System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于生理信号处理和统计学领域,具体的说是涉及一种基于向量排列最大距离的睡眠脑电分析方法。
技术介绍
1、睡眠脑电信号特征提取分析在睡眠状态检测中具有至关重要作用。在基于信息论的生理信号特征提取分析中,向量距离法在概率估计中发挥了重要的作用,是统计特征分析中重要手段。
2、单一的向量距离在判定相同向量结构中存在一定的偏差,精确度有待进一步提升。在基于向量距离的概率估计中,首先对生理信号进行空间向量重构,计算向量的闵可夫斯基距离,如欧氏距离、切比雪夫距离等,然后设定阈值对所有向量距离进行筛选,距离在阈值内的向量判定为相同向量,进而实现信号的概率估计。在生理信号分析过程中,向量距离法仅依靠对应元素的差值,而忽略了向量的空间结构。因此,不同空间结构的两个向量差值如果落在阈值范围之内,则会被判定为相同向量。这将导致概率估计存在一定的偏差,进而影响脑电信号统计特征的提取和分析。排列类型有效地表征了序列的空间结构,在信号处理、数值分析中具有重要的地位。排列构建过程中涉及序列元素的相对位置,虽然并不包含元素之间的距离,但是排列类型包含的结构化特征将有助于优化基于向量距离的概率估计。
3、概率估计是计算睡眠脑电信号统计参数计算的关键,其中基于向量距离的概率估计方法发挥了重要作用。然而,当前向量相似性的判定只是依靠元素之间的距离,而忽略了序列的空间结构特征,因此会导致睡眠脑电信号分析的偏差。
4、基于向量距离概率估计的缺陷导致其在向量空间结构一致性的判定中存在一些误差,限制了其睡眠脑电信号分析中的应用,
技术实现思路
1、为了解决上述技术问题,本专利技术提出一种基于排列向量最大距离的睡眠脑电分析方法,首先通过元素距离对向量进行相似性的初步判定,然后通过序列的排列类型对空间结构做进一步判定,从而实现睡眠脑电更加准确的概率估计以及相关统计参数的计算。
2、为了达到上述目的,本专利技术是通过以下技术方案实现的:
3、本专利技术是一种基于向量排列最大距离的睡眠脑电分析方法,其特征在于:所述睡眠脑电分析方法具体包括如下方法:
4、步骤1、对于给定的睡眠脑电信号,首先对睡眠脑电信号进行多维向量重构,得到重构向量序列
5、步骤2、计算步骤1中重构向量序列中的任意向量和之间的距离:
6、,
7、其中, 、,即包括向量的自匹配,向量距离参数设定为,即两个向量对应元素的最大距离,为向量中的第个元素,为向量中的第个元素 ;
8、步骤3、将睡眠脑电的重构向量转化为幅度排列类型,生成对应的排列序列;
9、步骤4、基于步骤2的最大距离和步骤3的排列类型的向量相似性判定;
10、步骤5、根据步骤4统计睡眠脑电相同向量的数量,然后实现睡眠脑电概率分布的估计
11、;
12、其中,为相同向量类型的数量;
13、步骤6、睡眠脑电的动态熵值复杂度计算。
14、本专利技术的进一步改进在于:在所述步骤1中,多维向量表示为:
15、
16、其中,为向量长度,为元素之间的时间延迟,得到重构向量序列。
17、本专利技术的进一步改进在于:步骤3具体包括如下步骤:
18、步骤31、构建睡眠脑电的重构向量的基础幅度排列类型,对重构向量中的元素按照从小至大的升序排序,,原始向量元素在排列后向量的位置,则向量的基础幅度排列类型表示为;
19、步骤32、对步骤31中的重构向量的基础幅度排列进行等值优化,
20、若重构向量中包含等值元素,例如,则将相同元素按照出现顺序进行排列,然后将相同元素的幅度排列元素修改为同组的最小值,即。
21、需要注意的是,幅度排列和元素的幅值有关,因此等值元素的幅度排列并非相邻,与之相对应,等值元素的原始排列类型是相邻的,而幅度排列能够更加直接地表征向量的空间结构特征。
22、本专利技术的进一步改进在于:所述步骤4具体包括以下步骤:
23、步骤41、设定向量相似性的阈值
24、
25、其中,为睡眠脑电的均值,为可调的控制参数,通常可选0.1至0.5之间,为的长度,为大于0的正整数,用于调控阈值的计算;
26、步骤42、通过heaviside核函数筛选步骤2中的向量距离,
27、,
28、步骤43、对于阈值内的向量距离,对向量的排列类型做进一步判定,若向量和的幅度排列和相同,则认为向量和具有相同空间结构。
29、本专利技术的进一步改进在于:步骤6具体包括以下步骤为:
30、步骤61、计算当前状态即维度为的熵值复杂度,
31、
32、步骤62、增加向量重构的维度至,重复步骤1至步骤5,估计全部状态即维度为的睡眠脑电的概率分布,并计算维度为的熵值复杂度:
33、;
34、步骤63、通过不同状态的熵值差异计算睡眠脑电的条件熵值,并衡量睡眠脑电的动态复杂度,其中条件熵值的计算公式为:
35、。
36、本专利技术的有益效果是:
37、(1)本专利技术的睡眠脑电分析方法创新性地结合了向量距离和排列类型的结构特征。首先通过计算向量元素的距离以及阈值筛选对相似向量进行判定,然后构建向量的排列类型做进一步的比较,更加准确地实现睡眠脑电的概率估计。因此,本专利技术方法兼顾了传统向量距离的普适性和排列构建的简便性特点。
38、(2)本专利技术通过结合向量距离和排列空间结构,更加准确地计算了睡眠脑电信号的概率分布,然后对睡眠脑电概率分布的平均信息量进行估计,并通过动态熵提取了睡眠脑电的复杂度特征值,进而实现了对不同睡眠状态脑电信号的分期研究。
39、(3)本专利技术方法首先通过睡眠脑电的向量重构实现向量的提取,然后对所有向量进行举例和排列类型的相似性判定,并通过不同维度向量的熵值差异分析睡眠分期脑电,相比于传统的向量距离概率估计方法,本专利技术方法具有更高的准确度,能够更加有效地实现睡眠脑电信号的分期研究。
本文档来自技高网...【技术保护点】
1.一种基于向量排列最大距离的睡眠脑电分析方法,其特征在于:所述睡眠脑电分析方法具体包括如下步骤:
2.根据权利要求1所述的基于向量排列最大距离的睡眠脑电分析方法,其特征在于:在所述步骤1中,多维向量表示为:
3.根据权利要求1所述的基于向量排列最大距离的睡眠脑电分析方法,其特征在于:步骤3具体包括如下步骤:
4.根据权利要求3所述的基于向量排列最大距离的睡眠脑电分析方法,其特征在于:在所述步骤32中,等值元素的幅度排列并非相邻,等值元素的原始排列类型是相邻的。
5.根据权利要求1所述的基于向量排列最大距离的睡眠脑电分析方法,其特征在于:所述步骤4具体包括以下步骤:
6.根据权利要求1所述的基于向量排列最大距离的睡眠脑电分析方法,其特征在于:步骤6具体包括以下步骤为:
【技术特征摘要】
1.一种基于向量排列最大距离的睡眠脑电分析方法,其特征在于:所述睡眠脑电分析方法具体包括如下步骤:
2.根据权利要求1所述的基于向量排列最大距离的睡眠脑电分析方法,其特征在于:在所述步骤1中,多维向量表示为:
3.根据权利要求1所述的基于向量排列最大距离的睡眠脑电分析方法,其特征在于:步骤3具体包括如下步骤:
4.根据权利要求3所...
【专利技术属性】
技术研发人员:姚文坡,柳毅,刘阳阳,王琼,乙万义,王书旺,朱书眉,骆宇曼,白登选,王俊,
申请(专利权)人:南京邮电大学,
类型:发明
国别省市:
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。