[發(fā)明專利]基于機(jī)器學(xué)習(xí)模糊特征選擇的癲癇發(fā)作腦電信號分類方法

在審

• 申請?zhí)枺?/td>: 201910848404.9
• 申請日: 2019-09-09
• 公開（公告）號: CN110558977A
• 公開（公告）日: 2019-12-13
• 發(fā)明（設(shè)計）人: 王海;張侃;高嶺;郭紅波;鄭勇;趙悅?cè)?/a>;鄭杰;楊旭東
• 申請（專利權(quán)）人: 西北大學(xué)
• 主分類號: A61B5/0476
• 分類號: A61B5/0476;A61B5/00
• 代理公司: 61202 西安西達(dá)專利代理有限責(zé)任公司
• 代理人: 劉華

1.一種基于機(jī)器學(xué)習(xí)模糊特征選擇的癲癇發(fā)作腦電信號分類方法，不同的腦電信號預(yù)處理方式、特定通道選擇、多種特征提取、模糊特征選擇、SVM支持向量機(jī)分類，其特征在于，包括以下步驟：

(1)對原始數(shù)據(jù)預(yù)處理；使用MATLAB EEG LAB工具包將所有物理生物數(shù)據(jù)轉(zhuǎn)換為MATLAB數(shù)據(jù)：

1)采用平穩(wěn)小波變換SWT和獨(dú)立分量分析ICA相結(jié)合的方法SWT+ICA對腦電信號和EOG信號進(jìn)行預(yù)處理，去除腦電信號中一些不需要的分量；

2)利用EMD技術(shù)，從預(yù)處理的腦電圖信號中提取并檢測人眼眨眼；

3)使用帶通濾波器0.5-30Hz對數(shù)據(jù)進(jìn)行濾波來完成，去除人工偽影使用的濾波器是用5階巴特沃斯設(shè)計生成的，并使用正反向方法實現(xiàn)以生成零相位響應(yīng)；

4)去除偽影后所有純通道數(shù)據(jù)都使用有限脈沖響應(yīng)濾波器FIR；

(2)對預(yù)處理后的數(shù)據(jù)進(jìn)行特定通道選擇；

1)為了降低系統(tǒng)復(fù)雜度，選擇了準(zhǔn)確度高的四個通道，分別是(F3-C3)，(C3-P3)，(F4-C4)，(C4-P4)這四個通道；

2)對該4個通道進(jìn)行平均，使用式(1)對4個通道平均值A(chǔ)vergared_EEG[n]的值進(jìn)行特征提取；

其中，x,c分別為輸入的信號，通道數(shù)量；

(3)對所選出的通道上的數(shù)據(jù)進(jìn)行多種特征提取；

1)采用自回歸建模AR技術(shù)，使用Burg AR估計器，最大限度地減小了正向和反向預(yù)測誤差，產(chǎn)生一個穩(wěn)定的模型，直接計算反射系數(shù)，Burg方法可以估計PSD的數(shù)據(jù)記錄，復(fù)制原始數(shù)據(jù)值，使用公式(2)實現(xiàn)產(chǎn)生一個穩(wěn)定的模型，計算反射系數(shù)

其中，k,f分別表示前向預(yù)測誤差功率，模型階次，頻率軸參數(shù)；

2)使用AR建模方法從預(yù)處理的腦電圖數(shù)據(jù)中提取的一些特征包括：與PSD相關(guān)的四個特征:PSD的峰值頻率、PSD的峰值、一階譜矩、二階譜矩，以下公式3)和公式(4)分別為計算一階譜矩m₀₁和二階譜矩m₀₂；

3)計算基于連通度的特征提取和熵的特征，其中基于連通度的特征提取要依照公式(5)和公式(6)計算左半腦通道信息Left_{hemisphericEEG}[n]，右腦通道信息Right_{hemisphericEEG}[n]；

其中，L＝2為左半腦通道數(shù)和L∈(F3-C3),(C3-P3)；

R＝2是右半腦通道的數(shù)量和R∈(F4-C4),(C4-P4)；

4)通過計算，得出從時域、頻域、小波域提取的特征；

(4)進(jìn)行模糊特征選擇；

1)使用高斯隸屬函數(shù)對數(shù)據(jù)集進(jìn)行模糊化，對提取的特征數(shù)據(jù)集輸入x_t的每一列計算基于類的標(biāo)準(zhǔn)偏差和均值t是給定數(shù)據(jù)集中特征的總數(shù)；

2)把得到的值帶入式(7)中獲取類標(biāo)簽保持清晰的模糊數(shù)據(jù)集，新的模糊數(shù)據(jù)集包含模糊特征(ActualFeatureNum*classNum)ActualFeatureNum表示之前模糊化數(shù)據(jù)集中特征的實際數(shù)量，classNum表示決策類的數(shù)量，其中數(shù)據(jù)集中標(biāo)簽1代表癲癇，2代表非癲癇；把得到的值帶入式(7)中獲取類標(biāo)簽保持清晰的模糊數(shù)據(jù)集；

其中，中j＝{1,2,...,實例的數(shù)量}，σ_i和c_i是離散的特征；

3)獲取類標(biāo)簽保持清晰的模糊數(shù)據(jù)集，使用FDM算法生成模糊可辨識矩陣，依據(jù)決策相關(guān)原理進(jìn)行計算，模糊可分辨矩陣是對稱矩陣，只需計算矩陣的一半，不包括對角元素；

4)進(jìn)行特征子集的約簡計算，模糊可辨矩陣的每個單元FDM(i,j)是一個不同值的向量稱為“可辨向量”，對所有的可分辨向量進(jìn)行求和，并將得到的可分辨向量除以(m²-m)/2，按降序?qū)煞直嫦蛄窟M(jìn)行排序，并使用用戶輸入選擇前K個信息量最大的特性作為約簡；

(5)使用貝葉斯優(yōu)化算法對支持向量機(jī)的超參數(shù)進(jìn)行優(yōu)化后分類；

1)采用貝葉斯優(yōu)化算法對支持向量機(jī)的超參數(shù)進(jìn)行優(yōu)化，給定一組實例標(biāo)簽對的訓(xùn)練集(x_i,y_i),i＝1,2,.....,l其中x_i∈Rⁿ,y∈(1，-1)^l；

2)ε_i≥0,訓(xùn)練向量x_i通過函數(shù)映射到一個更高的維空間，C>0為誤差項的懲罰參數(shù)；

3)核函數(shù)將不可分離的特征轉(zhuǎn)化為可分離的特征空間，從而提高了識別的精度，徑向基函數(shù)(RBF)核函數(shù)為式(9)；