基于代理模型Volterra建模的脑电信号编码解码方法技术

一种基于代理模型Volterra建模的脑电信号编码解码方法，由对输入的混沌脑电信号进行预处理、用Volterra建模方法构建预测模型、确定混沌脑电信号预测模型并预测脑电信号、编码解码步骤组成。本发明专利技术采用教与学优化方法，建立了混沌脑电信号的Volterra预测模型，得到脑电信号的预测数据，完成混沌脑电信号的编码解码。本发明专利技术具有对脑电信号的混沌特点，快速准确地实现对混沌脑电信号进行编码和解码，可用于对混沌脑电信号进行编码和解码。

Encoding and Decoding Method of EEG Signal Based on Volterra Modeling of Agent Model

An encoding and decoding method of EEG based on Volterra proxy model is proposed. It consists of pre-processing chaotic EEG signals, constructing prediction model with Volterra model, determining prediction model of chaotic EEG signals, predicting EEG signals and coding and decoding steps. The Volterra prediction model of chaotic electroencephalogram (EEG) signals is established by using teaching and learning optimization method, and the prediction data of EEG signals are obtained, and the encoding and decoding of chaotic EEG signals are completed. The invention has the chaotic characteristic of EEG signal, realizes fast and accurate encoding and decoding of chaotic EEG signal, and can be used for encoding and decoding of chaotic EEG signal.

【技术实现步骤摘要】
基于代理模型Volterra建模的脑电信号编码解码方法
本专利技术属于计算及应用
，具体涉及混沌时间序列预测模型。
技术介绍
近年来随着脑电信号处理技术的快速发展，脑电信号采集系统已经广泛应用于虚拟现实技术BCI系统、生物反馈治疗仪等领域的研究。脑电采集系统通常需要记录大量脑电信号数据，对脑电信号的编码和解码方法的研究已经变得越来越重要。研究表明，脑电信号时间序列表现为非线性且存在混沌。利用混沌特性构建脑电信号的预测模型被认为是一种可行的方法。
技术实现思路
本专利技术所要解决的技术问题在于克服上述现有技术的缺点，提供一种步骤简单、容易实现、速度快的基于代理模型Volterra建模的脑电信号编码解码方法。解决上述技术问题所采用的技术方案是由以下步骤组成：(1)对输入的混沌脑电信号进行预处理对输入的混沌脑电信号样本采用0.53-40Hz带通滤波器进行去噪处理，得到去噪后的帧，选择连续的帧作为分析帧。(2)用Volterra建模方法构建预测模型将步骤(1)的分析帧，按式(2)建立混沌脑电信号预测模型：式中u(n-iτ)为输入的分析帧信号，m是混沌时间序列预测模型的记忆长度为有限的正整数，h1(i)和h2(i，j)为模型的核，u(n-iτ)为对应分析帧的第n-iτ个样本，n-iτ为步骤(1)中分析帧的样本序号，u(n-jτ)为对应的分析帧的第n-jτ个样本，n-jτ为步骤(1)中分析帧的样本序号，τ是延迟时间为有限的正整数，j、n为有限的正整数。(3)确定混沌脑电信号预测模型并预测脑电信号将步骤(1)中分析帧的混沌脑电信号用教与学优化方法确定混沌脑电信号所对应的延迟时间τ、记忆长度m、模型的核h1(i)、模型的核h2(i，j)，采用代理模型的径向基神经网络作为近似适应度函数，近似适应度函数为：式中k(||x-ci||)为所使用的核函数，ai为所要评估的值，ci为径向基神经网络的中心点，选择延迟时间τ、记忆长度m、模型的核h1(i)以及h2(i，j)采用预测值与实际值之间的均方误差作为原始适应度函数，采用贪婪选择方法，得到最佳延迟时间τ、记忆长度m、模型的核h1(i)以及h2(i，h)，代入上述式(1)，完成混沌脑电信号的预测。(4)编码解码将步骤(3)中的预测值与实际值对比，得到误差值，完成混沌脑电信号的编码，根据编码后的数据，按照常规方法进行解码。在本专利技术的步骤(3)中，教与学优化方法为：教阶段：按(3)式进行教学Xnew，i＝Xold，i+Difference-mean(3)Difference_mean＝ri(Xteacher-TFMean)(4)式中Xnew，i是学生学习后的值，Xold，i是学生学习前的值；Mean是所有学生的平均值，Xteacher是教师教学的值；ri是学习步长，取值范围为[0，1]，i代表班级中第i个学生，i为1，2，...，n，TF是教学因子，由(5)式确定：TF＝round[1+rand(0，1)](5)教学结束，学生学习值进行更新，采用Rastrigin函数对学习值评估，如果学习后的值大于学习前的值，将Xnew，i赋值于Xold，i。学阶段：学阶段按(7)式进行学习式中f(X)为Rastrigin函数执行教与学阶段的迭代，迭代次数为1500时，终止迭代，输出最优值Xnew，i。在本专利技术的步骤(3)中，延迟时间τ为4～12、记忆长度m为8～16、模型的核h1(i)计算值为-1～1，模型的核h2(i，j)计算为-1～1；Xteacher是教师教学的值为0.5～1。由于本专利技术采用了教与学优化方法，对输入的混沌脑电信号进行预处理，建立了混沌脑电信号预测模型，确定混沌脑电信号预测模型中的参数，完成混沌脑电信号的预测。采用教与学优化方法，建立了混沌脑电信号的Volterra预测模型，得到脑电信号的预测数据，完成混沌脑电信号的编码解码。本专利技术具有对脑电信号的混沌特点，快速准确地实现对混沌脑电信号进行编码和解码，可用于对混沌脑电信号进行编码和解码。附图说明图1是本专利技术的工艺流程图。图2是实施例1输入的1通道混沌脑电信号的波形图。图3是实施例1混沌脑电信号预测的波形图。图4是实施例1确定混沌脑电信号预测模型并编码的实验结果图。具体实施方式下面结合附图和实施例对本专利技术进一步详细说明，但本专利技术不限于下述的实施方式。实施例1以在PHYSIOBANKATM脑电数据库中选取1200帧的混沌脑电信号(如图2所示)为例，在图1中，本实施例的基于代理模型Volterra建模的脑电信号编码解码方法步骤如下：(1)对输入的混沌脑电信号进行预处理对输入的1200帧混沌脑电信号样本采用20Hz带通滤波器进行去噪处理，得到去噪后的帧，选择连续的帧作为分析帧。(2)用Volterra建模方法构建预测模型将步骤(1)的分析帧，按式(2)建立混沌脑电信号预测模型：式中u(n-ir)为输入的分析帧信号，m是混沌时间序列预测模型的记忆长度为有限的正整数，h1(i)和h2(i，j)为模型的核，u(n-iτ)为对应分析帧的第n-iτ个样本，n-iτ为步骤(1)中分析帧的样本序号，u(n-jτ)为对应的分析帧的第n-jτ个样本，n-jτ为步骤(1)中分析帧的样本序号，τ是延迟时间为有限的正整数，j、n为有限的正整数。(3)确定混沌脑电信号预测模型并预测脑电信号将步骤(1)中分析帧的混沌脑电信号用教与学优化方法确定混沌脑电信号所对应的延迟时间τ、记忆长度m、模型的核h1(i)、模型的核h2(i，j)。上述的教与学优化方法为：教阶段：按(3)式进行教学Xnew，i＝Xold，i+Difference_mean(3)Difference_mean＝ri(Xteacher-TFMean)(4)式中Xnew，i是学生学习后的值，Xold，i是学生学习前的值；Mean是所有学生的平均值，为0.568，Xteacher是教师教学的值，取值为0.9；ri是学习步长，取值为[0，1]，i代表班级中第i个学生，i为1～8的整数，TF是教学因子，由(5)式确定：TF＝round[1+rand(0，1)](5)教学结束，学生学习值进行更新，采用Rastrigin函数对学习值评估，如果学习后的值大于学习前的值，将Xnew，i赋值于Xold，i。学阶段：学阶段按(7)式进行学习式中f(X)为Rastrigin函数，执行教与学阶段的迭代，迭代次数为1500时，终止迭代，输出最优值Xnew，i。采用代理模型的径向基神经网络作为近似适应度函数，近似适应度函数为：式中k(||x-ci||)为所使用的核函数，ai为所要评估的值，ci为径向基神经网络的中心点，选择延迟时间τ、记忆长度m、模型的核h1(i)以及h2(i，j)，采用预测值与实际值之间的均方误差作为原始适应度函数，采用贪婪选择方法，得到最佳延迟时间τ为8、记忆长度m为12、模型的核h1(i)以及h2(i，j)，模型的核h1(i)以及h2(i，j)的值如表1、表2所示，代入上述式(1)，完成混沌脑电信号的预测，如图3所示。表1最佳模型的核h1(i)h1(1)h1(1)h1(1)h1(1)h1(1)h1(1)h1(1)h1(1)1-0.0013-0.02679-0.06684-0.21330.067510本文档来自技高网...

【技术保护点】
1.一种基于代理模型Volterra建模的脑电信号编码解码方法，其特征在于由以下步骤组成：(1)对输入的混沌脑电信号进行预处理对输入的混沌脑电信号样本采用0.53‑40Hz带通滤波器进行去噪处理，得到去噪后的帧，选择连续的帧作为分析帧；(2)用Volterra建模方法构建预测模型将步骤(1)的分析帧，按式(2)建立混沌脑电信号预测模型：

【技术特征摘要】
1.一种基于代理模型Volterra建模的脑电信号编码解码方法，其特征在于由以下步骤组成：(1)对输入的混沌脑电信号进行预处理对输入的混沌脑电信号样本采用0.53-40Hz带通滤波器进行去噪处理，得到去噪后的帧，选择连续的帧作为分析帧；(2)用Volterra建模方法构建预测模型将步骤(1)的分析帧，按式(2)建立混沌脑电信号预测模型：式中u(n-iτ)为输入的分析帧信号，m是混沌时间序列预测模型的记忆长度为有限的正整数，h1(i)和h2(i，j)为模型的核，u(n-iτ)为对应分析帧的第n-iτ个样本，n-iτ为步骤(1)中分析帧的样本序号，u(n-jτ)为对应的分析帧的第n-jτ个样本，n-jτ为步骤(1)中分析帧的样本序号，τ是延迟时间为有限的正整数，j、n为有限的正整数；(3)确定混沌脑电信号预测模型并预测脑电信号将步骤(1)中分析帧的混沌脑电信号用教与学优化方法确定混沌脑电信号所对应的延迟时间τ、记忆长度m、模型的核h1(i)、模型的核h2(i，j)，采用代理模型的径向基神经网络作为近似适应度函数，近似适应度函数为：式中k(||x-ci||)为所使用的核函数，ai为所要评估的值，ci为径向基神经网络的中心点，选择延迟时间τ、记忆长度m、模型的核h1(i)以及h2(i，h)采用预测值与实际值之间的均方误差作为原始适应度函数，采用贪婪选择方法，得到最佳延迟时间τ、记忆长度m、模型的核h1(i)以及h2(i，j)，代入上述式(1)，完成混沌脑电信...

【专利技术属性】
技术研发人员：张玉梅，戎宇莹，吴晓军，李丛，
申请(专利权)人：陕西师范大学，
类型：发明
国别省市：陕西,61