[發明專利]一種基于張量分解模型的多元腦電數據識別分析方法

有效

• 申請號: 202111373209.9
• 申請日: 2021-11-19
• 公開（公告）號: CN113796874B
• 公開（公告）日: 2022-01-28
• 發明（設計）人: 安鈺;馮毅隆;陳善恩;張璽
• 申請（專利權）人: 北京大學
• 主分類號: A61B5/372
• 分類號: A61B5/372
• 代理公司: 北京萬象新悅知識產權代理有限公司 11360
• 代理人: 黃鳳茹

1.一種基于張量分解模型的多元腦電數據識別分析方法，利用采集到的多元腦電信號，建立基于張量分解模型的多元腦電數據識別與分析模型，實現對腦電數據的識別與分析；包括如下步驟：

1）利用CP張量分解方法構建基于多元腦電數據的張量分解模型，作為多元腦電數據識別分析模型；包括：

11）針對腦電信號數據定義輸入張量；

將每個腦電信號片段通過互信息表示為鄰接矩陣，表示腦電數據收集器的電極數；通過堆疊所有的腦電信號片段的鄰接矩陣定義輸入張量，即；其中，取值為1到；為所有腦電信號片段的總數，；表示用于建模的個體的數目，表示用于識別的個體的數目；為第位個體的腦電信號片段的數目，；

12）通過CP張量分解方法將輸入張量分解為組向量，表示為式1：

式1

其中，為輸入張量的估計；為單位張量，即，其中表示狄拉克函數；是腦電電極信息矩陣；為腦電片段信息矩陣；是張量的第模態積；

2）建立用于建模的腦電信號數據的分類類別信息約束項，即標簽矩陣；

定義最小化生理狀態相似的兩個腦電片段間距的目標函數，表示為式2：

式2

其中，為的第3模態展開矩陣；是所有用于建模的腦電信號片段總數；標簽矩陣，表示腦電數據分類的數目；是基于標簽矩陣的核矩陣，其元素代表第個片段和第個片段間的相似性；是的Frobenius范數；

3）進行個體腦電信號數據的分類識別；

定義腦電片段信息矩陣對應的映射矩陣為，腦電數據的識別過程采用嶺回歸表示為式3：

式3

其中，，表示只在訓練過程中使用現有個體的腦電信號片段；是控制約束項的參數；表示矩陣的Frobenius范數；

通過求得式4的優化解，對個體腦電信號數據進行分類識別：

式4

其中，是所有控制各項的參數；

將求解得到的優化解記為，其中是求解得到的腦電電極信息矩陣；是求解得到的腦電片段信息矩陣，是求解得到的腦電片段信息矩陣對應的映射矩陣；

根據得到待識別的腦電數據的標簽矩陣，即識別得到腦電數據的分類信息，由此實現基于張量分解模型的多元腦電數據分析與預測。

2.如權利要求1所述基于張量分解模型的多元腦電數據識別分析方法，其特征是，步驟12）將輸入張量分解為組向量，每組包含三個向量，個同類型的向量表示為一個對應的矩陣。

3.如權利要求1所述基于張量分解模型的多元腦電數據識別分析方法，其特征是，標簽矩陣中，每行只包含1個“1”元素和個“0”元素。

4.如權利要求1所述基于張量分解模型的多元腦電數據識別分析方法，其特征是，應用核函數對式4進行求解和分析。

5.如權利要求1所述基于張量分解模型的多元腦電數據識別分析方法，其特征是，具體是采用多塊乘子交替方向法求解式4。

6.如權利要求1所述基于張量分解模型的多元腦電數據識別分析方法，其特征是，標簽矩陣中表示的腦電信號數據的分類類別可包括發作前期與發作間期，采用獨熱編碼表示。

7.如權利要求1所述基于張量分解模型的多元腦電數據識別分析方法，其特征是，定義，其中是新個體的標簽矩陣；根據求解得到的即可得到待識別的腦電數據的標簽矩陣，由此得到待識別的腦電數據的類別信息。

8.如權利要求1所述基于張量分解模型的多元腦電數據識別分析方法，其特征是，控制參數均為正值。