[發明專利]一種基于支持向量機的癲癇檢測集成電路及其訓練方法

有效

• 申請號: 201910245466.0
• 申請日: 2019-03-28
• 公開（公告）號: CN109998536B
• 公開（公告）日: 2021-01-22
• 發明（設計）人: 李尊朝;馮立琛;白海龍;張劍
• 申請（專利權）人: 西安交通大學
• 主分類號: A61B5/372
• 分類號: A61B5/372;A61B5/24;A61B5/00
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 徐文權

1.一種基于支持向量機的癲癇檢測集成電路，其特征在于，包括特征提取模塊和支持向量機；

特征提取模塊用于獲取訓練樣本，并將獲取的訓練樣本輸入至支持向量機；

支持向量機包括控制調度模塊、誤差更新模塊、樣本選擇模塊、核函數計算模塊和拉格朗日乘子優化模塊；

所述樣本選擇模塊，用于選擇不滿足KKT條件的樣本，將樣本對應的拉格朗日乘子輸送至拉格朗日乘子優化模塊；

所述拉格朗日乘子優化模塊，用于對不滿足KKT條件的樣本的拉格朗日乘子進行優化，并將優化后的樣本輸入誤差更新模塊；

所述誤差更新模塊，用于更新所有優化后樣本的預測誤差F_i，然后對優化后樣本子集邊界進行更新，直至所有樣本滿足KKT條件時結束；

核函數計算模塊，用于加速拉格朗日乘子優化模塊和誤差更新模塊的核函數K_i,j計算過程，其中，i和j分別為樣本的下標；

控制調度模塊，用于控制支持向量機的片上訓練過程；

癲癇檢測集成電路的片上訓練方法包括以下步驟；

步驟1、將腦電信號輸入至若干個濾波器中進行濾波，以得到濾波后的分為若干個頻段的腦電信號x[i]；

步驟2、將得到若干個濾波后的腦電信號對應輸入至若干個特征計算模塊，計算濾波后的腦電信號x[i]的均值mean與方差值variance，得到一個多維特征向量，并將得到的多維特征向量作為樣本輸入至支持向量機；

步驟3、將樣本分為五個子集：I₀＝{i:0α_iC},I₁＝{i:y_i＝+1,α_i＝0},I₂＝{i:y_i＝-1,α_i＝C},I₃＝{i:y_i＝+1,α_i＝C},I₄＝{i:y_i＝-1,α_i＝0}；

其中，C是可設定的常數，上集合為I₀∪I₁∪I₂，標簽值記為0，下集合為I₀∪I₃∪I₄標簽值記為1，上集合所對應的預測誤差F_i中最小的誤差記為b_up，下集合所對應的預測誤差中最大的誤差記為b_low，b_up和b_low對應地址記為i_up和i_low；

步驟4.初始化拉格朗日乘子α_i為0，預測誤差F_i為負的樣本標簽(-y_i)；

步驟5.樣本選擇模塊選擇不滿足式KKT最優條件的樣本i₂，KKT最優條件如下：

i∈I₀∪I₁∪I₂，and F_i≥b_low-τ，i∈I₀∪I₃∪I₄，and F_i≤b_up+τ其中，τ＝2^-10是允許的誤差；樣本i₂對應的樣本i₁如下：

i₁＝i_up，if i₂∈I₀∪I₃∪I₄

i₁＝i_low，if i₂∈I₀∪I₁∪I₂

步驟6.拉格朗日乘子優化模塊更新步驟5所選的樣本i₂對應的拉格朗日乘子α_i2，得到更新后的更新方法如下；

其中η＝2K_i1i2-K_i1i1-K_i2i2；L和H限制α_i2的有效范圍；

對所選的樣本i₂對應樣本i₁的拉格朗日乘子α_i1進行更新，得到更新后的

Δα_i2為α_i2的改變量；

步驟7.更新模塊更新所有i∈I₀的預測誤差F_i，得到更新后的

在更新完誤差F_i后，更新b_up、b_low、i_up和i_low；若b_low–b_up≥τ，則令α_i1＝i_up、α_i2＝i_low，返回步驟6；否則i∈I₀返回步驟5，直至整個集合上的樣本都滿足KKT最優條件后訓練結束。