基于领域嵌入概率的半监督学习癫痫脑电信号识别方法技术

本发明专利技术涉及脑电信号识别技术领域，涉及基于领域嵌入概率的半监督学习癫痫脑电信号识别方法，包括：其步骤如下：1、采集脑电信号并进行预处理；2、构建标记集X

【技术实现步骤摘要】
基于领域嵌入概率的半监督学习癫痫脑电信号识别方法


[0001]本专利技术涉及脑电信号识别
，尤其涉及基于领域嵌入概率的半监督学习癫痫脑电信号识别方法。

技术介绍

[0002]癫痫是一种大脑功能障碍疾病，在癫痫发作期间，患者会产生暂时性意识模糊或不受控的抽搐，给患者及其家人带来巨大的身心伤害。癫痫在发作时脑电图可以准确地记录出各种波形，因此对脑电图分析是诊断癫痫发作的重要依据。脑电信号的特点是随机性、非平稳性，临床医生虽然可以结合先验知识对脑电图进行主观判断，但是极易出错且效率不高。癫痫脑电信号自动识别与监测技术有助于提高人工诊断准确率，减少工作量。在大数据时代，机器学习技术作为脑电信号分析中一项十分重要的手段是受到高度重视的。基于机器学习的癫痫脑电信号识别的第一步是脑电信号的采集。非侵入的脑电信号采集只需将电极贴在相应的头皮表面，由于其采集方式简单方便，对受试对象无害，因此，脑电信号非侵入式的方式采集应用广泛。第二步是脑电信号的预处理。从头皮电极采集得到的脑电信号非常微弱，并且经常混杂种种伪迹和噪声。因此在采集到脑电信号之后，需要采取有效的预处理方法去掉冗余信息，降低维数，提取出有用的脑电信号。常用的预处理方式有电极筛选、眼电、肌电等伪迹的删除，以及其他的一些时域滤波和空间滤波方法等。第三步是脑电信号的特征提取。目前对于脑电信号方法的研究主要集中在时域、频域、时频结合分析、空间滤波法和非线性动力学分析等方面。在提取有效的脑电信号特征后，还需要对这些特征进行分类来实现自动检测癫痫。因此分类算法是癫痫识别任务设计的关键环节。
[0003]目前，研究者采用了多种方法对这一问题开展研究。周卫东人提出了《一种利用小波神经网络的脑电检测方法及装置》将提取的特征向量送入由小波神经网络获得的分类器中，从而得到对异常脑电信号的标记。龚光红等人提出了《基于监督梯度提升器的多级癫痫脑电信号自动识别方法》通过梯度提升分类器进行癫痫信号的检查。贾克斌等人提出了《基于多数据采集的癫痫发作检测设备及预警系统》以提取的多个特征参数作为特征向量，训练随机森林分类器内的多个决策树，形成随机森林模型。梅贞等人提出了《一种脑电信号处理方法及癫痫检测系统》通过对脑电信号进行数据预处理、剔除频带、提取时域和基于熵的特征，最后利用改进的基于相关性特征选择方法选出最优特征子集的效果。
[0004]但这些方法属于传统的监督分类方式，需要获取大量的有标记脑电信号样本才能训练得到性能较好的分类器，而获取大量有标记脑电信号样本是耗时、耗力、耗财的过程。因此在仅有少量标记样本条件下实现癫痫的自动检测具有重大研究意义和实用价值。此外，一般脑电信号的特征具有高维性，与低维数据相比，高维数据的分析困难度较大，且会包含无用冗余的特征信息。这些特点给癫痫脑电信号的实际处理带来了巨大挑战。

技术实现思路

[0005]本专利技术所要解决的技术问题是：在对已有图像分割方法效果提升的基础上，鉴于
不同健康状态下的脑电信号会有特征上的差异，在小样本且标记样本不足的场景下，将这种特征差异放大并用一定的数字形态进行表达且被分类器识别，形成一种耗时少、适用性强、分类准确率高的癫痫脑电信号自动识别方法。涉及对癫痫脑电信号自动检测过程中所用到的特征降维和分类方法，有效保证脑电信号的局部信息完整性，扩大不同状态脑电信息的差异，利用合适的半监督学习模型，提高癫痫脑电信号的分类精度。
[0006]本专利技术所采用的技术方案：基于领域嵌入概率的半监督学习癫痫脑电信号识别方法，包括：
[0007]步骤1：采集不同类别的原始脑电信号并进行预处理；
[0008]步骤2：对预处理后的脑电信号进行特征提取，特征提取后得到包含n个训练样本的特征数据集X＝{x1,x2,...,x
n
}，x
i
是X中第i个特征向量，x
i
∈R
d
，d表示样本的维度，数据的前l个样本{x1,x2,...,x
l
}标记脑电信号的类别标签，记为X
l
，X
l
对应的类别标签矩阵记为Y
l
＝{y1,y2,...,y
l
}，Y
l
是l行c列的矩阵，其中的标签向量表示样本x
i
的类别是第j类，c是脑电信号类别数，样本集X的后(n
‑
l)个样本{x
l+1
,x
l+2
,...,x
n
}记为X
u
,X
u
未标记类别，其对应的类别标签矩阵记为Y
u
＝{y
l+1
,y
l+2
,...,y
n
}，Y
u
是(n
‑
l)行c列的0矩阵；
[0009]步骤3：根据类别标签矩阵Y
l
在X
l
集内进行样本配对，构成同类样本对集合M和异类样本对集合D，其中M＝{(x
i
,x
j
)|y
i
＝y
j
}，D＝{(x
i
,x
j
)|y
i
≠y
j
}；
[0010]步骤4：构建数据集X上的半监督关联矩阵U，U中的第i行第j列元素U
ij
定义为：
[0011][0012]其中，1≤i≤n，1≤j≤n，a是大于1的正数，b是大于1且小于a的正数；
[0013]步骤5：记投影矩阵为A∈R
d
×
e
,0＜e≤d，通过A将数据集X中每个样本x
i
投影到低维空间R
e
，低维特征表示为：
[0014]z
i
＝A
T
x
i
，
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0015]投影矩阵A的计算式是：
[0016][0017]其中，I表示单位矩阵，|M|和|D|分别表示集合M和D中样本对的个数，Tr{}表示矩阵的迹运算，
T
表示矩阵的转置操作，设表示矩阵的转置操作，设引入拉格朗日系数α，使用拉格朗日乘子法求解式(3)，得到：
[0018][0019]对矩阵进行特征值分解，取最大的e个特征值对应的特征向量更新矩阵A；
[0020]步骤6：构建低维空间的领域嵌入概率矩阵S，S中第i行第j列的元素S
ij
表示z
i
选择z
j
作为近邻的概率，S
ij
的计算式为：
[0021][0022]其中，dis(z
i
,z
j
)表示z
i
到z
j
的欧式距离，S本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于领域嵌入概率的半监督学习癫痫脑电信号识别方法，其特征在于，包括：步骤1：采集不同类别的原始脑电信号并进行预处理；步骤2：对预处理后的脑电信号进行特征提取，特征提取后得到包含n个训练样本的特征数据集X＝{x1,x2,...,x
n
}，x
i
是X中第i个特征向量，x
i
∈R
d
，d表示样本的维度，数据的前l个样本{x1,x2,...,x
l
}标记脑电信号的类别标签，记为X
l
，X
l
对应的类别标签矩阵记为Y
l
＝{y1,y2,...,y
l
}，Y
l
是l行c列的矩阵，其中的标签向量表示样本x
i
的类别是第j类，c是脑电信号类别数，样本集X的后(n
‑
l)个样本{x
l+1
,x
l+2
,...,x
n
}记为X
u
,X
u
未标记类别，其对应的类别标签矩阵记为Y
u
＝{y
l+1
,y
l+2
,...,y
n
}，Y
u
是(n
‑
l)行c列的0矩阵；步骤3：根据类别标签矩阵Y
l
在X
l
集内进行样本配对，构成同类样本对集合M和异类样本对集合D，其中M＝{(x
i
,x
j
)|y
i
＝y
j
}，D＝{(x
i
,x
j
)|y
i
≠y
j
}；步骤4：构建数据集X上的半监督关联矩阵U，U中的第i行第j列元素U
ij
定义为：其中，1≤i≤n，1≤j≤n，a是大于1的正数，b是大于1且小于a的正数；步骤5：记投影矩阵为A∈R
d
×
e
,0＜e≤d，通过A将数据集X中每个样本x
i
投影到低维空间R
e
，低维特征表示为：z
i
＝A
T
x
i
，
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)投影矩阵A的计算式是：其中，I表示单位矩阵，|M|和|D|分别表示集合M和D中样本对的个数，Tr{}表示矩阵的迹运算，T表示矩阵的转置操作，设迹运算，T表示矩阵的转置操作，设引入拉格朗日系数α，使用拉格朗日乘子法求解式(3)，得到：对矩阵进行特征值分解，取最大的e个特征值对应的特征向量更新矩阵A；步骤6：构建低维空间的领域嵌入概率矩阵S，S中第i行第j列的元素S
ij
表示z...

【专利技术属性】
技术研发人员：倪彤光，顾晓清，蒋亦樟，薛婧，钱鹏江，
申请(专利权)人：常州大学，
类型：发明
国别省市：