一种基于支持向量机的癫痫检测集成电路及其训练方法技术

本发明专利技术公开一种基于支持向量机的癫痫检测集成电路及其训练方法，在特征提取部分使用分布式查找表滤波器，降低了电路复杂度；增加频域方差特征，能够更好地反应脑电信号特征，提高了检测精度；使用改进版本的序贯最小化算法进行支持向量机训练电路的设计，避免原始版本的序贯最小化算法寻找不满足最优条件的拉格朗日乘子时产生的误判，可以使用更少的迭代次数达到相似性能，进一步提高了能效。同时通过将核函数计算模块进行流水线设计，提高了片上支持向量机的训练速度。本发明专利技术可以提高癫痫检测系统的便携性，提供更高能效的片上训练功能。

An Integrated Circuit for Epilepsy Detection Based on Support Vector Machine and Its Training Method

【技术实现步骤摘要】
一种基于支持向量机的癫痫检测集成电路及其训练方法
本专利技术属于集成电路
，具体涉及一种基于支持向量机的癫痫检测集成电路及其训练方法。
技术介绍
大脑神经元异常放电会引发癫痫，对人的生活健康影响严重。头皮无创式脑电图，在癫痫发作诊断中扮演着重要的角色。然而，目前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，无法保证其准确性。随着医疗电子技术的不断发展，人工智能算法开始被应用在癫痫的自动诊断过程中，然而大部分的算法需要在计算机上实现，仍然不够方便。因此，将人工智能学习算法集成在电路上，使整个自动诊断系统可便携，并且可针对脑电信号状态的改变重新学习，对提高病人的日常生活质量有很重要的意义。支持向量机学习方法适用性较广、精度较高，可以针对不平衡的数据集使用，因此在便携式癫痫自动诊断系统中被采用。支持向量机方法作为全监督的分类方法，可以分为训练与分类两个过程：在训练过程中，利用标记好的样本集，寻找处于样本集边界上的特征向量作为支持向量，在分类过程中使用支持向量对输入样本进行分类。训练支持向量机是解决标准的二次规划问题，然而在数据量较大时，计算复杂度高、需要较高的能耗和较大的存储空间，因此在芯片上实时低功耗地训练有一定的难度。较为常用的是序贯最小化算法训练支持向量机，改进版本的序贯最小化算法能进一步加速训练过程、降低功耗。使用支持向量机方法，需要先对脑电信号进行特征提取以得到特征向量。使用带通滤波器对脑电信号进行频域滤波，然后计算频域能量，是一种常用的特征提取方法。然而通带较窄的带通滤波器的电路复杂度高；另外，频域能量仅能反应信号的一个方面，需要更多的特征对脑电信号进行表征。经过对现有资料文献的检索发现，现有的基于支持向量机的便携式癫痫自动诊断集成电路系统，滤波器实现较为复杂，且频域特征普遍仅有能量值，不能反应信号的变化范围，另外普遍不具备支持向量机的训练功能。
技术实现思路
本专利技术针对上述现有技术的不足，提出了一种基于支持向量机的癫痫检测集成电路，降低了电路复杂度，提高了检测精度。本专利技术是通过以下技术方案来实现：一种基于支持向量机的癫痫检测集成电路，包括特征提取模块和支持向量机；特征提取模块用于获取训练样本，并将获取的训练样本输入至支持向量机；支持向量机包括控制调度模块、误差更新模块、样本选择模块、核函数计算模块和拉格朗日乘子优化模块；所述样本选择模块，用于选择不满足KKT条件的样本，将样本对应的拉格朗日乘子输送至拉格朗日乘子优化模块；所述拉格朗日乘子优化模块，用于对不满足KKT条件的样本的拉格朗日乘子进行优化，并将优化后的样本输入误差更新模块；所述误差更新模块，用于更新所有优化后样本的预测误差Fi，然后对优化后样本子集边界进行更新，直至所有样本满足KKT条件时结束；核函数计算模块，用于加速拉格朗日乘子优化模块和误差更新模块的核函数计算过程；控制调度模块，用于控制支持向量机的片上训练过程。优选的，所述特征提取模块包括滤波器模块和特征计算模块；滤波器模块，用于对输入的脑电信号进行滤波计算，并将得到的滤波后的脑电信号x[i]输入至特征计算模块，脑电信号x[i]如下；其中，EEGb[p]代表第p个EEG脑电信号的第b位，C[p]为滤波器参数；特征计算模块包括方差计算电路和均值计算电路，分别用于计算滤波后的脑电信号x[i]的均值mean与方差值variance，得到一个多维特征向量，并将得到的多维特征向量作为样本输入至支持向量机；脑电信号x[i]的均值如下；其中，l表示滤波后信号的长度；脑电信号x[i]的方差值如下；优选的，所述特征提取模块包括8个滤波器模块和8特征计算模块；输入的脑电信号分为8个频段，分别输入至8个滤波器模块中进行滤波，每个滤波器模块连接一个特征计算模块，8特征计算模块共得到16个特征，作为16维的特征向量输入至支持向量机。优选的，所述滤波器为分布式查找表滤波器。优选的，所述样本选择模块包括多路分配器DEMUX1、多路选择器MUX1、第一中断生成电路，以及寄存器BL、寄存器BU、寄存器IL和寄存器IU；第一中断生成电路包括比较器COM1和比较器COM2；多路分配器DEMUX1的输入端输入误差Fi2，其0端输出与比较器COM1的负端输入连接，1端输出与比较器COM2的正端输入连接；多路选择器MUX1的0端输入与寄存器IL连接，其1端输入与寄存器IU连接，多路选择器MUX1的输出选中的样本地址i1；比较器COM1正端输入与寄存器BL连接，比较器COM2负端输入与寄存器BU连接；比较器COM1和比较器COM2输出中断信号INT1给控制调度模块；寄存器BL和寄存器BU分别存储样本子集边界blow和bup，寄存器IL和寄存器IU分别存blow和bup对应的下标地址ilow和iup。优选的，所述拉格朗日乘子优化模块包括拉格朗日乘子存储器、αi2优化电路、αi1优化电路和第二中断生成电路；其中，αi1表示为样本i1的拉格朗日乘子，αi2表示为样本i2的拉格朗日乘子；拉格朗日乘子存储器存储样本对应的拉格朗日乘子αi；αi2优化电路输入端分别与核函数计算模块和拉格朗日乘子存储器连接，αi2优化电路输出优化后的αi2new写入拉格朗日存储器，以及输出αi2的改变量Δαi2到αi1优化电路和第二中断生成电路；αi1优化电路接收αi2优化电路输出的改变量Δαi2，并从拉格朗日乘子存储器读取αi1old，对拉格朗日乘子αi1进行优化，得到优化后的αi1写入拉格朗日存储器，最后输出αi1的改变量Δαi1；第二中断生成电路生成INT2信号输入控制调度模块，控制调度模块根据INT2信号判断状态转移。优选的，所述核函数计算模块包括乘法器MUL1—MULn、加法器ADD2—ADDn、样本存储器XMem[1]—XMem[n]、XiReg[1]—XiReg[n]和XjReg[1]—XjReg[n]；在为拉格朗日乘子优化模块计算核函数时，乘法器MULdm交替输入样本存储器XMem[dm]和样本寄存器XiReg[dm]，样本存储器XMem[dm]和样本寄存器XjReg[dm]；在为误差更新模块计算核函数时，乘法器MULdm输入XiReg[dm]和XjReg[dm]；ADD2—ADDn顺次相连，ADDn输出核函数Ki,j＝XiXj；其中，X表示为样本，i和j分别为样本的下标。优选的，所述误差更新模块包括乘法器MUL0、加法器ADD1、寄存器Temp、误差存储器以及第三中断生成电路；其中，乘法器MUL0依次接收核函数计算模块计算出的核函数Ki,i1和Ki,i2，核函数Ki,i1与拉格朗日乘子优化模块计算出的yi1Δαi1相乘，核函数Ki,i2与拉格朗日乘子优化模块计算出的yi2Δαi2相乘，输出连接ADD1；ADD1第一次输出中间结果存入寄存器Temp，第二次输出更新后的误差Finew，写入误差存储器，并输入第三中断生成电路，判断是否满足KKT条件，输出中断信号INT3。优选的，所述支持向量机采用基于改进版本的序贯最小化算法完成片上训练过程。本专利技术还提供了一种基于支持向量机的癫痫检测集成电路的片上训练方法，包括以下步骤；步骤1、将脑电信号分为若干个频段，然后将若干个频段的脑电信号对应输入至若干个滤本文档来自技高网...

【技术保护点】
1.一种基于支持向量机的癫痫检测集成电路，其特征在于，包括特征提取模块和支持向量机；特征提取模块用于获取训练样本，并将获取的训练样本输入至支持向量机；支持向量机包括控制调度模块、误差更新模块、样本选择模块、核函数计算模块和拉格朗日乘子优化模块；所述样本选择模块，用于选择不满足KKT条件的样本，将样本对应的拉格朗日乘子输送至拉格朗日乘子优化模块；所述拉格朗日乘子优化模块，用于对不满足KKT条件的样本的拉格朗日乘子进行优化，并将优化后的样本输入误差更新模块；所述误差更新模块，用于更新所有优化后样本的预测误差Fi，然后对优化后样本子集边界进行更新，直至所有样本满足KKT条件时结束；核函数计算模块，用于加速拉格朗日乘子优化模块和误差更新模块的核函数计算过程；控制调度模块，用于控制支持向量机的片上训练过程。

【技术特征摘要】
1.一种基于支持向量机的癫痫检测集成电路，其特征在于，包括特征提取模块和支持向量机；特征提取模块用于获取训练样本，并将获取的训练样本输入至支持向量机；支持向量机包括控制调度模块、误差更新模块、样本选择模块、核函数计算模块和拉格朗日乘子优化模块；所述样本选择模块，用于选择不满足KKT条件的样本，将样本对应的拉格朗日乘子输送至拉格朗日乘子优化模块；所述拉格朗日乘子优化模块，用于对不满足KKT条件的样本的拉格朗日乘子进行优化，并将优化后的样本输入误差更新模块；所述误差更新模块，用于更新所有优化后样本的预测误差Fi，然后对优化后样本子集边界进行更新，直至所有样本满足KKT条件时结束；核函数计算模块，用于加速拉格朗日乘子优化模块和误差更新模块的核函数计算过程；控制调度模块，用于控制支持向量机的片上训练过程。2.根据权利要求1所述基于支持向量机的癫痫检测集成电路，其特征在于，所述特征提取模块包括滤波器模块和特征计算模块；滤波器模块，用于对输入的脑电信号进行滤波计算，并将得到的滤波后的脑电信号x[i]输入至特征计算模块，脑电信号x[i]如下；其中，EEGb[p]代表第p个EEG脑电信号的第b位，C[p]为滤波器参数；特征计算模块包括方差计算电路和均值计算电路，分别用于计算滤波后的脑电信号x[i]的均值mean与方差值variance，得到一个多维特征向量，并将得到的多维特征向量作为样本输入至支持向量机；脑电信号x[i]的均值如下；其中，l表示滤波后信号的长度；脑电信号x[i]的方差值如下；。3.根据权利要求2所述基于支持向量机的癫痫检测集成电路，其特征在于，所述特征提取模块包括8个滤波器模块和8特征计算模块；输入的脑电信号分为8个频段，分别输入至8个滤波器模块中进行滤波，每个滤波器模块连接一个特征计算模块，8特征计算模块共得到16个特征，作为16维的特征向量输入至支持向量机。4.根据权利要求2所述基于支持向量机的癫痫检测集成电路，其特征在于，所述滤波器为分布式查找表滤波器。5.根据权利要求1所述基于支持向量机的癫痫检测集成电路，其特征在于，所述样本选择模块包括多路分配器DEMUX1、多路选择器MUX1、第一中断生成电路，以及寄存器BL、寄存器BU、寄存器IL和寄存器IU；第一中断生成电路包括比较器COM1和比较器COM2；多路分配器DEMUX1的输入端输入误差Fi2，其0端输出与比较器COM1的负端输入连接，1端输出与比较器COM2的正端输入连接；多路选择器MUX1的O端输入与寄存器IL连接，其1端输入与寄存器IU连接，多路选择器MUX1的输出选中的样本地址i，；比较器COM1正端输入与寄存器BL连接，比较器COM2负端输入与寄存器BU连接；比较器COM1和比较器COM2输出中断信号INT1给控制调度模块；寄存器BL和寄存器BU分别存储样本子集边界blow和bup，寄存器IL和寄存器IU分别存blow和bup对应的下标地址ilow和iup。6.根据权利要求1所述基于支持向量机的癫痫检测集成电路，其特征在于，所述拉格朗日乘子优化模块包括拉格朗日乘子存储器、αi2优化电路、αi1优化电路和第二中断生成电路；其中，αi1表示为样本i1的拉格朗日乘子，αi2表示为样本i2的拉格朗日乘子；拉格朗日乘子存储器存储样本对应的拉格朗日乘子αi；αi2优化电路输入端分别与核函数计算模块和拉格朗日乘子存储器连接，αi2优化电路输出优化后的αi2new写入拉格朗日存储器，以及输出αi2的改变量Δαi2到αi1优化电路和第二中断生成电路；αi1优化电路接收αi2优化电路输出的改变量Δαi2，并从拉格朗日乘子存储器读取αi1old，对拉格朗日乘子αi1进行优化，得到优化后的αi1写入拉格朗日存储器，最后输出αi1的改变量Δαi1；第二中断生成电路生成INT2...

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