[發明專利]基于自發動力學活動的波動熵的自閉癥分類方法

有效

• 申請號: 202010024918.5
• 申請日: 2020-01-10
• 公開（公告）號: CN111096730B
• 公開（公告）日: 2023-09-15
• 發明（設計）人: 徐凌宇;郭艷蓉;金寶剛
• 申請（專利權）人: 上海大學
• 主分類號: A61B5/00
• 分類號: A61B5/00
• 代理公司: 上海上大專利事務所(普通合伙) 31205
• 代理人: 陸聰明

1.一種基于自發動力學活動的波動熵的自閉癥分類方法，其特征在于，包括以下步驟：

步驟1、將近紅外光譜fNIRS時間序列按照序列長度進行切割，然后設置不同的滑動窗口和步長，對每個子序列按照滑動窗口和步長進行空間重構，得到重構分量；

步驟2、對重構分量進行樣本熵的計算，由此得到波動熵；

步驟3、提取波動熵序列的四個特征值，包括波動熵的方差、均值、最大值和最小值，生成新的樣本，作為支持向量機SVM的輸入變量；

步驟4、將步驟3生成的新樣本輸入到SVM中，采用k折交叉驗證，使用自閉癥ASD兒童的雙側額下回和顳葉自發血流動力學波動數據，進行自閉癥ASD兒童的類別判別；

所述步驟1中的對fNIRS時間序列按照序列長度進行切割，然后設置不同的滑動窗口n和步長b，對每個子序列按照滑動窗口和步長進行空間重構，得到矩陣：

式中：K為滑動窗口的個數，K＝(N-n+1)；矩陣中的每一行看作是一個重構分量，共有K個重構分量；

所述步驟2中對步驟1中生成的重構分量進行樣本熵的計算，由此得到波動熵，其過程如下：

(2-1)對于矩陣中的第k個重構分量S^k：

S^k＝{u(1+(k-1)b),u(2+(k-1)b),…,u(n+(k-1)b)}

根據嵌入維數m，從S^k中連續選擇m個數，構成一組m維向量，代表從第i個點開始連續的m個u的值：

(2-2)計算兩個向量和之間的距離，是兩個向量對應元素之間的最大差值，即：其中，f∈[0,m-1]，i,j∈[1,N-m]且i≠j；

(2-3)對于給定的使和之間的距離小于r的j數目，記作B_i，其中r表示相似容限；計算重構分量中的每個向量和其他向量相似的概率，記作計算公式如下：

(2-4)計算每個m維向量的自相似概率，記作B^m(r)，計算公式如下：

(2-5)將維數增加1，重復上述步驟，計算每個m+1維向量的自相似概率，記作B^m+1(r)；

(2-6)當n為有限值的時候，該重構分量的樣本熵計算公式如下：

(2-7)重復步驟(2-2)到(2-7)步，直到計算出每個重構分量的樣本熵，通過以上過程，原始時間序列的熵值由多個樣本熵構成，因此將其稱為波動熵；

所述步驟3中為了反映fNIRS時間序列的階段波動情況，將提取波動熵的方差var_sam_i，均值ave_sam_i，最大值max_sam_i和最小值min_sam_i，生成新的樣本，作為SVM的輸入變量；設原始序列的波動熵表示為T＝(S¹,S²,S³,...,S^h)，其中Sⁱ表示第i個重構分量的樣本熵值，h表示重構分量的個數，其過程如下：

(3-1)分別計算上述波動熵的方差var_sam_i，均值ave_sam_i，最大值max_sam_i和最小值min_sam_i，具體計算公式為：

max_sam_i＝max(T)?????????????????????????????(6)

min_sam_i＝min(T)?????????????????????????????(7)

(3-2)通過提取波動熵的上述四個特征值，從而將時間序列映射到四維空間，形成一個四元組，即G＝(V,A,X,N)，其中V表示為方差的集合，A表示均值的集合，X表示為最大值的集合，N表示為最小值的集合；

所述步驟4中將步驟3生成的新樣本輸入到SVM中，采用k折交叉驗證，進行ASD的判別，具體步驟如下：

(4-1)劃分數據集：將完整的數據集按照一定的比例分成訓練集和測試集；

(4-2)采用交叉驗證：使用k折交叉驗證，將訓練集分為k個子集，并且每個分類器被重復k次，每次都使用k個子集中的其中一個作為驗證數據集，剩余的k-1個作為訓練數據集；

(4-3)選擇最佳網絡：計算所有分類器k次試驗的平均MSE，選取其中MSE最小的分類器作為最佳的分類器；最后，使用最佳分類器并計算測試集的準確率，將其作為SVM分類模型的準確率。