于小波包分解的MEAs生物信號(hào)的數(shù)據(jù)降維方法。

背景技術(shù)

在機(jī)器學(xué)習(xí)、神經(jīng)科學(xué)、生物信號(hào)處理等領(lǐng)域中，數(shù)據(jù)降維的研究工作一直是學(xué)者們的關(guān)注熱點(diǎn)。隨著近年來多電極陣列(MEAs/Multi Electrode Arrays)的快速發(fā)展，采集到的生物信號(hào)數(shù)據(jù)量也爆炸式增長(zhǎng)，傳統(tǒng)數(shù)據(jù)降維方式難以滿足這類信號(hào)的處理需要。

現(xiàn)有技術(shù)主要通過使用主成份分析(PCA/Principal Components Analysis)、小波變換 (Wavelet Transform/WT)對(duì)數(shù)據(jù)進(jìn)行降維處理，其中，主成份分析(PCA/PrincipalComponents Analysis)先對(duì)數(shù)據(jù)樣本在數(shù)據(jù)維度間求出一個(gè)協(xié)方差矩陣，然后對(duì)協(xié)方差矩陣進(jìn)行特征分解，選出對(duì)數(shù)據(jù)值方差影響最大的幾個(gè)方向作為新的數(shù)據(jù)維度以達(dá)到盡可能多的表示數(shù)據(jù)信息的目的；小波變換(Wavelet Transform/WT)對(duì)待處理的數(shù)據(jù)進(jìn)行類似于傅立葉變換的頻域空間分解，然后迭代的對(duì)信號(hào)低頻空間進(jìn)行分解，最后針對(duì)數(shù)據(jù)低頻信號(hào)特征進(jìn)行特征選擇。

無論是PCA、WT或者其他相應(yīng)的算法，均不能保證對(duì)數(shù)據(jù)的時(shí)、頻域信息完好的表征，同時(shí)兼顧數(shù)據(jù)高頻信號(hào)特征，因此，急需一種有效的數(shù)據(jù)降維方法。

發(fā)明內(nèi)容

針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明提供一種基于小波包分解的MEAs生物信號(hào)的數(shù)據(jù)降維方法，針對(duì)非平穩(wěn)生物信號(hào)的獨(dú)有特性，本發(fā)明通過利用了小波包分解對(duì)數(shù)據(jù)整個(gè)頻域進(jìn)行分解，同時(shí)對(duì)數(shù)據(jù)時(shí)間域信息也進(jìn)行良好的表征，利用散布準(zhǔn)則選擇出最具有判別能力的小波包系數(shù)，同時(shí)簡(jiǎn)化了散布值的運(yùn)算，降低了數(shù)據(jù)處理的時(shí)間復(fù)雜度，達(dá)到減少了計(jì)算量并提取信號(hào)時(shí)頻特征的目地。

本發(fā)明的技術(shù)方案為：一種基于小波包分解的MEAs生物信號(hào)的數(shù)據(jù)降維方法，包括以下步驟：

S1)、給定數(shù)據(jù)集其中，N表示樣本數(shù)，每個(gè)樣本包含M個(gè)MEAs信道，即每個(gè)信道包含L個(gè)采樣點(diǎn)，即

S2)、依次對(duì)每個(gè)樣本的每個(gè)信道數(shù)據(jù)進(jìn)行小波包變換，得到小波包基系數(shù)集合

其中，P∈{1,2，....,2^l+1-2}表示小波包分解樹中的節(jié)點(diǎn)序號(hào)， l為小波包分解級(jí)數(shù)，其中，分別表示尺度子空間的樹節(jié)點(diǎn)和小波子空間的樹節(jié)點(diǎn)； Q表示在對(duì)應(yīng)小波包下的系數(shù)個(gè)數(shù)；n∈{1,2,...,N}，m∈{1,2,...,M}；

S3)、基于散布準(zhǔn)則利用類標(biāo)向量對(duì)每一信道下數(shù)據(jù)的小波包基系數(shù)求得散布向量集其中，

S4)、由對(duì)每個(gè)節(jié)點(diǎn)p通過得到每個(gè)信道在固定節(jié)點(diǎn)下的度量值JA^m,p；

S5)、根據(jù)左右孩子節(jié)點(diǎn)度量值和不小于父親節(jié)點(diǎn)度量值，構(gòu)造小波包分解最優(yōu)樹，篩選得到最優(yōu)小波包基下的散布向量集

其中，