The invention discloses a method for preprocessing and classifying EEG signals based on the maximum weighted group, which comprises the following steps: mapping and classifying the EEG signals into the maximum weighted clique problem. In order to achieve the goal of preprocessing, the labeled EEG signals are searched by single maximum weighted group, and the maximum weighted group search of unlabeled EEG signals is carried out to achieve the purpose of classification. The advantages of the invention are: the use of improved Fr Chet distance measure EEG similarity from local and global perspective, to improve the validity and reliability of measurement. At the same time, the weights of vertices and edges are taken into account, and the weight measurement method is optimized. Using single maximum weighted clique search to select tagged signals can improve the accuracy of EEG signal feature extraction. Classification of unlabeled EEG signals using multiple maximum weighted clique search can assist in the diagnosis of related brain diseases without prior knowledge. The invention is of practical significance in the pretreatment of EEG signals and the diagnosis of diseases based on EEG signals.
【技术实现步骤摘要】
一种基于最大加权团的脑电信号预处理与分类方法
本专利技术涉及一种基于最大加权团的脑电信号预处理与分类方法,是针对有标签与无标签脑电信号的预处理与多分类方法,属于生物科学与信息科学的交叉领域。
技术介绍
人脑的神经活动开始于胎儿期的第17到23周。人的一生由大脑产生的电子信号不仅表征了大脑本身的工作状态,也反映了整个身体的功能状态。正是由于脑电波中蕴含的重要信息,关于脑电信号的分析开始于20世纪初,到目前为止已有大量关于信号处理的方法应用于脑电信号当中。通过研究脑电信号,可以帮助现代医学进行疾病的诊断与治疗。比如老年痴呆的前期诊断,中风、癫痫病发作、痴呆等的辅助诊断,甚至也可用于大脑控制方面的研究应用,比如脑控小车、脑控飞行器等,可以帮助改善残障人士的出行问题等。脑电信号中包含较高的噪声信号,其主要分为两类:第一类是环境噪声。由于脑电波信号频率较低,采集受到环境噪音、设备噪音的影响较大,即在采集到的脑电信号中,包含了较高的噪音信号,从而导致脑信号的信噪比较低,这一类噪声是脑信号的主要噪声源,其主要影响信噪比;第二类是影响信号特征的噪声。这类噪声主要来源于眼动、肌动等产生的伪迹信号对目标脑电信号进行的影响,降低目标脑电的识别精度。同时,对于本身患有如癫痫、老年痴呆、中风等疾病的研究受体而言,由于脑电信号较正常人而言不稳定性更高,因此对脑电信号采集产生了巨大影响。直接对原始数据进行分析、特征提取误差较大,分析结果并没有太大的参考价值。许多关于脑电信号的研究一般都集中在特征提取、分类阶段,对脑电信号原始信号的预处理,大部分的研究也都集中在基于独立成分分析、主成分分 ...
【技术保护点】
一种基于最大加权团的脑电信号预处理与分类方法,其主要特征包括如下步骤:(1)无向加权完全图的边权重映射:将脑电信号看作时间序列,利用改进后的Fréchet距离衡量之间的相似程度,形成相似度矩阵,映射为无向加权完全图中的边权重矩阵;(2)无向加权完全图的顶点权重映射:利用(1)中的相似度矩阵获取各个脑电信号相似度偏序矩阵,映射为顶点权重矩阵;(3)有标签脑电信号预处理:设定一个合理的相似度阈值,在无向加权完全图中单次搜寻最大加权团,达到筛选有效有标签脑电信号的目的;(4)无标签脑电信号多分类:根据脑电信号的相似度分布,设定多个合理的相似度阈值,在无向加权完全图中多次搜寻最大加权团,达到无标签脑电信号多分类目的。
【技术特征摘要】
1.一种基于最大加权团的脑电信号预处理与分类方法,其主要特征包括如下步骤:(1)无向加权完全图的边权重映射:将脑电信号看作时间序列,利用改进后的Fréchet距离衡量之间的相似程度,形成相似度矩阵,映射为无向加权完全图中的边权重矩阵;(2)无向加权完全图的顶点权重映射:利用(1)中的相似度矩阵获取各个脑电信号相似度偏序矩阵,映射为顶点权重矩阵;(3)有标签脑电信号预处理:设定一个合理的相似度阈值,在无向加权完全图中单次搜寻最大加权团,达到筛选有效有标签脑电信号的目的;(4)无标签脑电信号多分类:根据脑电信号的相似度分布,设定多个合理的相似度阈值,在无向加权完全图中多次搜寻最大加权团,达到无标签脑电信号多分类目的。2.根据权利要求1所述的基于最大加权团的脑电信号预处理与分类方法,其特征在于,步骤(1)对脑电信号进行无向加权完全图的边权重映射,其实现方法包括:(21)脑电信号局部趋势相异度衡量:从局部角度衡量脑电信号之间的趋势相异程度,提高脑电信号评估的完备性与科学性;(22)脑电信号全局相似度衡量:从全局角度衡量脑电信号之间的相似程度,利用Fréchet距离计算脑电信号的相似度,从宏观角度衡量脑电信号在曲线线性上的相似性;(23)基于改进的Fréchet距离的脑电信号相似度衡量:根据(21)和(22)中分别得到的局部相异度与全局相似度,最终得到脑电信号之间的相似度程度;(24)无向加权完全图边权重映射:根据(23)中利用改进的Fréchet距离得到的脑电信号相似度,映射为无向加权完全图中的边权重矩阵。3.根据权利要求2所述的方法,其特征在于,步骤(21)中脑电信号局部趋势相异度衡量,其实现方法如下:对于任意两个脑电信号tri,trj∈Trial(Trial为所有脑电信号的集合),tri=(a1,a2,…,ap),trj=(b1,b2,…,bp),其局部趋势相异度为:其中,TemCor∈[-1,1]。该指标衡量了两个脑电信号之间局部趋势的同步性。负值表明信号大部分时间具有相反的走势,正值则表明具有更多相似的走势。4.根据权利要求2所述的方法,其特征在于,步骤(22)中脑电信号全局相似度衡量,其实现方法如下:利用Fréchet距离对脑电信号进行全局相似度衡量,对于任意两个脑电信号tri,trj∈Trial,它们之间的Fréchet距离相似度为:5.根据权利要求2所述的方法,其特征在于,步骤(23)中基于改进的Fréchet距离的脑电信号相似度衡量,其实现方法如下:根据脑电局部趋势相异度与全局相似度,脑电信号之间最终的相似度衡量为:其中,s(tri,trj)∈[0,1],λ∈[0,1]。6.根据权利要求2所述的方法,其特征在于,步骤(24)中无向加权完全图边权重映射,其实...
【专利技术属性】
技术研发人员:皮德常,代成龙,
申请(专利权)人:南京航空航天大学,
类型:发明
国别省市:江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。