[發(fā)明專利]一種基于張量分解模型的多元腦電數(shù)據(jù)識別分析方法

有效

• 申請?zhí)枺?/td>: 202111373209.9
• 申請日: 2021-11-19
• 公開（公告）號: CN113796874B
• 公開（公告）日: 2022-01-28
• 發(fā)明（設(shè)計）人: 安鈺;馮毅隆;陳善恩;張璽
• 申請（專利權(quán)）人: 北京大學(xué)
• 主分類號: A61B5/372
• 分類號: A61B5/372
• 代理公司: 北京萬象新悅知識產(chǎn)權(quán)代理有限公司 11360
• 代理人: 黃鳳茹

本發(fā)明公布了一種基于張量分解模型的多元腦電數(shù)據(jù)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(shù)據(jù)識別分析模型，實現(xiàn)對腦電數(shù)據(jù)的分析與識別；包括：利用CP張量分解方法，構(gòu)建基于多元腦電數(shù)據(jù)的張量分解模型，作為多元腦電數(shù)據(jù)識別分析模型；建立用于建模的腦電信號數(shù)據(jù)的分類類別信息約束項，即標簽矩陣；利用多元腦電數(shù)據(jù)識別分析模型進行個體腦電信號數(shù)據(jù)的分類識別。采用本發(fā)明提供的技術(shù)方案，有助于實現(xiàn)對腦電數(shù)據(jù)分類類別的識別分析，提升數(shù)據(jù)識別的準確性，為遠程個體數(shù)據(jù)的分析識別提供啟發(fā)式的輔助，能夠為個體提供切身的便利與幫助。

技術(shù)領(lǐng)域

本發(fā)明提供一種多元腦電數(shù)據(jù)識別分析技術(shù)，具體涉及一種基于張量分解模型的多元腦電數(shù)據(jù)識別分析方法，屬于工業(yè)工程數(shù)據(jù)分析技術(shù)領(lǐng)域。

背景技術(shù)

大腦神經(jīng)元突發(fā)性異常放電會導(dǎo)致短暫的大腦功能障礙。隨著通信和計算技術(shù)的發(fā)展，相關(guān)技術(shù)廣泛應(yīng)用于大腦神經(jīng)元的腦電數(shù)據(jù)的獲取和識別分析。腦電數(shù)據(jù)的獲取成本低、靈活度高、時間分辨率高，且具有非侵入式性、易用性、便攜性和安全性等特點。腦電數(shù)據(jù)中隱含大量有潛在價值的信息，對遠程醫(yī)療和病理機制的解釋等起到十分重要的作用。因此，對多元腦電數(shù)據(jù)的自動識別和分析是減少對對專業(yè)人員依賴的重要一步。

腦電數(shù)據(jù)通常是針對特定對象的，體現(xiàn)在腦電數(shù)據(jù)高度受各種個體差異的影響。例如，患有癲癇癥的不同患者的生理記錄可能區(qū)別很大。近些年，學(xué)術(shù)和業(yè)界人士已經(jīng)開發(fā)出許多方法用來對腦電數(shù)據(jù)進行識別和分析?，F(xiàn)有技術(shù)更側(cè)重于特定個體人群腦電數(shù)據(jù)的建模（subject-specific modeling），而缺乏基于實際場景中非特定個體人群腦電數(shù)據(jù)的建模（subject-independent modeling）方法。

目前，對多元腦電數(shù)據(jù)進行識別和分析仍然面臨以下挑戰(zhàn)：第一，腦電數(shù)據(jù)具有非線性性、非平穩(wěn)性、非高斯性等難以捕捉的性質(zhì)。第二，腦電數(shù)據(jù)特性復(fù)雜、難以區(qū)分。例如，癲癇發(fā)作前期與發(fā)作間期的腦電數(shù)據(jù)特性復(fù)雜、難以區(qū)分，給不同階段的腦電數(shù)據(jù)識別帶來困難。第三，腦電數(shù)據(jù)個體差異性顯著，導(dǎo)致基于現(xiàn)有腦電數(shù)據(jù)的建模結(jié)果適用性不高，難以有效應(yīng)用。

發(fā)明內(nèi)容

針對上述現(xiàn)有技術(shù)存在的不足，本發(fā)明提供一種基于張量分解模型的多元腦電數(shù)據(jù)識別分析方法，充分考慮不同個體腦電數(shù)據(jù)之間的特異性，利用采集到的多元腦電數(shù)據(jù)建立基于張量分解模型的多元腦電數(shù)據(jù)識別分析模型，實現(xiàn)對新的腦電數(shù)據(jù)進行識別分析。

本發(fā)明提供的技術(shù)方案如下：

一種基于張量分解模型的多元腦電數(shù)據(jù)識別分析方法，利用采集到的個體的多元腦電信號，建立基于張量分解的多元腦電數(shù)據(jù)識別分析模型，實現(xiàn)對腦電數(shù)據(jù)的分析與識別。包括如下步驟：

1）利用CP張量分解方法構(gòu)建基于多元腦電數(shù)據(jù)的張量分解模型，作為多元腦電數(shù)據(jù)識別分析模型；包括：

11）針對腦電信號數(shù)據(jù)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(shù)據(jù)收集器的電極數(shù)；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，為所有腦電信號片段的總數(shù)，；表示用于建模的個體的數(shù)目，表示用于識別的個體的數(shù)目；為第位個體的腦電信號片段的數(shù)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(shù)，即只有在滿足條件時為1，其余情況為0；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(tài)積。

2）建立用于建模的腦電信號數(shù)據(jù)的分類類別信息約束項，即標簽矩陣；

如果兩個腦電片段數(shù)據(jù)在生理狀態(tài)上相似，則表示二者在生理數(shù)據(jù)結(jié)構(gòu)上彼此相近。我們定義最小化生理狀態(tài)相似的兩個腦電片段間距的目標函數(shù)為：