一种基于支持向量机的低功耗癫痫预测电路制造技术

本发明专利技术公开了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。所述电路在该预测电路中采用线型SVM群模型对脑电特征空间建立超平面并进行分割预测，取代了传统采用高斯核函数SVM，最后通过加权投票机制和阈值判定策略提高线型预测的准确率，发出警报标志，本发明专利技术提供的基于支持向量机的癫痫预测电路通过硬件电路实现线性SVM，在保证预测准确率的基础上大大降低了功耗，相对于传统采用高斯核函数实现SVM的方法大大降低了功耗，能够更好的适应智能医疗应用的要求。

A low power epileptic prediction circuit based on support vector machine

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，前人已做过相关研究。2009年，Netoff等人将6导联颅内EEG的9个不同频段的功率谱作为特征，使用高斯核CSVM(cost-sensitiveSVM)识别癫病发作前期和间期的状态，达到了77.8％的敏感度。2014年，Teixeira等人使用多种特征提取如Hjorth统计指数、功率谱、边沿指数等方法提取6导联的头皮EEG特征，将多种特征相结合，用人工神经网络和高斯核SVM进行分类，分类的平均敏感度为73.55％，误警率为0.28/h。2016年，Parvez等人利用6导联EEG的相关相位作为特征向量，使用SVM进行分类，该方法达到了91.95％预测准确度和较低的误警率。2016年，明尼苏达大学张自胜提出一种患者定制的癫痫预测算法模型。模型提取16导联的功率谱特征和交叉相关系数特征，结果显示AdaBoost和SVM的曲线下面积(AreaUnderCurve，AUC)分别为0.7603和0.8472。但是上述基于支持向量机的癫痫预测因为采用高斯核函数，所以存在着运算量复杂，功耗大的问题。
技术实现思路
为了解决目前存在对于癫痫预测存在的运算量复杂、功耗大的问题，本专利技术提供了一种基于支持向量机的低功耗癫痫预测电路。一种基于支持向量机的低功耗癫痫预测电路，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；在所述特征提取模块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。可选的，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0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；sig代表的是符号函数。可选的，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线性内积运算，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。可选的，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f16和32分频时钟f32、预测时钟fp、决策时钟fd；所述时钟生成模块将频率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f16和32分频时钟f32输入特征提取模块中，将预测时钟fp的时钟接入支持向量机群模块中，将决策时钟fd接入决策模块中。可选的，所述特征提取模块用于提取脑电信号的频域特征；频域特征为小波分解系数能量子R2、R3、R4；所述特征提取模块提取到的频域特征为由小波分解系数能量子组成的3维特征向量Z＝(R2、R3、R4)，所述特征提取模块提取到上述3维特征向量Z后将其传输到支持向量机群模块。可选的，所述支持向量机群模块在接收到所述特征提取模块传输过来的3维特征向量Z后，利用已训练好的预测模型进行预测计算，预测计算过程中采用并行计算方式，在预测时钟fp的时钟下，利用K个线型支持向量机同时预测。可选的，所述决策模块包括一个存储单元，用于存储K个线型支持向量机的权重βk；在决策时钟fd下，来自支持向量机群模块各个线型支持向量机的预测结果与其对应的权重βk进行乘加运算，从而得出支持向量机群模块的预测结果。可选的，所述决策模块得出支持向量机群模块的预测结果后，采取阈值判定策略，当连续给出M个预发作状态，则认定脑电信号的癫痫即将发作并发出警报；否则，忽略本次预测结果。可选的，所述已训练好的预测模型由计算机软件Matlab训练得出，支持向量机群模块实现初步决策；训练过程中导出训练模型，包括支持向量系数、支持向量和超平面平移系数，通过训练模型系数构建预测超平面，实现初步决策功能。可选的，所述输入的脑电信号为N×1维癫痫患者脑电数据。本专利技术有益效果是：通过提供一种基于支持向量机的低功耗癫痫预测电路，并在该预测电路中采用线型SVM群模型对脑电特征空间建立超平面并进行分割预测，取代了传统采用高斯核函数SVM，最后通过加权投票机制和阈值判定策略提高线型预测的准确率，发出警报标志，本专利技术提供的基于支持向量机的癫痫预测电路互补线性核SVM的线性组合，在保证预测准确率的基础上大大降低了功耗。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可本文档来自技高网...

【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...

【专利技术属性】
技术研发人员：顾晓峰，田青，虞致国，
申请(专利权)人：江南大学，
类型：发明
国别省市：江苏;32