【技术实现步骤摘要】
本专利技术涉及脑电信号处理，具体涉及基于堆叠集成技术的多维度特征脑电信号识别方法。
技术介绍
1、随着社会节奏的加快，人们的精神压力逐渐增大，心理健康问题已成为当代社会面临的重要问题之一。据世界卫生组织公布的数据，2022年全球抑郁症患者人数达到了3.22亿，而自闭症等神经精神疾病的患病率也在不断攀升，给社会带来严重影响。
2、由于大多数心理疾病病因复杂，治疗难度大，针对性不足，故心理疾病的检测显得尤为重要。目前的心理疾病检测方法主要依赖于医师的主观判断和患者的自我反馈，存在着诊断准确率不高、耗时长、费用高等问题。
3、随着科学技术的进步及深度学习算法的出现，非侵入性的脑电信号识别技术在抑郁症等心理疾病的检测和治疗中起到了重要的作用。然而，现有的脑电信号识别技术存在诸多问题，例如识别准确率不高，对脑电信号的特征提取不够充分，无法有效处理脑电信号的非线性和高维特性等，进而影响对抑郁症等心理疾病的脑电信号的识别。
技术实现思路
1、本专利技术的主要目的在于提供一种基于堆叠集成技术的多维度特征脑电信号识别方法，该识别方法提取脑电信号的多维度特征，使用堆叠集成技术，提高了提取的脑电信号的识别度。
2、本专利技术所采用的技术方案是：
3、一种基于堆叠集成技术的多维度特征脑电信号识别方法，其包括如下步骤：
4、1)获取健康受试者和非健康受试者两类不同的脑电信号，以便后续脑电信号的识别，并对脑电信号进行数据预处理；
5、2)
6、3)利用主成分分析算法对原始特征矩阵进行降维处理，得到最终特征矩阵；
7、4)将步骤1)预处理后的脑电数据基于堆叠集成学习算法，利用步骤3)中的最终特征矩阵作为输入构建基于堆叠集成技术的多维度特征脑电信号识别模型；接着对该模型进行训练，得到训练好的识别模型；
8、5)将待识别的脑电信号进行数据预处理和多维度特征提取后输入到训练好的步骤4)中的多维度特征脑电信号识别模型中，得到识别结果。
9、更进一步的方案是，步骤1)中对脑电信号进行数据预处理的步骤主要包括去噪和归一化，以消除信号中的噪声成分，提高信号质量，得到后续可用的脑电数据。
10、更进一步的方案是，步骤1)对脑电信号进行数据预处理的步骤包括：
11、11)对原始脑电信号进行去噪处理，以消除信号中的噪声成分，具体为：首先使用0.5～40hz的带通滤波进行滤波处理；其次，利用独立成分分析方法去除数据中的眨眼和眼球运动等伪迹；
12、12)对去噪后的信号进行归一化处理，将信号的幅值范围缩放到[0,1]之间，具体为：使用min-max归一化方式对信号进行预处理，如下：
13、
14、其中zj为样本z中第j个元素，zmax为样本数据中的最大值，zmin为样本数据中的最小值；
15、更进一步的方案是，步骤2)中，对预处理后的脑电数据在时频域和空域上进行特征提取，得到多维度特征，从而构建原始特征矩阵x{x1，x2,…,xm}。
16、更进一步的方案是，步骤2)中，对预处理后的脑电数据在时频域和空域上进行特征提取，得到多维度特征，从而构建原始特征矩阵的步骤为：
17、21)对预处理后的脑电信号基于离散小波变换在时频域上进行特征提取，得到时频域特征；
18、22)对预处理后的脑电信号基于共空间模式(csp)的方法在空域上进行特征提取，得到空域特征；csp是一种对两分类任务下的特征提取算法，在最大化一类方差的同时最小化另一类方差，从而得到区分程度最大的特征向量；
19、23)将提取的时频域特征和空域特征联合，构建联合特征矩阵，得到原始特征矩阵。
20、更进一步的方案是，步骤21)中，基于离散小波变换提取脑电信号，获得逼近分量和细节分量，使用细节分量的能量信息作为时频域特征数据。
21、更进一步的方案是，步骤3)中，利用主成分分析(pca)算法对原始特征矩阵进行降维处理，得到最终特征矩阵的方法为：
22、使用主成分分析算法对原始特征矩阵进行降维处理，将高维数据降到低维空间中，减少数据的冗余信息，提高数据的处理效率和模型的精度，得到最终特征矩阵，具体步骤如下：
23、31)对原始特征矩阵x{x1，x2,…,xm}进行去中心化处理，m表示特征向量的数量，xm代表第m个特征向量，得到去中心化后的矩阵y；
24、32)计算去中心化后的矩阵y的协方差矩阵d；
25、
26、其中，m为特征向量的数量，y为去中心化后的矩阵，yt为矩阵y的转置矩阵；
27、33)通过奇异值分解计算协方差矩阵d的特征值与特征向量；
28、34)对步骤33)得到的特征值按从大到小排序，选择其中最大的k个特征值；然后将其对应的k个特征向量分别作为列向量组成特征向量矩阵h；其中，k按照累计贡献率计算；
29、35)根据矩阵h求出pca降维后的最终特征矩阵f＝h*x，其中，x为原始特征矩阵。经pca降维后的最终特征矩阵最大程度代表了有用信息，减少了数据中的冗余信息，提高了数据的处理效率，作为下一步分类器的输入更佳。
30、更进一步的方案是，步骤4)中，使用堆叠集成算法构建脑电信号识别模型，选择两种算法，即卷积神经网络和长短期记忆网络作为第一层的基模型，选择逻辑回归分类器作为第二层的元模型；识别模型共分为两层，第一层为两种基模型，利用训练集对每个基模型进行训练，再使用训练好的基模型对数据进行分类预测，并输出预测标签；第二层为元模型，元模型将第一层的输出结果作为本层的输入再进行预测，结合5折交叉验证方法，最终得到基于堆叠集成技术的多维度特征脑电信号识别模型。接着对该多维度特征脑电信号识别模型进行训练，得到训练好的识别模型；该模型能有效提高脑电信号的识别度。
31、更进一步的方案是，对多维度特征脑电信号识别模型进行训练，得到训练好的识别模型的具体步骤为：
32、41)将步骤1)预处理后的脑电数据划分为训练集dtrain和测试集dtest，接着将训练集dtrain等分为五个子集，每次训练时选择其中一个作为验证集dm(m＝1,2,3,4,5)，其余四个组成新的训练集；
33、42)使用不同的新训练集分别对第一层的基模型进行训练，对于同一个基模型，五种不同的训练集能训练出五个不同参数的模型；
34、43)利用训练好的基模型对相应的验证集dm进行预测，得到预测结果mi(i＝1,2,3,4,5)；接着利用训练好的基模型对测试集dtest进行预测，得到预测结果ni(i＝1,2,3,4,5)；
35、44)接着训练所有的基模型，重复步骤42)和43)，分别利用新的训练集和验证集进行模型训练和预测，最终每个基模型可以得到验证集预测结果的集合m本文档来自技高网...
【技术保护点】
1.一种基于堆叠集成技术的多维度特征脑电信号识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于堆叠集成技术的多维度特征脑电信号识别方法，其特征在于：步骤1)中对脑电信号进行数据预处理的步骤主要包括去噪和归一化；具体为：
3.根据权利要求1所述的基于堆叠集成技术的多维度特征脑电信号识别方法，其特征在于：步骤2)中，对预处理后的脑电数据在时频域和空域上进行特征提取，得到多维度特征，从而构建原始特征矩阵X{x1，x2,…,xm}。
4.根据权利要求3所述的基于堆叠集成技术的多维度特征脑电信号识别方法，其特征在于：步骤2)中，对预处理后的脑电数据在时频域和空域上进行特征提取，得到多维度特征，从而构建原始特征矩阵的步骤为：
5.根据权利要求4所述的基于堆叠集成技术的多维度特征脑电信号识别方法，其特征在于：步骤21)中，基于离散小波变换提取脑电信号，获得逼近分量和细节分量，使用细节分量的能量信息作为时频域特征数据。
6.根据权利要求1所述的基于堆叠集成技术的多维度特征脑电信号识别方法，其特征在于：步骤3)中，利用主成
7.根据权利要求1所述的基于堆叠集成技术的多维度特征脑电信号识别方法，其特征在于：步骤4)中，使用堆叠集成算法构建脑电信号识别模型，选择两种算法，即卷积神经网络和长短期记忆网络作为第一层的基模型，选择逻辑回归分类器作为第二层的元模型；识别模型共分为两层，第一层为两种基模型，利用训练集对每个基模型进行训练，再使用训练好的基模型对数据进行分类预测，并输出预测标签；第二层为元模型，元模型将第一层的输出结果作为本层的输入再进行预测，结合5折交叉验证方法，最终得到基于堆叠集成技术的多维度特征脑电信号识别模型；接着对多维度特征脑电信号识别模型进行训练，得到训练好的识别模型。
8.根据权利要求7所述的基于堆叠集成技术的多维度特征脑电信号识别方法，其特征在于：
9.根据权利要求7或8所述的基于堆叠集成技术的多维度特征脑电信号识别方法，其特征在于：
10.一种基于堆叠集成技术的多维度特征脑电信号识别系统，其特征在于：所述识别系统采用权利要求1-9所述的基于堆叠集成技术的多维度特征脑电信号识别方法，其包括：
...【技术特征摘要】
1.一种基于堆叠集成技术的多维度特征脑电信号识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于堆叠集成技术的多维度特征脑电信号识别方法，其特征在于：步骤1)中对脑电信号进行数据预处理的步骤主要包括去噪和归一化；具体为：
3.根据权利要求1所述的基于堆叠集成技术的多维度特征脑电信号识别方法，其特征在于：步骤2)中，对预处理后的脑电数据在时频域和空域上进行特征提取，得到多维度特征，从而构建原始特征矩阵x{x1，x2,…,xm}。
4.根据权利要求3所述的基于堆叠集成技术的多维度特征脑电信号识别方法，其特征在于：步骤2)中，对预处理后的脑电数据在时频域和空域上进行特征提取，得到多维度特征，从而构建原始特征矩阵的步骤为：
5.根据权利要求4所述的基于堆叠集成技术的多维度特征脑电信号识别方法，其特征在于：步骤21)中，基于离散小波变换提取脑电信号，获得逼近分量和细节分量，使用细节分量的能量信息作为时频域特征数据。
6.根据权利要求1所述的基于堆叠集成技术的多维度特征脑电信号识别方法，其特征在于：步骤3)中，利用主成分分析算法...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。