一种基于稀疏极限学习机算法的癫痫检测集成电路制造技术

本发明专利技术公开了一种基于稀疏极限学习机算法的癫痫检测集成电路，用包含256个点的窗口对脑电数据中的信号进行划分，数据类型为16位定点数，包括整数部分8位和小数部分8位，将已知类别的脑电数据通过小波变换电路模块生成四维信号，再将生成的信号输入特征提取电路模块得到八维特征向量，然后将八维特征向量输入分类器电路模块训练后分类输出；将未知类别的脑电信号依次经小波变换电路模块和特征提取电路模块后得到八维特征向量，将该八维特征向量输入分类器电路模块中进行分类后输出。本发明专利技术使用提升式小波变换对脑电信号处理，可以得到信号时域和频域中不同频带的特征，其结果优于传统的滤波器以及傅里叶变换。

【技术实现步骤摘要】
一种基于稀疏极限学习机算法的癫痫检测集成电路
本专利技术属于集成电路
，具体涉及一种基于稀疏极限学习机算法的癫痫检测集成电路。
技术介绍
癫痫是由于大脑神经元异常放电引起的，所以癫痫发作会对人的脑电信号产生很大的影响。脑电图检查由于其无创、方便的特点，在癫痫发作诊断中扮演着重要的角色，并且它还有助于对癫痫发作的种类进行分类，临床怀疑癫痫的病例均是通过脑电图检查来诊断的。目前，通过脑电图进行癫痫检测还是主要依靠医生对患者的脑电信号进行人工分析，这种方法不仅耗时，而且没有统一的判断依据，再加上医师个人主观因素的影响，也无法保证其准确性。由于人工分析信号的诸多缺点，再加之医疗电子技术的不断发展，人们就开始思考能不能将某些分类的算法用软件或者电路实现，对已知分类好的脑电信号进行训练，继而产生一定的标准，之后电路便可以通过这些标准对未知的脑电信号进行测试分类，得出癫痫的诊断结果。因为有这些切实的需求，各种对脑电信号进行分类的算法便很快被提了出来。经过对现有资料文献的检索发现，对使用提升式小波变换对脑电信号进行处理，提取特征，然后使用稀疏极限学习机进行训练及分类的方法进行集成电路实现还未见报道。
技术实现思路
本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于稀疏极限学习机算法的癫痫检测集成电路，可以提取癫痫发作或癫痫未发作时脑电信号的时域和频域特征，并使用稀疏极限学习机对其进行训练和分类，从而达到了检测癫痫疾病的目的，减少了人工的参与，降低了因人为因素引起的误判率。本专利技术采用以下技术方案：一种基于稀疏极限学习机算法的癫痫检测集成电路，包括小波变换电路模块、特征提取电路模块和分类器电路模块，用包含256个点的窗口对脑电数据中的信号进行划分，数据类型为16位定点数，包括整数部分8位和小数部分8位，将已知类别的脑电数据通过小波变换电路模块生成四维信号，再将生成的信号输入特征提取电路模块得到八维特征向量，然后将八维特征向量输入分类器电路模块训练后分类输出；将未知类别的脑电信号依次经小波变换电路模块和特征提取电路模块后得到八维特征向量，将该八维特征向量输入分类器电路模块中进行分类后输出。具体的，小波变换电路模块采用提升式的离散小波变换，选取db4有限脉冲响应滤波器实现低通和高通滤波器，并将得到的高通信号继续进行小波变换，重复三次得到输出的四维信号。进一步的，小波变换电路模块包括第一乘法器、第二乘法器、第三乘法器、第四乘法器、第五乘法器、第一加法器、第二加法器、第三加法器、第一延时器和第二延时器；第一加法器的一个输入端接输入信号X下标为奇数的信号，另一个输入端接第一乘法器的输出端；第一乘法器的第一个输入端和第二加法器的第一个输入端接输入信号X下标为偶数的信号，第一乘法器的第二个输入端接α；第二乘法器的第一个输入端接第一加法器的输出端，第二个输入端接β；第二加法器的第二个输入端接第二乘法器的输出端，第三个输入接第三乘法器的输出端，输出端分别接到第二延时器和第五乘法器的输入端；第五乘法器的第二个输入端接1/k，输出端为该模块的一个输出信号X4，接回模块输入端X；第一延时器的输入端接第一加法器的输出端，输出端接第三乘法器的一个输入端；第三乘法器的第二个输入端接Υ；第三加法器的一个输入端接第二延时器的输出端，第二个输入端接第一加法器的输出端，输出端接第四乘法器的一个输入端；第四乘法器的第二个输入端接k，输出端为该模块的三个输出信号X1，X2，X3。具体的，特征提取电路模块用于将对小波变换后的四个信号序列分别作为输入，以256个点为窗口，并对每一个窗口内的数据分别进行求均值差和求标准差，然后将得到的结果存入RAM中组成一组八维的特征矢量序列。进一步的，求均值差电路包括多路分配器第一DEMUX、第四加法器、第一移位器、第一控制器和第一RAM，求均值差电路的输入端依次输入X1、X2、X3、X4到第四加法器的一个输入端；第四加法器的输出端接多路分配器第一DEMUX的输入端；第一DEMUX的选择信号端接第一控制器，其第一个输出端接第四加法器的第二个输入端，第二个输出端接第一移位器的输入端，第一移位器输出数据存入第一RAM，将小波变换电路模块生成的四维信号作为输入，求取输入到该电路模块中数据的均值均值具体为：其中，i代表四维信号的序号，j＝1,2,3......256代表一个窗口内的信号，首先使用第四加法器对窗口内的256个点进行累加操作，求出其总和，然后使用第一移位器对其进行右移8位的移位操作求取其均值，最后将得到的结果存入第一RAM中备用。进一步的，求标准差电路包括第六乘法器、第七乘法器、第五加法器、多路分配器第二DEMUX、第二移位器、第一减法器、开平方电路、第二控制器、第一RAM、第二RAM；，求标准差电路的输入端依次输入X1、X2、X3、X4到第六乘法器的两个输入端，第六乘法器的输出端接第五加法器的一个输入端；第五加法器的输出端接第二DEMUX的输入端；第二DEMUX的选择信号端接第二控制器的输出端，第二DEMUX的两个输出端分别接第二移位器的输入端和第五加法器的第二个输入端；第二移位器的输出端和第七乘法器的输出端分别接第一减法器的两个输入端，第七乘法器的两个输入端均接第一RAM的输出端；第一减法器的输出端接开平方电路的输入端，开平方电路的输出端输出数据存入第二RAM；将小波变换电路模块生成的四维信号作为输入，求取输入到该电路模块中数据的标准差Xsd如下：其中，i代表四维信号的序号，j＝1,2,3......256代表一个窗口内的信号，代表窗口内数据的均值；首先使用第五加法器和第六乘法器对窗口内的256个数据的平方进行累加操作，求出总和，然后对其进行右移8位的移位操作求取其平方和的均值，再将得到的结果减去该组数据均值的平方，然后通过开平方电路进行开平方计算，最后将结果存入第二RAM。具体的，分类器电路模块包括训练和分类两部分，训练部分用于将已知类别脑电信号经特征提取得到的八维特征向量输入到核函数计算电路中计算核函数，然后依次按下标c计算电路，更新αc电路，更新gi电路的顺序对极限学习机的各个参数进行更新，并重复执行以上述操作，直到拉格朗日参数α符合要求，最后将拉格朗日参数α输入到分类函数计算电路中；分类部分用于将未知类别的脑电信号经过计算得到的特征向量输入到核函数计算电路中计算核函数，然后将得到的结果输入到分类函数计算电路，得到分类结果；包括下标c计算电路，更新αc电路，核函数计算电路，更新gi电路和分类函数计算电路；下标c计算电路的输出端接更新αc电路的输入端，更新αc电路的输出端分别接更新gi电路和分类函数计算电路的输入端，更新gi电路的输出端接回下标c计算电路的输入端；特征提取电路模块输出的八维特征向量接入核函数计算电路，核函数计算电路的输出通过一个多路分配器分别接更新αc电路和分类函数计算电路的输入端，分类函数计算电路输出分类结果。进一步的，核函数计算电路包括第二减法器、第三减法器、第八乘法器、第六加法器、第三DEMUX、第三移位器、e指数电路、第一RAM、第二RAM、第三RAM和第三控制器；第一RAM和第二RAM的输出分别接第二减法器的两个输入端，第二减法器的输出端接第八乘法器的两个输入端；第八本文档来自技高网...

【技术保护点】
1.一种基于稀疏极限学习机算法的癫痫检测集成电路，其特征在于，包括小波变换电路模块、特征提取电路模块和分类器电路模块，用包含256个点的窗口对脑电数据中的信号进行划分，数据类型为16位定点数，包括整数部分8位和小数部分8位，将已知类别的脑电数据通过小波变换电路模块生成四维信号，再将生成的信号输入特征提取电路模块得到八维特征向量，然后将八维特征向量输入分类器电路模块训练后分类输出；将未知类别的脑电信号依次经小波变换电路模块和特征提取电路模块后得到八维特征向量，将该八维特征向量输入分类器电路模块中进行分类后输出。

【技术特征摘要】
1.一种基于稀疏极限学习机算法的癫痫检测集成电路，其特征在于，包括小波变换电路模块、特征提取电路模块和分类器电路模块，用包含256个点的窗口对脑电数据中的信号进行划分，数据类型为16位定点数，包括整数部分8位和小数部分8位，将已知类别的脑电数据通过小波变换电路模块生成四维信号，再将生成的信号输入特征提取电路模块得到八维特征向量，然后将八维特征向量输入分类器电路模块训练后分类输出；将未知类别的脑电信号依次经小波变换电路模块和特征提取电路模块后得到八维特征向量，将该八维特征向量输入分类器电路模块中进行分类后输出。2.根据权利要求1所述的基于稀疏极限学习机算法的癫痫检测集成电路，其特征在于，小波变换电路模块采用提升式的离散小波变换，选取db4有限脉冲响应滤波器实现低通和高通滤波器，并将得到的高通信号继续进行小波变换，重复三次得到输出的四维信号。3.根据权利要求2所述的基于稀疏极限学习机算法的癫痫检测集成电路，其特征在于，小波变换电路模块包括第一乘法器、第二乘法器、第三乘法器、第四乘法器、第五乘法器、第一加法器、第二加法器、第三加法器、第一延时器和第二延时器；第一加法器的一个输入端接输入信号X下标为奇数的信号，另一个输入端接第一乘法器的输出端；第一乘法器的第一个输入端和第二加法器的第一个输入端接输入信号X下标为偶数的信号，第一乘法器的第二个输入端接α；第二乘法器的第一个输入端接第一加法器的输出端，第二个输入端接β；第二加法器的第二个输入端接第二乘法器的输出端，第三个输入接第三乘法器的输出端，输出端分别接到第二延时器和第五乘法器的输入端；第五乘法器的第二个输入端接1/k，输出端为该模块的一个输出信号X4，接回模块输入端X；第一延时器的输入端接第一加法器的输出端，输出端接第三乘法器的一个输入端；第三乘法器的第二个输入端接Υ；第三加法器的一个输入端接第二延时器的输出端，第二个输入端接第一加法器的输出端，输出端接第四乘法器的一个输入端；第四乘法器的第二个输入端接k，输出端为该模块的三个输出信号X1，X2，X3。4.根据权利要求1所述的基于稀疏极限学习机算法的癫痫检测集成电路，其特征在于，特征提取电路模块用于将对小波变换后的四个信号序列分别作为输入，以256个点为窗口，并对每一个窗口内的数据分别进行求均值差和求标准差，然后将得到的结果存入RAM中组成一组八维的特征矢量序列。5.根据权利要求4所述的基于稀疏极限学习机算法的癫痫检测集成电路，其特征在于，求均值差电路包括多路分配器第一DEMUX、第四加法器、第一移位器、第一控制器和第一RAM，求均值差电路的输入端依次输入X1、X2、X3、X4到第四加法器的一个输入端；第四加法器的输出端接多路分配器第一DEMUX的输入端；第一DEMUX的选择信号端接第一控制器，其第一个输出端接第四加法器的第二个输入端，第二个输出端接第一移位器的输入端，第一移位器输出数据存入第一RAM，将小波变换电路模块生成的四维信号作为输入，求取输入到该电路模块中数据的均值均值具体为：其中，i代表四维信号的序号，j＝1,2,3......256代表一个窗口内的信号，首先使用第四加法器对窗口内的256个点进行累加操作，求出其总和，然后使用第一移位器对其进行右移8位的移位操作求取其均值，最后将得到的结果存入第一RAM中备用。6.根据权利要求4所述的基于稀疏极限学习机算法的癫痫检测集成电路，其特征在于，求标准差电路包括第六乘法器、第七乘法器、第五加法器、多路分配器第二DEMUX、第二移位器、第一减法器、开平方电路、第二控制器、第一RAM、第二RAM；，求标准差电路的输入端依次输入X1、X2、X3、X4到第六乘法器的两个输入端，第六乘法器的输出端接第五加法器的一个输入端；第五加法器的输出端接第二DEMUX的输入端；第二DEMUX的选择信号端接第二控制器的输出端，第二DEMUX的两个输出端分别接第二移位器的输入端和第五加法器的第二个输入端；第二移位器的输出端和第七乘法器的输出端分别接第一减法器的两个输入端，第七乘法器的两个输入端均接第一RAM的输出端；第一减法器的输出端接开平方电路的输入端，开平方电路的输出端输出数据存入第二RAM；将小波变换电路模块生成的四维信号作为输入，求取输入到该电路模块中数据的标准差Xsd如下：其中，i代表四维信号的序号，j＝1,2,3......256代表一个窗口内的信号，代表窗口内数据的均值；首先使用第五加法器和第六乘法器对窗口内的256个数据的平方进行累加操作，求出总和，然后对其进行右移8位的移位操作求取其平方和的均值，再将得到的结果减去该组数据均值的平方，然后通过开平方电路进行开平方计算，最后将结果存入第二RAM。7.根据权利要求1所述的基于稀疏极限学习机算法的癫痫检测集成电路，其特征在于，分类器电路模块包括训练和分类两部分，训练部分用于将已知类别脑电信号经特征提取得到的八维特征向量输入到核函数计算电路中计算核函数，然后依次按下标c计算电路，更新αc电路，更新gi电路的顺序对极限学习机的各个参数进行更新，并重复执行以上述操作，直到拉格朗日参数α符合要求，最后将拉格朗日参数α输入到分类函数计算电路中；分类部分用于将未知类别的脑电信号经过计算得到的特征向量输入到核函数计算电路中计算核函数，然后将得到的结果输入到分类函数计算电路，得到分类结果；包括下标c计算电路，更新αc电路，核函数计算电路，更新gi电路和分类函数计算电路；下标c计算电路的输出端接更新αc电路的输入端，更新αc电路的输出端分别接更新gi电路和分类函数计算电路的输入端，更新gi电路的输出端接回下标c计算电路的输入端；特征提取电路模块输出的八维特征向量接入核函数计算电路，核函数计算电路的输出通过一个多路分配器分别接更新αc电路和分类函数计算电路的输入端，分类函数计算电路输出分类结果。8.根据权利要求7所述的基于稀疏极限学习机算法的癫痫检测集成电路，其特征在于，核函数计算电路包括第二减法器、第三减法器、第八乘法器、第六加法器、第三DEM...

【专利技术属性】
技术研发人员：李尊朝，白海龙，冯立琛，刘宙思，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西,61