一种基于脑电信号的冰毒成瘾者和正常人的分类方法技术

本发明专利技术公开了一种基于脑电信号的冰毒成瘾者和正常人的分类方法，该分类方法，首先采集冰毒成瘾者和正常人在反应任务时的脑电信号，对采集到的脑电信号进行预处理，得到反应任务下的脑电特征；接着对脑电特征，分别进行特征提取得到时空簇特征；然后，将每个时空簇中的电压/能量值在时间维度和空间维度做平均计算，从而得到每个时空簇的电压/能量平均值；再将每个簇的电压/能量平均值通过机器学习算法训练出分类器；最后利用训练好的分类器，输入脑电信号，实现对冰毒成瘾者和正常人的区分。本发明专利技术能够通过脑电信号准确地判断出被测试人是否对冰毒成瘾，并且具有较好的鲁棒性，并且能够避免机器学习过程中的“维数灾难”。。。

【技术实现步骤摘要】
一种基于脑电信号的冰毒成瘾者和正常人的分类方法


[0001]本专利技术涉及脑电信号处理领域，尤其涉及是一种基于脑电信号的冰毒成瘾者和正常人的分类方法。

技术介绍

[0002]冰毒(甲基苯丙胺)属于兴奋类精神药物，具有强烈的中枢兴奋作用，吸毒时的强烈亢奋状态和不吸毒时的难受心境是两个极端，亢奋状态是人们所追求的，尽管对神经和躯体损害极大；而不吸毒时心情郁闷、难受，患者为了逃避这种难受，追求吸毒时的亢奋所以患者会继续使用毒品，这就会导致冰毒成瘾。
[0003]脑电信号是有神经细胞活动产生的生物电信号，其携带了大脑相应的生理和病理信息，在医学诊断、科学探究和工程应用上具有重要研究意义。然而，现有技术中，还没有提出通过脑电信号区分冰毒成瘾者和正常人。

技术实现思路

[0004]针对现有技术存在的问题，本专利技术提出的一种基于脑电信号的冰毒成瘾者和正常人的分类方法。
[0005]本专利技术保护一种基于脑电信号的冰毒成瘾者和正常人的分类方法，该方法包括如下步骤 S1至S4：
[0006]S1，采集冰毒成瘾者和正常人在反应任务时的脑电信号，对采集到的脑电信号进行预处理，得到反应任务下的脑电特征。
[0007]其中，反应任务包括冰毒刺激和非冰毒刺激，脑电特征包括时域电压和频域能量；
[0008]S2，对步骤S1中的脑电特征，分别进行特征提取得到时空簇特征。
[0009]进一步地，特征提取过程为：首先，将冰毒刺激条件和非冰毒刺激条件下的脑电特征进行相减，基于置换检验得到冰毒成瘾者和正常人有显著差异的时频区域，接着利用多个电极采集整个头皮的脑电信号，并将两种刺激条件下有显著差异的时频信息，通过基于簇的统计检验形成时间信息和空间信息的时空簇特征，所述时空簇特征包括时间，空间、电压/能量。
[0010]S3，将每个时空簇中的电压/能量值在时间维度和空间维度做平均，从而得到每个时空簇的电压/能量平均值；
[0011]进一步地，每个时空簇的电压/能量平均值的计算方法为：首先，将时空簇中所有三维点的表示是{(a1,b1,X
11
),(a1,b2,X
12
),...,(a1,b
m
,X
1m
),(a2,b1,X
21
),...,(a2,b
m
，X
2m
),...,(a
n
,b
m
, X
nm
)}，接着，根据公式计算得到每个时空簇的电压/能量平均值。
[0012]其中，a1,a2,...,a
n
表示时空簇中所有不同的时间点，b1,b2,...,b
m
表示时空簇中
所有不同的空间点，X
11
,X
12
,...,X
nm
表示在每个时空点下对应的电压/能量值。
[0013]S4，将每个簇的电压/能量平均值通过线性支持向量机(SVM)算法训练出分类器。
[0014]进一步地，通过线性支持向量机算法训练出分类器的步骤为：
[0015]S41，选取P个线性可分样本{(X1,d1),(X2,d2),...,(Xp,dp)}；对于任一输入样本Xp，期望输出为dp＝
±
1；
[0016]其中，Xp表示为冰毒成瘾者和正常人脑电的时空簇的电压/能量平均值；dp代表两类类别标识，即冰毒成瘾者和正常人；dp＝+1，表示正常人，dp＝
‑
1，表示病毒成瘾者。
[0017]S42，构造分类超平面方程(W0
T
X+b0＝0)。
[0018]更进一步地，利用最大间隔算法计算得到超平面离两边的数据间隔最大的W0和b0的值：
[0019]S421，构造约束优化问题：
[0020][0021](s.t:且α
i
>＝0,i＝1,2,
…
,P)
[0022]其中，α＝(α1,α2,
…
,α
P
)
T
为拉格朗日乘子向量，α
i
≥0，i＝1,2,
…
,P。
[0023]S422，利用SMO算法求出使得Q(α)最小时对应的
[0024]S423，利用公式计算得到W0；
[0025]S424，找出所有的满足α
i
>0对应的样本(X
i
，d
i
)(假设这样的样本一共有S个)，接着计算出每个(X
i
，d
i
)对应的最后计算
[0026]S43，利用步骤S42得到的超平面方程，构造分类器的判别函数f(X)＝sgn(W0
T
X+b0)，即若W0
T
X+b0>0，dp＝+1；若W0
T
X+b0<0，dp＝
‑
1。
[0027]S5，利用训练好的分类器，输入脑电信号，实现对冰毒成瘾者和正常人的区分。
[0028]本专利技术还保护相应的两类计算机程序产品、设备：
[0029]一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
[0030]一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
[0031]本专利技术的有益效果：1、通过机器学习算法和脑电信号，设计了一种区分冰毒成瘾者和正常人的方法，能够通过脑电信号准确地判断出被测试人是否对冰毒成瘾；2、本专利技术具有较好的鲁棒性，并且能够避免机器学习过程中的“维数灾难”。
附图说明
[0032]图1为基于脑电信号的冰毒成瘾者和正常人的分类方法的流程图。
具体实施方式
[0033]下面结合附图和具体实施方式对本专利技术作进一步详细的说明。本专利技术的实施例是为了示例和描述起见而给出的，而并不是无遗漏的或者将本专利技术限于所公开的形式。很多
修改和变化对于本领域的普通技术人员而言是显而易见的。选择和描述实施例是为了更好说明本专利技术的原理和实际应用，并且使本领域的普通技术人员能够理解本专利技术从而设计适于特定用途的带有各种修改的各种实施例。
[0034]实施例1
[0035]一种基于脑电信号的冰毒成瘾者和正常人的分类方法，如图1所示，该方法包括如下步骤S1至S4：
[0036]S1，采集冰毒成瘾者和正常人在反应任务时的脑电信号，对采集到的脑电信号进行预处理，得到反应任务下的脑电特征。
[0037]其中，反应任务包括冰毒刺激和非冰毒刺激，脑电特征包括时域电压和频域能量；
[0038]S2，对步骤S1中的脑电特征，分别进行特征提取得到时空簇特征。
[0039]具体地，特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于脑电信号的冰毒成瘾者和正常人的分类方法，其特征在于，通过机器学习算法对采集到的脑电信号进行训练，实现对冰毒成瘾者和正常人的分类，该分类方法构建，包括如下步骤：S1，采集冰毒成瘾者和正常人在反应任务时的脑电信号，对采集到的脑电信号进行预处理，得到反应任务下的脑电特征；S2，对步骤S1中的脑电特征，分别进行特征提取得到时空簇特征；S3，将每个时空簇中的电压/能量值在时间维度和空间维度做平均计算，从而得到每个时空簇的电压/能量平均值；S4，将每个簇的电压/能量平均值通过机器学习算法训练出分类器。2.根据权利要求1所述的基于脑电信号的冰毒成瘾者和正常人的分类方法，其特征在于，所述步骤S2中的特征提取过程为：首先，将冰毒刺激条件和非冰毒刺激条件下的脑电特征进行相减，基于置换检验得到冰毒成瘾者和正常人有显著差异的时频区域，接着利用多个电极采集整个头皮的脑电信号，并将两种刺激条件下有显著差异的时频信息，通过基于簇的统计检验形成时间信息和空间信息的时空簇特征，所述时空簇特征包括时间，空间、电压/能量。3.根据权利要求1所述的基于脑电信号的冰毒成瘾者和正常人的分类方法，其特征在于，所述步骤S3中平均值计算的公式为：其中：X
11
,X
12
,...,X
nm
表示在每个时空点下对应的电压/能量值。4.根据权利要求1所述的基于脑电信号的冰毒成瘾者和正常人的分类方法，其特征在于，步骤S4中机器学习算法为支持向量机算法。5.根据权利要求4所述的基于脑电信号的冰毒成瘾者和正常人的分类方法，其特征在于，所述的支持向量机算法训练分类器的步骤为：S41，选取P个线性可分样本{(X1,d1),(X2,d2),...,(Xp,dp)}；对于任一输入样本Xp，期望输出为dp＝
±
1；其中，Xp表示为冰毒成瘾者和正常人脑电的时空簇的电压/能量平均值；dp代表两类类别标识，即冰毒成瘾者和正常人；dp＝+1，表示正常人，dp＝
‑
1，表示病毒成瘾者；S42，构造分类超平面方程(W0
T
X+b0＝0)；S43，利用步骤S42得到的超平面方程，...

【专利技术属性】
技术研发人员：张效初，马儒，吕炜，崔官宝，
申请(专利权)人：效隆神思厦门科技发展有限公司，
类型：发明
国别省市：