[發(fā)明專利]基于動(dòng)態(tài)功能連接的熵值的腦電分類方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201810383561.2
• 申請(qǐng)日: 2018-04-26
• 公開(kāi)（公告）號(hào): CN108764043B
• 公開(kāi)（公告）日: 2020-07-03
• 發(fā)明（設(shè)計(jì)）人: 王彬;崔曉紅;李佩珍;李丹丹;閻鵬飛;曹銳;郭浩;相潔
• 申請(qǐng)（專利權(quán)）人: 太原理工大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62
• 代理公司: 成都東恒知盛知識(shí)產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 51304
• 代理人: 何健雄

1.基于動(dòng)態(tài)功能連接的熵值的腦電分類方法，其特征在于，按照以下步驟進(jìn)行：

步驟S1：對(duì)獲取到的原始腦電信號(hào)進(jìn)行預(yù)處理，以減少偽跡干擾；

步驟S2：創(chuàng)建濾波器，將預(yù)處理后的腦電信號(hào)濾波到所需的頻段；

步驟S3：利用相位同步分析方法，計(jì)算各頻段的腦電信號(hào)在各個(gè)時(shí)間點(diǎn)每?jī)蓚€(gè)通道之間的相位關(guān)系，獲得動(dòng)態(tài)功能連接矩陣；

所述步驟S3中，采用相位鎖定值PLV來(lái)計(jì)算各頻段的腦電信號(hào)在各個(gè)時(shí)間點(diǎn)上每?jī)蓚€(gè)通道之間的相位關(guān)系，具體的計(jì)算公式如下：

PLV＝|exp(h{Φ_i(t)-Φ_j(t)})|；

其中，Φ_i(t)和Φ_j(t)分別為電極i和j的瞬時(shí)相位；

信號(hào)的相位值可以采用希爾伯特變換來(lái)計(jì)算，具體公式如下：

x_i(v)是電極i的連續(xù)時(shí)間信號(hào)，τ是一個(gè)時(shí)間變量，t表示時(shí)間點(diǎn)，PV為柯西主值；

瞬時(shí)相位按如下計(jì)算：

同樣地，可以計(jì)算瞬時(shí)相位Φ_j(t)；

設(shè)選定的腦電通道數(shù)為M，腦電時(shí)間點(diǎn)數(shù)為T(mén)，利用兩兩通道構(gòu)建不同的通道對(duì)，計(jì)算所有通道對(duì)的PLV值，此時(shí)得到一個(gè)M×M×T的三維矩陣K，其中M×M是一個(gè)時(shí)間點(diǎn)的上三角矩陣：

K的每個(gè)元素K_ijt為在t時(shí)間點(diǎn)上電極i和電極j的之間的PLV值，該矩陣為動(dòng)態(tài)功能連接矩陣，它不僅包含了不同腦電通道兩兩之間的相位關(guān)系，還包含了腦電通道的空間信息和時(shí)間信息；

步驟S4：逐個(gè)計(jì)算兩個(gè)通道之間相位關(guān)系值的時(shí)域熵，得到每條邊的信息熵，以度量腦電功能網(wǎng)絡(luò)各邊時(shí)間域的復(fù)雜度；

所述逐個(gè)計(jì)算兩個(gè)通道之間相位關(guān)系值的信息熵，即動(dòng)態(tài)功能連接熵，按照以下步驟進(jìn)行：

首先，將每個(gè)腦電時(shí)間點(diǎn)數(shù)T的M×M的上三角矩陣各個(gè)PLV值提取出來(lái)，得到一個(gè)(M*(M-1)/2)×T的二維矩陣；然后對(duì)(M*(M-1)/2)×T這個(gè)PLV矩陣各條邊計(jì)算信息熵，得到一個(gè)(M*(M-1)/2)×1的熵值矩陣；

步驟S5：利用各頻段的動(dòng)態(tài)功能連接熵分別作為腦電功能網(wǎng)絡(luò)的分類特征，訓(xùn)練自適應(yīng)提高分類器，得到多個(gè)自適應(yīng)提高分類器以及對(duì)應(yīng)的分類正確率；

所述自適應(yīng)提高分類器的訓(xùn)練過(guò)程為：

得到各個(gè)被試樣本在各個(gè)頻段下的動(dòng)態(tài)功能連接熵后，對(duì)各個(gè)頻段下的訓(xùn)練樣本集(m*(M*(M-1)/2))進(jìn)行分類，m為訓(xùn)練樣本的數(shù)目，利用訓(xùn)練樣本5個(gè)頻段的動(dòng)態(tài)功能連接熵，作為訓(xùn)練樣本的特征各訓(xùn)練一最優(yōu)自適應(yīng)提高分類器，得到多個(gè)最優(yōu)自適應(yīng)提高分類器以及對(duì)應(yīng)的分類正確率；

步驟S6：利用訓(xùn)練好的多個(gè)自適應(yīng)提高分類器以投票的方式對(duì)樣本進(jìn)行組合分類：

其中，x_n是第n個(gè)樣本的特征，是第n個(gè)樣本的第k類特征，w_k是利用第k類特征得到的分類器的分類正確率，F(xiàn)_k是第k類特征的分類判別率，F(xiàn)(x_n)是第n個(gè)樣本組合分類器的輸出，得到各個(gè)樣本組合分類結(jié)果后，再根據(jù)原標(biāo)簽來(lái)計(jì)算該組合分類器的分類正確率、真陽(yáng)性率和假陽(yáng)性率。

2.根據(jù)權(quán)利要求1所述的基于動(dòng)態(tài)功能連接的熵值的腦電分類方法，其特征在于，所述步驟S1中，預(yù)處理方法包括：對(duì)采集的腦電信號(hào)數(shù)據(jù)進(jìn)行0.5-30Hz帶通濾波，再去除眼電干擾信號(hào)、剔除偽跡數(shù)據(jù)以得到所需的腦電信號(hào)。

3.根據(jù)權(quán)利要求1所述的基于動(dòng)態(tài)功能連接的熵值的腦電分類方法，其特征在于，所述步驟S2中，濾波器的創(chuàng)建方法為：腦電信號(hào)使用小波包分解為五個(gè)頻段，即δ：1－3Hz、θ：4－7Hz、α：8－13Hz、β：14－30Hz和γ：31-50Hz。

4.根據(jù)權(quán)利要求1所述的基于動(dòng)態(tài)功能連接的熵值的腦電分類方法，其特征在于，所述步驟S5中，獲得最優(yōu)自適應(yīng)提高分類器的具體過(guò)程包括：對(duì)給定的樣本(x₁，y₁)，...，(x_m，y_m)，其中x_n∈X,y_n∈Y＝(-1,1),1≤n≤m，X為訓(xùn)練特征，Y為被試者類別，首先初始化每個(gè)訓(xùn)練樣本集的權(quán)重為之后進(jìn)行P次迭代，D₁(n)是初始化時(shí)即p＝1每個(gè)訓(xùn)練樣本集的權(quán)重，迭代過(guò)程如下：變量p從1開(kāi)始增加到P，每次迭代首先計(jì)算各個(gè)弱分類器h_p對(duì)訓(xùn)練樣本集進(jìn)行分類得到的分類誤差ε_p＝∑D_p(n),h_p(x_n)≠y_n，

其中，h_p(x_n)為第p個(gè)弱分類器對(duì)樣本分類得到的分類標(biāo)簽值，D_p(n)是第p次迭代時(shí)每個(gè)訓(xùn)練樣本集的權(quán)重，然后計(jì)算分類序列權(quán)重最后更新各個(gè)訓(xùn)練樣本集的權(quán)重其中，D₊₁(n)是每次更新后的每個(gè)訓(xùn)練樣本集的權(quán)重，Z_p為歸一化因子，是為了調(diào)整樣本集的權(quán)值，當(dāng)分類分對(duì)了，更新權(quán)重樣本的權(quán)重將會(huì)降低；當(dāng)分類分錯(cuò)了，更新權(quán)重樣本權(quán)重將會(huì)提高；

P次迭代結(jié)束后得到該頻段下的P個(gè)弱分類器h_p，最后將P個(gè)弱分類器組合構(gòu)建最終分類器為最優(yōu)自適應(yīng)提高分類器：

然后分別計(jì)算各個(gè)頻段下的最優(yōu)自適應(yīng)提高分類器的分類正確率。