[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

本發明公開一種基于支持向量機的癲癇檢測集成電路及其訓練方法，在特征提取部分使用分布式查找表濾波器，降低了電路復雜度；增加頻域方差特征，能夠更好地反應腦電信號特征，提高了檢測精度；使用改進版本的序貫最小化算法進行支持向量機訓練電路的設計，避免原始版本的序貫最小化算法尋找不滿足最優條件的拉格朗日乘子時產生的誤判，可以使用更少的迭代次數達到相似性能，進一步提高了能效。同時通過將核函數計算模塊進行流水線設計，提高了片上支持向量機的訓練速度。本發明可以提高癲癇檢測系統的便攜性，提供更高能效的片上訓練功能。

技術領域

本發明屬于集成電路技術領域，具體涉及一種基于支持向量機的癲癇檢測集成電路及其訓練方法。

背景技術

大腦神經元異常放電會引發癲癇，對人的生活健康影響嚴重。頭皮無創式腦電圖，在癲癇發作診斷中扮演著重要的角色。然而，目前主要依靠醫生對患者的腦電信號進行人工分析，這種方法不僅耗時，而且沒有統一的判斷依據，無法保證其準確性。隨著醫療電子技術的不斷發展，人工智能算法開始被應用在癲癇的自動診斷過程中，然而大部分的算法需要在計算機上實現，仍然不夠方便。因此，將人工智能學習算法集成在電路上，使整個自動診斷系統可便攜，并且可針對腦電信號狀態的改變重新學習，對提高病人的日常生活質量有很重要的意義。

支持向量機學習方法適用性較廣、精度較高，可以針對不平衡的數據集使用，因此在便攜式癲癇自動診斷系統中被采用。支持向量機方法作為全監督的分類方法，可以分為訓練與分類兩個過程：在訓練過程中，利用標記好的樣本集，尋找處于樣本集邊界上的特征向量作為支持向量，在分類過程中使用支持向量對輸入樣本進行分類。訓練支持向量機是解決標準的二次規劃問題，然而在數據量較大時，計算復雜度高、需要較高的能耗和較大的存儲空間，因此在芯片上實時低功耗地訓練有一定的難度。較為常用的是序貫最小化算法訓練支持向量機，改進版本的序貫最小化算法能進一步加速訓練過程、降低功耗。

使用支持向量機方法，需要先對腦電信號進行特征提取以得到特征向量。使用帶通濾波器對腦電信號進行頻域濾波，然后計算頻域能量，是一種常用的特征提取方法。然而通帶較窄的帶通濾波器的電路復雜度高；另外，頻域能量僅能反應信號的一個方面，需要更多的特征對腦電信號進行表征。

經過對現有資料文獻的檢索發現，現有的基于支持向量機的便攜式癲癇自動診斷集成電路系統，濾波器實現較為復雜，且頻域特征普遍僅有能量值，不能反應信號的變化范圍，另外普遍不具備支持向量機的訓練功能。

發明內容

本發明針對上述現有技術的不足，提出了一種基于支持向量機的癲癇檢測集成電路，降低了電路復雜度，提高了檢測精度。

本發明是通過以下技術方案來實現：

一種基于支持向量機的癲癇檢測集成電路，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計算過程；

控制調度模塊，用于控制支持向量機的片上訓練過程。

優選的，所述特征提取模塊包括濾波器模塊和特征計算模塊；