脑电信号分类方法及系统技术方案

本发明专利技术涉及一种脑电信号分类方法及系统，该方法包括步骤：对获得的脑电信号进行预处理；从预处理后的脑电信号中提取出非线性模糊熵作为脑电信号的特征；对提取出的非线性模糊熵进行降维处理；向预先训练的分类模型中输入降维处理后的非线性模糊熵，输出得到分类结果。通过本发明专利技术方法或系统对脑电信号进行分类，不仅可以提高分类效率，还可以提高分类结果的准确性。

EEG signal classification method and system

【技术实现步骤摘要】
脑电信号分类方法及系统
本专利技术涉及生理信息检测
，特别涉及一种脑电信号分类方法及系统。
技术介绍
脑电信号可用于反应某些生理与心理状态，因此对脑电信号进行分析是及早发现脑部疾病的一种重要手段。但由于其作为一种神经电生理信号具有复杂性，且脑电信号是一种随机非平稳信号，因此采用常规的信号分析方法不易获取与生理、心理状态相关的特征。如在心理问题过程中对掩饰行为的检测问题，由于在整个测试过程中，受试者的掩饰行为与正常的认知活动是同时发生的，是一个复杂的过程，因此使用常规的时域、频域，时频域方法无法对不同状态下的脑电信号进行分类。例如，时域法分析处理脑电信号的方法就是直接将经过预处理后的信号的最大值、最小值、平均值标准差作为特征提取，这样的分析过于粗糙。频域法是将随时间变化的脑电波转换为脑电功率随频率变化的谱图，传统的频域法是通过加窗函数的形式来计算功率谱，虽然具有一定的计算优势，但其方差性能较差，分辨率也比较低。时频域中的小波变换可以将信号进行局部分解，有很好的局部性，但小波变换的分辨率随频率高而降低，也有一定的缺陷。
技术实现思路
本专利技术的目的在于改善现有技术中所存在的上述不足，提供一种脑电信号分类方法及系统，以进一步提高分类结果的准确性及处理效率。为了实现上述专利技术目的，本专利技术实施例提供了以下技术方案：一种脑电信号分类方法，包括以下步骤：对获得的脑电信号进行预处理；从预处理后的脑电信号中提取出非线性模糊熵作为脑电信号的特征；对提取出的非线性模糊熵进行降维处理；向预先训练的分类模型中输入降维处理后的非线性模糊熵，输出得到分类结果。上述方法中，先通过预处理操作将脑电信号中的干扰去除以及分段处理，可以提高后续特征提取的准确性；以非线性模糊熵作为脑电信号的特征，相比于小波包熵、排列熵等更具代表性，即更能体现脑电信号的真实状态；然后再对模糊熵进行降维处理，使得最终分类得到的结构的准确性更高，具有更好的识别效果。在进一步优化的方案中，采用拉普拉斯特征映射降维方法对提取的非线性模糊熵进行降维处理。另一方面，本专利技术实施例同时提供了一种脑电信号分类系统，包括：预处理模块，用于对获得的脑电信号进行预处理；特征提取模块，用于从预处理后的脑电信号中提取出非线性模糊熵作为脑电信号的特征；降维模块，用于对提取出的非线性模糊熵进行降维处理；分类模块，用于向预先训练的分类模型中输入降维处理后的非线性模糊熵，输出得到分类结果。再一方面，本专利技术实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本专利技术实施例中任一实施方式所述方法的步骤。再一方面，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本专利技术实施例中任一实施方式所述方法的步骤。与现有技术相比，采用本专利技术上述方法或系统对脑电信号进行分类，既可以提高分类效率，也可以提高分类结果的准确性，解决常规的时域、频域、，时频域方法所存在的技术缺陷。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，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，还可以根据这些附图获得其他相关的附图。图1为本实施例中提供的脑电信号分类方法的流程图。图2为不同特征和降维方式组合下的平均精度对比图。图3为实施例中提供的脑电信号分类系统的组成框图。图4为实施例中所述电子设备的示意框图。具体实施方式下面将结合本专利技术实施例中附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本专利技术的实施例的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施例。基于本专利技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。请参阅图1，本实施例中提供的脑电信号分类方法包括以下步骤：S10，采集得到脑电信号，并对得到的脑电信号进行预处理。基于不同的目的，对脑电信号可以有不同的预处理操作，本实施例中，为了提高运算速率，以及去除噪声、伪迹等对脑电信号的影响，将进行如下三个步骤的预处理：第一步：为了提高运算速度，将采集到的信号频率进行降采样，例如从1000HZ降到500HZ，并去除掉脑电信号采集设备产生的基线漂移，使用陷波滤波器去除交流电产生的50HZ工频干扰。第二步：使用独立成分分析法(ICA)去除脑电信号中的眼电伪迹。第三步：根据分类需求(如按照不同的刺激源等)对脑电信号(EEG信号)进行分段，为后面的特征提取做准备。S20，提取脑电信号中的非线性模糊熵作为脑电信号的特征。大脑活动是一个复杂的过程，而脑电信号可以在一定程度上反应大脑的活动过程。由于脑电信号具有非平稳随机的特性，因此本方法中，采用非线性模糊熵(FE)作为脑电信号的特征。非线性模糊熵的提取过程如下：第1步：使用相空间重构法对预处理后的信号序列进行重构，得到m个n维矢量。如公式(1)所示：Xi＝[X(i)，X(i+1)，...X(i+m-1)](1)，i＝0,1,2……，向量集就用Xi表示，X(i)表示第i个向量。第2步：计算任意两个向量X(i)和X(j)之间的距离,向量X(i)和X(j)之间的距离为两者对应元素中差的绝对值的最大值，计算公式如公式(2)所示：dmij＝d[X(i),X(j)]＝Max{|u(i+k)-u(j+k)|}(2)u(i+k)表示向量X(i)中第k个元素，u(j+k)表示向量X(j)中第k个元素，k＝0,1,2……第3步：通过模糊函数定义向量X(i)和X(j)之间的相似度即公式(3)。公式(3)中的n和r分别为边界梯度和宽度。第4步：定义函数公式(4)N为原始序列的序列个数。第5步：将维数加1,维数变为m+1,重复2到4步骤,得到第6步：定义模糊熵FE＝lnφm(n,r)-lnφm+1(n,r)(5)S30，利用拉普拉斯特征映射降维方法对提取的非线性模糊熵进行降维处理。拉普拉斯特征映射降维的思想是从局部的角度去构建数据之间的关系，即，如果数据实例i和j很相似，那么数据i和j在降维之后在目标空间中应该尽量接近。拉普拉斯特征映射降维可以反映出数据结构内部的流形结构。在高维空间中有关系的点在降维之后的低维空间中仍然保持相应的关系。拉普拉斯特征映射降维方法的具体步骤如下：第1步：构建近邻图。例如使用K近邻算法(KNN)将k个点构建成一个本文档来自技高网...

【技术保护点】
1.一种脑电信号分类方法，其特征在于，包括以下步骤：/n对获得的脑电信号进行预处理；/n从预处理后的脑电信号中提取出非线性模糊熵作为脑电信号的特征；/n对提取出的非线性模糊熵进行降维处理；/n向预先训练的分类模型中输入降维处理后的非线性模糊熵，输出得到分类结果。/n

【技术特征摘要】
1.一种脑电信号分类方法，其特征在于，包括以下步骤：
对获得的脑电信号进行预处理；
从预处理后的脑电信号中提取出非线性模糊熵作为脑电信号的特征；
对提取出的非线性模糊熵进行降维处理；
向预先训练的分类模型中输入降维处理后的非线性模糊熵，输出得到分类结果。


2.根据权利要求1所述的方法，其特征在于，采用拉普拉斯特征映射降维方法对提取的非线性模糊熵进行降维处理。


3.根据权利要求1所述的方法，其特征在于，所述预处理过程包括：将采集到的信号频率进行降采样，并去除基线漂移、坏点以及眼电伪迹，然后进行分段处理。


4.一种脑电信号分类系统，其特征在于，包括：
预处理模块，用于对获得的脑电信号进行预处理；
特征提取模块，用于从预处理后的脑电信号中提取出非线性模糊熵作为脑电信号的特征；

【专利技术属性】
技术研发人员：郑秀娟，瞿智豪，赵童，杨晓梅，刘凯，
申请(专利权)人：四川大学，
类型：发明
国别省市：四川;51