一种基于多变量模糊熵的视听刺激下的脑电分类方法技术

本发明专利技术公开了一种基于多变量模糊熵的视听刺激下的脑电分类方法，包括步骤如下：S1，采集只受到视觉刺激的脑电信号、只受到听觉刺激的脑电信号和同时受视听觉刺激的脑电信号，作为实验数据；S2，对实验数据进行预处理，去除干脑电信号中干扰噪声，得到多维时间序列；S3，对脑区进行分区，利用多变量模糊熵求解特征向量；S4，利用支持向量机对特征向量进行分类，得到分类准确率，并对分类效果进行判断。本发明专利技术利用多变量模糊熵，从复杂度、变量间的互预测性和长时程相关性对多变量数据间的动态相互关系进行评价，反映了脑电信号通道内部的自相关性和通道间的相关性，展现出视听刺激下的脑电特点。电特点。电特点。

【技术实现步骤摘要】
一种基于多变量模糊熵的视听刺激下的脑电分类方法


[0001]本专利技术涉及脑电分类方法，尤其涉及一种基于多变量模糊熵的视听刺激下的脑电分类方法。

技术介绍

[0002]视觉和听觉是人类主要的信息接收渠道，也是认知形成的基础，在认知形成过程中发挥着极其重要的作用。当这些来自不同感官的信息单一或是共同出现时，大脑必然会有对于信息的选择，会有不同的处理速度和处理方式。针对视听刺激下的脑电进行特征提取和分类可以更好地了解不同刺激下大脑的活跃区域和工作状态。但现有技术中视听刺激下脑电信号分类系统少、分类准确率低、不能应用于多变量时间序列等问题。由于采集到的脑电信号是序列内和序列间具有相互作用的多变量数据，传统模糊熵仅适用于单变量数据复杂度。

技术实现思路

[0003]专利技术目的：本专利技术的目的是提供一种能减少特征向量数量、提高分类准确率的基于多变量模糊熵的视听刺激下的脑电分类方法。
[0004]技术方案：本专利技术的脑电分类方法，包括步骤如下：
[0005]S1，采集只受到视觉刺激的脑电信号、只受到听觉刺激的脑电信号和同时受视听觉刺激的脑电信号，作为样本数据；
[0006]S2，对样本数据进行预处理，得到多维时间序列；
[0007]S3，对脑区进行分区，利用多变量模糊熵求解特征向量；
[0008]S4，利用支持向量机对特征向量进行分类，得到分类准确率，并对分类效果进行判断。
[0009]进一步在步骤S1中，所选取的脑电信号为每段时长为5s、每段信号采集5000点，且采样频率为1000Hz。
[0010]进一步，所述步骤S2的具体实现步骤如下：
[0011]S21，通过带通滤波处理，选取0.5Hz
‑
40Hz波段的脑电信号；
[0012]S22，利用独立成分分析法去除信号中的伪迹，所述伪迹包括眼电信号、肌电信号。
[0013]进一步，所述步骤S3中，对不同脑区得到的多维时间序列进行处理，得到多变量模糊熵，每段数据得到一个特征向量，每个特征向量中的每个特征值为一个脑区的多变量模糊熵，具体实现步骤如下：
[0014]S31，序列{x(i)}组成一维矢量如下：
[0015][0016]其中，N是一维时间序列总的数据点数，m
s
是嵌入式维数，对包含p个变量、每个变量下有N个均匀数据点的时间序列进行
多维延时嵌入重构，得到：
[0017][0018][0019]其中，为嵌入维数向量，为时间间隔向量，l＝max{M}*max{τ}；
[0020]S32，计算Z
m
(i)和Z
m
(j)之间对应标量分量之差的绝对值，求解i时间序列与j时间序列的距离，取最大值：
[0021][0022]S33，根据模糊函数μ(d
ij
，n，r)计算Z
m
(i)和Z
m
(j)之间的相似度：
[0023][0024]其中，n是指模糊函数梯度，r是相似容忍度；
[0025]S34，定义函数φ
m
为：
[0026][0027]S35，定义模糊熵为从φ
m
到φ
m+1
的偏差的负自然对数，对于有限的数据集，则有：
[0028]FuzzyEn(m，n，r，N，τ)＝lnφ
m
(n，r，τ)
‑
lnφ
m+1
(n，r，τ)。
[0029]进一步，所述步骤S4的具体实现步骤如下：
[0030]S41，利用F检验对特征有效性进行检验；
[0031]S42，利用交叉验证法对于支持向量机的惩罚因子c和核函数参数g进行优选；
[0032]S43，使用经过F检验确认有效的特征值以及经过交叉验证法得到的惩罚因子c和核函数参数g，利用支持向量机进行分类。
[0033]进一步，所述步骤S4中所述F检验为：
[0034][0035]其中，SSA是各个水平之间的偏差平方和，SSE是各个水平内部的偏差平方和，df1和df2分别是SSA和SSE的自由度。
[0036]进一步，所述步骤S42中，将数据集分为均等且不相交的k份，取其中的一份进行测试，另外的k
‑
1份进行训练，然后求得错判比率的平均值作为最终的评价，最终得到满足要求的参数选择。
[0037]本专利技术与现有技术相比，其显著效果如下：
[0038]1、本专利技术利用多变量模糊熵，从复杂度、变量间的互预测性和长时程相关性对多变量数据间的动态相互关系进行评价，反映了脑电信号通道内部的自相关性和通道间的相关性，展现出视听刺激下的脑电特点；
[0039]2、多变量模糊熵相对于样本熵优化了统计稳定性能，相对于传统模糊熵减少了特征向量数量，提高了特征值计算效率，同时提高了分类准确率，达到了87.6％。
附图说明
[0040]图1为本专利技术中视听刺激下脑电采集流程图；
[0041]图2为脑电帽电极所在位置；
[0042]图3为本专利技术的流程图。
具体实施方式
[0043]下面结合说明书附图和具体实施方式对本专利技术做进一步详细描述。
[0044]如图1所示的流程进行视听刺激下的脑电采集，以便于进行特征提取和分类。实验中使用的脑电帽电极数为32，电极放置位置符合国际通用的10
‑
20标准，电极放置具体位置如图2所示，根据各电极的位置，可以将这些电极根据脑区分为9组：前额区Fp包括电极Fp1和Fp2，额叶区F包括Fz、F3、F4、F7、F8，额中区FC包括FC1、FC2、FC5、FC6，中枢区C包括Cz、C3、C4，颞叶区T包括T7、T8，中顶区CP包括CP1、CP2、CP5、CP6，顶叶区P包括Pz、P3、P4、P7、P8，顶枕区PO包括PO1、PO2、PO5、PO6，枕叶区O包括Oz、O3、O4。
[0045]如图3所示，本专利技术的具体实施步骤包括：
[0046]步骤一，选取数据
[0047]在实验数据中选取只受到视觉刺激的脑电信号100段，只受到听觉刺激的脑电100段和同时受视听觉刺激的脑电100段，每段时长为5s，每段信号采集5000点，采样频率为1000Hz。
[0048]步骤二，进行数据的预处理
[0049]对步骤一采集到的数据进行预处理，使用MATLAB软件，利用EEGLAB工具箱，具体步骤包括：
[0050]步骤b1，进行带通滤波处理，脑电信号大部分集中于0.5Hz
‑
40Hz，故滤出这一频段的脑电信号；
[0051]步骤b2，利用独立成分分析法去除信号中的伪迹：独立成分分析(ICA)是一种用于分离来自多个探测设备、线性混合的独立信号源的信号分析方法，它假设这些子信号分量属于非高斯分布、并且相互独立。ICA近年来被广泛应用于脑电信号处理中，具有良好的去除伪迹效果且本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多变量模糊熵的视听刺激下的脑电分类方法，其特征在于，包括步骤如下：S1，采集只受到视觉刺激的脑电信号、只受到听觉刺激的脑电信号和同时受视听觉刺激的脑电信号，作为样本数据；S2，对样本数据进行预处理，得到多维时间序列；S3，对脑区进行分区，利用多变量模糊熵求解特征向量；S4，利用支持向量机对特征向量进行分类，得到分类准确率，并对分类效果进行判断。2.根据权利要求1所述的基于多变量模糊熵的视听刺激下的脑电分类方法，其特征在于，在步骤S1中，所选取的脑电信号为每段时长为5s、每段信号采集5000点，且采样频率为1000Hz。3.根据权利要求1所述的基于多变量模糊熵的视听刺激下的脑电分类方法，其特征在于，所述步骤S2的具体实现步骤如下：S21，通过带通滤波处理，选取0.5Hz
‑
40Hz波段的脑电信号；S22，利用独立成分分析法去除信号中的伪迹，所述伪迹包括眼电信号、肌电信号。4.根据权利要求1所述的基于多变量模糊熵的视听刺激下的脑电分类方法，其特征在于，所述步骤S3中，对不同脑区得到的多维时间序列进行处理，得到多变量模糊熵，每段数据得到一个特征向量，每个特征向量中的每个特征值为一个脑区的多变量模糊熵，具体实现步骤如下：S31，序列{x(i)}组成一维矢量如下：其中，N是一维时间序列总的数据点数，m
s
是嵌入式维数，是嵌入式维数，对包含p个变量、每个变量下有N个均匀数据点的时间序列进行多维延时嵌入重构，得到：到：其中，为嵌入维数向量，为时间间隔向量，S32，计算Z
m
(i)和Z
m
(j)之间对应标量分量之差的绝对值，求解i时间序列...

【专利技术属性】
技术研发人员：窦蓉蓉，刘荪荟，李旭坤，
申请(专利权)人：南京大学，
类型：发明
国别省市：