【技术实现步骤摘要】
本专利技术涉及神经信号解码领域，尤其是涉及一种基于状态相关卷积稀疏模型的脑电信号模式识别方法。
技术介绍
1、脑电信号中典型波形可以提供有效的生物学标志物，用于理解大脑复杂的认知过程。例如，睡眠纺锤波(12hz-14hz自发的周期性震荡)的变化可以指示精神分裂症等多个疾病；癫痫尖波和高频振荡等也与癫痫发作高度相关。因此，发现和识别这些典型波形有助于检测神经系统疾病相关的生物学标志物。
2、为识别这些典型波形，已经采取过基于知识与数据驱动的方法。传统基于知识的方法通常事先假设目标波形的特征，如频率范围、时域形状。比如，有些方法将典型波形定义为时频表征中，功率超过预设阈值并位于预定义频率范围内的神经活动。数据驱动方法旨在通过直接从神经信号中学习典型波形来减少对预先定义假设的依赖。典型方法包括经验模式分解法、循环周期分析法以及简短振幅波动检测法，它们能基于时域特征自动识别典型波形。
3、如公开号为cn109480834a的中国专利文献公开了一种基于快速多维经验模态分解的脑电信号分类方法，包括：(1)采集若干组脑电信号并进行预处理；(2)对预处理后的信号通过快速多维经验模态分解，得到全部本征模态函数信号；(3)对每个本征模态函数信号的各个层进行频谱分析，选取平均功率谱集中在8～12hz及18～26hz频段的信号层，作为新多维信号；(4)将新多维信号通过空间滤波器，提取出脑电信号的特征；(5)将特征输入到分类器中进行分类，根据分类准确率选取csp中最优参数，利用最优参数下的脑电特征对不同运动想象任务下的脑电信号进行
4、近年来，数据驱动方法之一，基于字典学习的方法，在学习典型波形方面表现优秀。卷积稀疏编码属于卷积字典学习的一种，其核心思想是将神经信号分解为平移不变波形与稀疏脉冲响应的卷积。现有基于卷积稀疏编码的方法的一个限制在于，它们大多没有明确考虑学习到波形与脑电信号状态之间的关系。另一方面，状态特异性是生物标志物的一个重要特征，也即它只在某个状态下频繁出现。因此，直接应用现有卷积稀疏编码方法进行生物标志物识别效果不佳，难以从不相关的状态共有波形中区分出状态特有波形作为潜在生物标志物。
5、为解决此问题，需要构建一种基于状态相关卷积稀疏模型的脑电信号模式识别方法，用于自动识别状态特有的典型波形；从而更精准地识别相关的潜在生物标志物。
技术实现思路
1、本专利技术公开了一种基于状态相关卷积稀疏模型的脑电信号模式识别方法，针对现有卷积稀疏编码难以识别与状态相关的生物标记物的问题，通过明确区分状态共有与状态特有波形，提升了现有方法识别潜在生物标志物的准确率，且识别的潜在生物标志物具有较好的可解释性，可以作为辅助医疗诊断的有效工具。
2、一种基于状态相关卷积稀疏模型的脑电信号模式识别方法，包括以下步骤：
3、(1)获取原始多状态脑电信号，进行预处理后按比例划分为训练集与测试集；
4、(2)构建状态敏感的卷积稀疏编码模型，该模型中，某状态的输入信号由所有状态共有波形的稀疏脉冲响应、该状态特有波形的稀疏脉冲响应、独立高斯噪声加和构成；其中，状态共有波形构成状态共有字典，状态特有波形构成状态特有字典；
5、(3)输入训练集的多状态脑电信号，并采用以下交替优化的策略学习各个波形与稀疏脉冲响应：
6、(3-1)固定各个波形，采用匹配追逐算法优化各个波形在输入信号中的稀疏脉冲响应，并更新当前稀疏脉冲响应；
7、(3-2)固定所有波形的稀疏脉冲响应与状态特有波形，采用梯度下降法优化所有状态共有波形，并更新当前状态共有字典；
8、(3-3)固定所有波形的稀疏脉冲响应与状态特有波形，对于各状态脑电信号，采用梯度法优化该状态特有波形，并更新当前该状态特有字典；
9、(3-4)迭代步骤(3-1)至(3-3)，直到所有波形与稀疏脉冲响应收敛或者迭代次数超过预设值；
10、(4)使用关注状态的特有字典作为潜在标志物，根据每一个测试样本的脑电信号，估计潜在标志物出现的频率，并依据该频率预测测试样本是否处于关注状态。
11、步骤(1)中，预处理采用5阶butterworth滤波器。
12、步骤(2)中，构建的卷积稀疏编码模型具体如下：
13、设状态c的脑电信号为xc(t)，状态共有波形为状态c特有的波形为所有波形的时间长度为l，对应的稀疏脉冲响应使用波形开始出现的时间点与出现的振幅表征，xc(t)中含有的独立高斯噪声为∈c(t)，则模型的公式为：
14、
15、其中，与分别为与在xc(t)中出现的次数。
16、步骤(3-1)中，稀疏脉冲响应的优化目标函数如下：
17、
18、其中，状态共有字典对应的脉冲响应集合状态特有字典对应的脉冲响应集合函数g表示字典与对应稀疏脉冲响应的卷积：
19、
20、
21、正则项控制脉冲响应的稀疏程度，λw为该正则项的权重。
22、步骤(3-2)中，状态共有字典d0的优化目标函数如下：
23、
24、yc(t)表示xc(t)在去除特定状态分量后所剩余的误差：yc(t)＝xc(t)-g(sc，dc，t)，函数corr度量di与dj之间的相似性：
25、
26、其中，为时间反转版本的dj；为了保证d0与dc的区分性，正则项λccorr(d0，d-0)控制d0与其他字典d-0之间的相似性，λc为该项的权重；λscorr(d0，d0)则控制d0内部的相似性避免重复解的出现，λs为该项的权重。为了避免平凡解，对d0中的元素加上l2-范数的约束。
27、步骤(3-3)中，状态特有字典dc的优化目标函数如下：
28、
29、其中，zc(t)表示xc(t)中由dc组成的部分：正则项λccorr(dc，d-c)与λscorr(dc，dc)与上述优化d0目标函数中的同理。
30、步骤(4)中，对于输入的测试样本，计算关注状态特有字典dc中元素出现的次数，得到dc中元素出现的比率fc，公式如下：
31、
32、其中，为dc中元素在测试样本中出现的总次数，为d0中元素在测试样本中出现的总次数；如果fc大于训练中学习到的划分阈值γc，则认为测试样本处于状态c。
33、与现有技术相比，本专利技术具有以下有益效果：
34、1、本专利技术使用状态特有波形和状态无关的共有波形来对脑电信号进行建模，明确区分了状态信号中的不同成分。
35、2、本专利技术通过引入字典之间的不一致约束，在识别波形的过程中，显式地考虑波形的状态特有性，有利于更高效地提取与特定状态相关的潜在生物标志物，结果表明较现有方法，本专利技术能够取得更高的准确性。
本文档来自技高网...【技术保护点】
1.一种基于状态相关卷积稀疏模型的脑电信号模式识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于状态相关卷积稀疏模型的脑电信号模式识别方法，其特征在于，步骤(1)中，预处理采用5阶Butterworth滤波器。
3.根据权利要求1所述的基于状态相关卷积稀疏模型的脑电信号模式识别方法，其特征在于，步骤(2)中，构建的卷积稀疏编码模型具体如下：
4.根据权利要求1所述的基于状态相关卷积稀疏模型的脑电信号模式识别方法，其特征在于，步骤(3-1)中，稀疏脉冲响应的优化目标函数如下：
5.根据权利要求1所述的基于状态相关卷积稀疏模型的脑电信号模式识别方法，其特征在于，步骤(3-2)中，状态共有字典D0的优化目标函数如下：
6.根据权利要求5所述的基于状态相关卷积稀疏模型的脑电信号模式识别方法，其特征在于，为了避免平凡解，对D0中的元素加上l2范数的约束。
7.根据权利要求1所述的基于状态相关卷积稀疏模型的脑电信号模式识别方法，其特征在于，步骤(3-3)中，状态特有字典Dc的优化目标函数如下：
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。