The invention discloses a low power consumption epilepsy prediction circuit based on support vector machine, which belongs to the field of intelligent medical application. In the prediction circuit, the linear SVM group model is used to build a hyperplane in the EEG feature space and perform segmentation prediction, replacing the traditional Gaussian kernel function SVM. Finally, the weighted voting mechanism and threshold decision strategy are used to improve the accuracy of linear prediction and send out alarm signs. The epilepsy prediction circuit based on support vector machine provided by the invention is realized by hardware circuit Linear SVM can greatly reduce the power consumption on the basis of ensuring the accuracy of prediction. Compared with the traditional method of using Gaussian kernel function to implement SVM, it can better adapt to the requirements of intelligent medical applications.
【技术实现步骤摘要】
一种基于支持向量机的低功耗癫痫预测电路
本专利技术涉及一种基于支持向量机的低功耗癫痫预测电路,属于智能医疗应用领域。
技术介绍
针对癫痫发作预测,大量的实验表明,其发作会经历一个过程,它的发作存在很大的预测性。脑电信号作为生理信号的一种,研究者发现可以根据脑电信号的分析实现对癫痫发作的预测,研究者把脑电信号(Electroencephalogram,EEG)分为4个阶段,发作间期、发作前期、发作期和发作后期。癫痫预测的关键在于尽可能早的识别出发作前期的脑电信号。随着物联网技术和智能医疗技术的发展,目前对生理信号的通用处理方式是:1)利用传感器将人体生理信号转化为电信号;2)利用模数转换器将模拟电信号转化为数字信号;3)利用射频模块将数字信号无线发射至智能终端等监控设备;4)采用大数据信号处理算法对数字信号进行实时处理。这种处理方式优点在于,终端可存储着大量生理信号,后期可进行多种算法分析,但是功耗较大。另一方面,EEG特征和诊断结果之间的关系难以描述,因此早期传统的脑电处理器仅负责采集EEG并上传至云端。近年来,机器学习蓬勃发展,利用机器学习算法模型可以从海量数据中学习出输入到输出的对应关系,从而进行识别和诊断。在关于脑电处理的机器学习算法中,一般使用准确率较高的支持向量机(SupportVetorMachine,SVM)作为算法模型。SVM能够同时最小化经验误差与最大化几何边缘区,其模型依赖于无法观测的隐藏变量。使用SVM算法进行癫病发作预测,前人已做过相关研 ...
【技术保护点】
1.一种基于支持向量机的低功耗癫痫预测电路,其特征在于,所述电路包括:时钟生成模块、特征提取模块、支持向量机群模块以及决策模块,所述时钟生成模块分别与特征提取模块、支持向量机群模块及决策模块连接;特征提取模块、支持向量机群模块、决策模块依次连接;/n在所述特征提取模的输入端输入脑电信号,以便所述特征提取模对输入的脑电信号进行特征提取,并将提取到的特征传输至支持向量机群模块;所述支持向量机群模块包括K个线型支持向量机,所述K个线型支持向量机同时根据提取到的特征进行预测,将预测结果传输至决策模块;所述决策模块依次采用加权投票机制和阈值判定策略对K个线型支持向量机的预测结果进行决策得出最终预测结果。/n
【技术特征摘要】
1.一种基于支持向量机的低功耗癫痫预测电路,其特征在于,所述电路包括:时钟生成模块、特征提取模块、支持向量机群模块以及决策模块,所述时钟生成模块分别与特征提取模块、支持向量机群模块及决策模块连接;特征提取模块、支持向量机群模块、决策模块依次连接;
在所述特征提取模的输入端输入脑电信号,以便所述特征提取模对输入的脑电信号进行特征提取,并将提取到的特征传输至支持向量机群模块;所述支持向量机群模块包括K个线型支持向量机,所述K个线型支持向量机同时根据提取到的特征进行预测,将预测结果传输至决策模块;所述决策模块依次采用加权投票机制和阈值判定策略对K个线型支持向量机的预测结果进行决策得出最终预测结果。
2.根据权利要求1所述的电路,其特征在于,所述K个线型支持向量机的超平面具有互补性,每个线性支持向量机采用下述公式进行预测:
其中,αi、和b分别对应支持向量系数、支持向量和超平面平移系数;Nsv为支持向量机训练完成后支持向量的个数;yi表示每组支持向量的标签-1或1;表示脑电提取的小波系数能量子特征向量;表示支持向量机的核函数;
yu取值为-1或1,分别表示癫痫不发作和发作。
3.根据权利要求1所述的电路,其特征在于,所述支持向量机群模块中的每个线型支持向量机包括支持向量和测试向量存储器、乘加运算单元、加法器、寄存器和控制模块;
预测过程中,测试向量存储器中的特征向量通过乘加运算单元与支持向量完成内积运算,内积运算结果复用乘加运算单元与支持向量系数αi再次完成内积运算,其结果通过加法器加上超平面平移系数b,然后经过符号函数判断得出最终预测结果yu放在寄存器中,整个过程中,控制模块控制支持向量和测试向量存储器、乘加运算单元、加法器、寄存器的打开和闭合。
4.根据权利要求1所述的电路,其特征在于,所述时钟生成模块生成频率为fsamp及2分频时钟f2、4分频时钟f4、8分频时钟f8、16分频时钟f1...
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。