一种基于改进upsemoa算法的导联选择方法技术

本发明专利技术提供了一种基于改进upsemoa算法的导联选择方法，包括如下步骤：(1)获取种群：获取输入参数，输入参数包括种群最小规模miSize、父代基向量数burstSize、个体长L，在给定的搜索空间中，随机地生成miSzie个长度为L的个体，构成种群P；(2)初始判断：判断种群P是否第一代，如不是则将输出的子代种群C合并至种群P中，然后初始化非劣解集合T；(3)挑选集合：从种群P中挑选出非劣解集合Te；(4)拥挤度排序：对非劣解集合T作拥挤度比较排序；(5)挑选合并；(6)挑选父代基向量；(7)选择子代种群；(8)判断结束。本发明专利技术在确保分类准确率不弱于其他导联选择方法的前提下，时间远远低于其他基于多目标进化的导联选择方法。

【技术实现步骤摘要】
一种基于改进upsemoa算法的导联选择方法
本专利技术涉及一种基于改进upsemoa算法的导联选择方法。
技术介绍
大脑的结构复杂而又精细，是生命科学研究的重要领域。它关系着人类的生命活动和精神活动。随着欧美科研强国分别启动自己的脑计划，我国也将一个名为“脑科学与脑启发智能”的脑计划制定在了2016-2030的十五年计划中。人们对脑的研究可以追溯到Cajal创建“神经元学说”，它距今已经有100多年的历史。尽管如此，我们对大脑的奥秘还是知之甚少。目前对脑实验的方法有具有高时间分辨率的脑电图(Electroencephalogram,EEG)技术和具有高空间分辨率的功能性磁共振成像(FunctionalMagneticResonanceImaging，fMRI)技术等。基于当前的技术，人们开拓了许多应用，譬如脑机接口(BrainComputerInterface，BCI)系统，医疗诊断辅助系统等。医疗诊断辅助系统是借助疾病的数据辅助医生对病患进行疾病的诊断。大脑信号作为一个客观的指标，它被广泛地应用在临床实践上。目前最常见的是借助大脑信号诊断癫痫、脑瘤等。随着社会公众对人类健康的需求越来越大，精准医学成为了医学发展的客观必然。精准医学要求精准诊断，精准干预和治疗。恰恰对大脑信号分析和处理的研究能够为精准医学提供助力，因此大脑信号的分析和处理在医疗诊断辅助系统中处在重中之重的地位。BCI系统也是关于大脑信号分析和处理的重要应用。它通过采集到的脑电信号完成用户之所想。比如，用户能够仅通过大脑的思考就能实现机械臂的三维抓握动作、飞行器的飞行控制等。这类帮助用户通过思维与外界环境取得交流与互动的技术为病患人群(残疾、脊髓损伤、中风等)带来福音，具有重要的现实意义。脑机接口系统主要分为采集，特征提取，决策三个单元。其中的采集单元负责从头皮、大脑表面或者大脑内部采集信号；特征提取单元是从输入的信号提取出明显的特征，为后续的分类提供帮助；决策单元是利用提取的特征训练和学习模型，从而翻译出用户的指令，并将指令传递给外设。EEG信号具有个体差异性，因此由经验给出的导联策略总是无法满足单个被试的要求，特别是在追求系统性能的BCI系统中。采用基于特征选择的导联选择方法能够借助计算机强大的计算能力帮助用户发现有效的导联。但是目前导联选择方法具有较强的依赖性。针对不同的应用(如BCI系统、情绪识别等)，所采用的导联选择方法也各不相同。尤其是基于嵌入式的导联选择方法依赖于构建的分类器。除此之外，基于包裹式的导联选择方法只追求单一的目标，即使通过权重系数将单目标转化为多目标，它也很难对两个目标作出一个两全其美的考虑。虽然Kee采用基于NSGA-II算法的导联选择方法作出了对导联数和分类准确率的权衡，但是该导联选择方法需要很高的时间花销。
技术实现思路
为解决上述技术问题，本专利技术提供了一种基于改进upsemoa算法的导联选择方法，该基于改进upsemoa算法的导联选择方法能在保证准确率的前提下，有效减少时间上的开销。本专利技术通过以下技术方案得以实现。本专利技术提供的一种基于改进upsemoa算法的导联选择方法，包括如下步骤：(1)获取种群：获取输入参数，输入参数包括种群最小规模miSize、父代基向量数burstSize、个体长L，在给定的搜索空间中，随机地生成miSzie个长度为L的个体，构成种群P；(2)初始判断：判断种群P是否第一代，如不是则将输出的子代种群C合并至种群P中，然后初始化非劣解集合T；(3)挑选集合：从种群P中挑选出非劣解集合Te；(4)拥挤度排序：对非劣解集合T作拥挤度比较排序；(5)挑选合并：判断非劣解集合T数量是否达到种群最小规模miSize，如达到则进入下一步，如未达到则从挑选出非劣解集合Te中挑选个体至非劣解集合T中，并同时将非劣解集合Te从种群P中排除，然后返回至步骤(3)；(6)挑选父代基向量：从非劣解集合T中选择burstSize个个体作为父代基向量Pa；(7)选择子代种群：采用差分变化遍历计算非劣解集合T和父代基向量Pa中的个体，得到子代种群C；(8)判断结束：判断是否种群C不再变化或迭代达到最大次数，如是则输出子代种群C，如否则返回至步骤(2)。所述步骤(4)中采用NSGA-II算法进行拥挤度计算。所述步骤(7)中采用差分变化计算，是利用差分进化算法中的变异和交差的操作进行计算。所述变异操作是指采用如下公式进行计算：xit+1＝xat+F(xbt-xct)其中，种群中的第i个体表示为xit＝{xi,1t,xi,2t,…xi,mt}，xit为t代种群中的个体，xit+1为生成的变异个体，F是缩放因子，式中满足条件a,b,c∈{1,2,…n}，且三者互不相等，与i也不同。所述交差的操作是指采用如下公式进行计算：其中，rand(j)是一个在[0，1]的均匀分布的随机数，Pc是交叉概率，xit为t代种群中的个体，xit+1为在变异操作中生成的变异个体，。所述Pc预先设定，且在[0，1]内。所述步骤(2)中，初始化非劣解集合T前，先用双目标函数评估种群P所有个体的适应度，双目标函数f1和f2均由步骤(1)中的输入参数得到，输入参数包括种群最小规模miSize、父代基向量数burstSize、个体长L、目标函数f1、目标函数f2。所述步骤(3)具体采用如下步骤：(3.1)采用快速排序算法对种群P进行预排序，得到有序序列L；(3.2)初始化非劣解集合R；(3.3)将有序序列L中首元素合并至非劣解集合R中；(3.4)遍历有序序列L，判断有序序列L中的元素it是否小于等于目标计算值，如小于则将该元素it合并至非劣解集合R中，目标计算值为采用目标函数对非劣解集合R进行计算得到的计算结果中的最小值，目标函数由步骤(1)中的输入参数得到；(3.5)输出非劣解集合R。本专利技术的有益效果在于：在确保分类准确率不弱于其他导联选择方法的前提下，时间远远低于其他基于多目标进化的导联选择方法。附图说明图1是本专利技术一种实施方式中的操作流程示意图。具体实施方式下面进一步描述本专利技术的技术方案，但要求保护的范围并不局限于所述。本专利技术从种群的多样性考虑，引入NSGA-II的拥挤度，结合差分算法的差分变化，提出了适合脑电信号导联选择的算法，即一种基于改进upsemoa算法的导联选择方法。现有一个种群Xt＝{x1t,x2t,…xnt}。n为种群的规模，t为种群的代数。种群中的第i个体表示为xit＝{xi,1t,xi,2t,…xi,mt}，m表示的是个体的长度，即决策变量的个数。现对t代种群中的个体xit进行变异操作，生成变异个体xit+1。xit+1＝xat+F(xbt-xct)(1)式中，a,b,c∈{1,2,…n}，且三者互不相等，与i也不同。xat称作父代基向量，xbt与xct称作父代差分向量。F是缩放因子。现根据式(2)对由式(1)生成的变异个体xit+1进行一次交叉操作。式中，rand(j)表示的是一个在[0，1]的均匀分布的随机数。Pc是交叉概率，它是一个预先设定的阈值，值在[0，1]内。本专利技术的具体方法伪代码如表1所示：表1基于改进upsemoa算法的导联选择方法表1中，筛选非劣解的方法与Jensen给出的一个定义和性质有关。定义本文档来自技高网...

【技术保护点】
1.一种基于改进upsemoa算法的导联选择方法，其特征在于：包括如下步骤：(1)获取种群：获取输入参数，输入参数包括种群最小规模miSize、父代基向量数burstSize、个体长L，在给定的搜索空间中，随机地生成miSzie个长度为L的个体，构成种群P；(2)初始判断：判断种群P是否第一代，如不是则将输出的子代种群C合并至种群P中，然后初始化非劣解集合T；(3)挑选集合：从种群P中挑选出非劣解集合Te；(4)拥挤度排序：对非劣解集合T作拥挤度比较排序；(5)挑选合并：判断非劣解集合T数量是否达到种群最小规模miSize，如达到则进入下一步，如未达到则从挑选出非劣解集合Te中挑选个体至非劣解集合T中，并同时将非劣解集合Te从种群P中排除，然后返回至步骤(3)；(6)挑选父代基向量：从非劣解集合T中选择burstSize个个体作为父代基向量Pa；(7)选择子代种群：采用差分变化遍历计算非劣解集合T和父代基向量Pa中的个体，得到子代种群C；(8)判断结束：判断是否种群C不再变化或迭代达到最大次数，如是则输出子代种群C，如否则返回至步骤(2)。

【技术特征摘要】
1.一种基于改进upsemoa算法的导联选择方法，其特征在于：包括如下步骤：(1)获取种群：获取输入参数，输入参数包括种群最小规模miSize、父代基向量数burstSize、个体长L，在给定的搜索空间中，随机地生成miSzie个长度为L的个体，构成种群P；(2)初始判断：判断种群P是否第一代，如不是则将输出的子代种群C合并至种群P中，然后初始化非劣解集合T；(3)挑选集合：从种群P中挑选出非劣解集合Te；(4)拥挤度排序：对非劣解集合T作拥挤度比较排序；(5)挑选合并：判断非劣解集合T数量是否达到种群最小规模miSize，如达到则进入下一步，如未达到则从挑选出非劣解集合Te中挑选个体至非劣解集合T中，并同时将非劣解集合Te从种群P中排除，然后返回至步骤(3)；(6)挑选父代基向量：从非劣解集合T中选择burstSize个个体作为父代基向量Pa；(7)选择子代种群：采用差分变化遍历计算非劣解集合T和父代基向量Pa中的个体，得到子代种群C；(8)判断结束：判断是否种群C不再变化或迭代达到最大次数，如是则输出子代种群C，如否则返回至步骤(2)。2.如权利要求1所述的基于改进upsemoa算法的导联选择方法，其特征在于：所述步骤(4)中采用NSGA-II算法进行拥挤度计算。3.如权利要求1所述的基于改进upsemoa算法的导联选择方法，其特征在于：所述步骤(7)中采用差分变化计算，是利用差分进化算法中的变异和交差的操作进行计算。4.如权利要求3所述的基于改进upsemoa算法的导联选择方法，其特征在于：所述变异操作是指采用如下公式进行计算：xit+1＝xat+F(xbt-xct)其中，...

【专利技术属性】
技术研发人员：杨洁，张诚麟，白益洋，
申请(专利权)人：遵义师范学院，
类型：发明
国别省市：贵州,52