[發明專利]利用徑向基神經網絡對癲癇腦電圖信號進行分類的方法

在審

• 申請號: 201810489968.3
• 申請日: 2018-05-21
• 公開（公告）號: CN108664949A
• 公開（公告）日: 2018-10-16
• 發明（設計）人: 劉麗;季云峰;匡亮;高云
• 申請（專利權）人: 江蘇信息職業技術學院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/08
• 代理公司: 南京天翼專利代理有限責任公司 32112
• 代理人: 于忠洲

1.利用徑向基神經網絡對癲癇腦電圖信號進行分類的方法，其特征在于，包括如下步驟：

步驟1，建立徑向基網絡的數學模型；

步驟2，對徑向基網絡的隱層節點進行估計；

步驟3，定義不敏感損失誤差準則；

步驟4，基于ε-不敏感誤差準則和結構風險的徑向基網絡訓練；

步驟5，利用集成的ε-RBF-NN訓練算法進行訓練和分類。

2.根據權利要求1所述的利用徑向基神經網絡對癲癇腦電圖信號進行分類的方法，其特征在于，步驟1中，建立徑向基網絡的數學模型為：

式(1)中，x∈R^d為網絡輸入向量，c_i∈R^d為網絡隱藏層節點的徑向基函數中心向量，w_i為網絡隱層與輸出節點之間的連接權值，||.||表示范數，可取歐幾里德范數，Φ(.)為徑向基函數，完成從R^d→R¹的非線性轉變，具體形式為：

式(2)中，δ_i為寬度值，在徑向基網絡的數學模型中，要學習的參數有三種，即隱層節點隱層徑向基函數寬度值δ_i以及隱層和輸出層的連接權值w_i。

3.根據權利要求2所述的利用徑向基神經網絡對癲癇腦電圖信號進行分類的方法，其特征在于，步驟2中，對徑向基網絡的隱層節點進行估計的具體步驟為：

對于徑向基神經網絡的隱層中心點參數c_i和寬度值δ_i，使用模糊C均值聚類算法進行估計如下：

式(3)和(4)中，u_ji為樣本x_j隸屬于第i個類的隸屬度，h是一個可調的縮放參數，在徑向基網絡中，一旦隱層參數被估計，則令：

P_g＝[w₁,…,w_Q]^T (5c)

通過公式(5a)-(5c)將公式(1)的徑向基網絡映射函數轉換為如下表達式：

由公式(6)得出，當徑向基網絡的隱層節點被估計后，網絡的輸出可表示為一個線性模型的輸出，于是將網絡參數的學習轉化為線性模型之參數學習問題。

4.根據權利要求3所述的利用徑向基神經網絡對癲癇腦電圖信號進行分類的方法，其特征在于，步驟3中，定義不敏感損失誤差準則的具體步驟為：

給定標量g和向量G＝[g₁,g₂,...,g_d]^T相應的ε-不敏感損失分別如式(8)和式(9)所示：

對于公式(6)所示的線性模型，其對應的ε-不敏感損失誤差準則定義為：

5.根據權利要求4所述的利用徑向基神經網絡對癲癇腦電圖信號進行分類的方法，其特征在于，步驟4中，基于ε-不敏感誤差準則和結構風險的徑向基網絡訓練的具體步驟為：

對于公式(10)，給定數據集{x_gi,y_i}，由于不等式不總是滿足，因此引入松弛變量ξ_i⁺≥0和ξ_i^-≥0，可得到如下約束：

利用公式(10)和公式(11)所示的準則函數可等價地表示為：

基于上述等價準則函數，引入結構風險正則項，公式(12a)和(12b)改進為：

式中，τ＞0用來平衡經驗誤差項和表示結構風險的正則化項的影響，對于公式(13a)和(13b)中參數τ和ε采用交叉驗證法來確定其最優值，對于公式(13a)和(13b)利用拉格朗日優化可得到其對偶問題：

根據對偶理論，利用公式(14)得到最優解進一步得到公式(13)對應的最優解為：

6.根據權利要求5所述的利用徑向基神經網絡對癲癇腦電圖信號進行分類的方法，其特征在于，步驟5中，利用集成的ε-RBF-NN訓練算法進行訓練和分類的具體步驟為：

首先，進行多次訓練以獲得多個分類器的訓練精度；其次，選擇Q個分類器并根據訓練的準確性得到每個分類器的權重，并進行權重歸一化；最后，通過公式(16)計算每個樣本的標簽為：

式中，y⁰為樣本標簽，w_i是第i個分類器的權重，x_g是輸入向量x是由函數Φ(.)隱射得到的值，是由連接權重w_i表示的向量，Q是選定的分類器的個數。