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】
本专利技术属于信号特征提取,具体涉及一种脑电信号的特征提取方法及装置、设备、存储介质。
技术介绍
1、脑电信号作为一种包含丰富脑活动信息的生理信号,在许多领域都有着重要的分析价值。但脑电信号往往包含复杂的人为噪声,且带有明显的非线性、非稳态特性,会使特征提取和信号分析过程复杂化,给脑电信号的分析带来很大挑战。目前,传统的基于线性滤波和小波变换的方法难以有效提取脑电信号的非线性特征,因此导致现有技术中提取的信号特征不够丰富,影响后续分类的准确性。
技术实现思路
1、本专利技术的目的在于提供一种脑电信号的特征提取方法及装置、设备、存储介质,可以提升信号的非线性可分性,在抑制噪声的同时保留更丰富信号特征,进而提高后续分类的准确性。
2、本专利技术第一方面公开一种脑电信号的特征提取方法,包括:
3、根据采集到的多通道的原始脑电信号,构建初始脑电度量矩阵;
4、根据所述初始脑电度量矩阵,构建简化近邻网络图;
5、根据所述简化近邻网络图,分别自适应优化高斯核函数和多项式核函数的参数,获得目标高斯核函数和目标多项式核函数;
6、计算所述初始脑电度量矩阵中每个通道序列对的内积;
7、根据所述目标高斯核函数将所述内积达到预设内积阈值的通道序列对映射到高斯核空间,以及,根据所述目标多项式核函数将所述内积小于所述预设内积阈值的通道序列对映射到多项式核空间;
8、在高斯核空间和多项式核空间中,根据映射后的核矩阵分别提取各核
9、根据所述初始脑电度量矩阵的类别标签,将各核空间的信息素特征融合映射到组合核空间,获得重构脑电度量矩阵;
10、对所述重构脑电度量矩阵进行降维,获得脑电特征矩阵。
11、在一些实施例中,根据所述初始脑电度量矩阵,构建简化近邻网络图,包括:
12、计算所述初始脑电度量矩阵中各个通道序列对之间的度量距离,将各个通道序列视为节点,根据各个通道序列对之间的度量距离构建包含全部节点的初始全连接网络图;
13、根据所述初始全连接网络图中各节点对之间的度量距离,确定所述初始全连接网络图中每个节点的真近邻节点,构建获得候选近邻网络图;
14、根据所述候选近邻网络图,确定备用近邻网络图;
15、根据所述备用近邻网络图中每个节点的真近邻点数量,对所述备用近邻网络图进行稀疏化处理获得简化近邻网络图。
16、在一些实施例中,根据所述候选近邻网络图,确定备用近邻网络图,包括:
17、判断所述候选近邻网络图的数量是否大于一;
18、若所述候选近邻网络图的数量大于一,根据所述初始脑电度量矩阵计算出拓扑结构基准值;以及,计算各个所述候选近邻网络图的拓扑结构指标值与所述拓扑结构基准值之间的误差,将误差最小的其中一个候选近邻网络图确定为备用近邻网络图。
19、在一些实施例中,根据所述备用近邻网络图中每个节点的真近邻点数量,对所述备用近邻网络图进行稀疏化处理获得简化近邻网络图,包括:
20、将所述备用近邻网络图中真近邻点数量小于真近邻阈值的节点标记为边缘节点;
21、以所述边缘节点为中心,识别构成其连接边的相邻节点,并从所述备用近邻网络图中删除所述边缘节点及其所有连接边,同时约束每个节点的连接边总数不大于最大连接数,获得简化近邻网络图。
22、在一些实施例中,在高斯核空间和多项式核空间中,根据映射后的核矩阵分别提取各核空间的信息素特征,包括:
23、在高斯核空间和多项式核空间中,计算映射后的距离矩阵作为各核空间的核矩阵;
24、根据所述简化近邻网络图以及各核空间的核矩阵,计算各核空间对应的拉普拉斯矩阵;
25、将所述拉普拉斯矩阵的最大特征值确定为对应核空间的信息素特征。
26、在一些实施例中,根据所述简化近邻网络图以及各核空间的核矩阵,计算各核空间对应的拉普拉斯矩阵,包括:
27、根据所述简化近邻网络图以及各核空间的核矩阵,确定各核空间的相邻关系矩阵;
28、将各核空间的核矩阵减去相应的相邻关系矩阵,得到拉普拉斯矩阵。
29、本专利技术第二方面公开一种脑电信号的特征提取装置,包括:
30、第一构建单元,用于根据采集到的多通道的原始脑电信号,构建初始脑电度量矩阵;
31、第二构建单元,用于根据所述初始脑电度量矩阵,构建简化近邻网络图;
32、优化单元,用于根据所述简化近邻网络图,分别自适应优化高斯核函数和多项式核函数的参数,获得目标高斯核函数和目标多项式核函数;
33、计算单元,用于计算所述初始脑电度量矩阵中每个通道序列对的内积;
34、映射单元,用于根据所述目标高斯核函数将所述内积达到预设内积阈值的通道序列对映射到高斯核空间,以及,根据所述目标多项式核函数将所述内积小于所述预设内积阈值的通道序列对映射到多项式核空间;
35、提取单元,用于在高斯核空间和多项式核空间中,根据映射后的核矩阵分别提取各核空间的信息素特征;
36、融合单元,用于根据所述初始脑电度量矩阵的类别标签,将各核空间的信息素特征融合映射到组合核空间,获得重构脑电度量矩阵;
37、降维单元,用于对所述重构脑电度量矩阵进行降维,获得脑电特征矩阵。
38、在一些实施例中,所述第二构建单元包括:
39、第一构建子单元,用于计算所述初始脑电度量矩阵中各个通道序列对之间的度量距离,将各个通道序列视为节点,根据各个通道序列对之间的度量距离构建包含全部节点的初始全连接网络图;
40、第二构建子单元,用于根据所述初始全连接网络图中各节点对之间的度量距离,确定所述初始全连接网络图中每个节点的真近邻节点,构建获得候选近邻网络图;
41、确定子单元,用于根据所述候选近邻网络图,确定备用近邻网络图;
42、处理子单元,用于根据所述备用近邻网络图中每个节点的真近邻点数量,对所述备用近邻网络图进行稀疏化处理获得简化近邻网络图。
43、本专利技术第三方面公开一种电子设备,包括存储有可执行程序代码的存储器以及与所述存储器耦合的处理器;所述处理器调用所述存储器中存储的所述可执行程序代码,用于执行第一方面公开的脑电信号的特征提取方法。
44、本专利技术第四方面公开一种计算机可读存储介质,所述计算机可读存储介质存储计算机程序,其中,所述计算机程序使得计算机执行第一方面公开的脑电信号的特征提取方法。
45、本专利技术的有益效果在于,通过构建脑电信号的简化近邻网络图,可以表示脑区之间复杂的空间关系,有利于保留脑电信号的拓扑结构信息,根据简化近邻网络图自适应优化核函数参数,可以结合脑电信号的复杂非线性拓扑结构特性建立更好的信号表达,并利用核技术将信号度量矩阵映射到高维空间,有效提升信号的非线性可分性,以及结合内积度量样本本文档来自技高网...
【技术保护点】
1.脑电信号的特征提取方法,其特征在于,包括:
2.如权利要求1所述的脑电信号的特征提取方法,其特征在于,根据所述初始脑电度量矩阵,构建简化近邻网络图,包括:
3.如权利要求2所述的脑电信号的特征提取方法,其特征在于,根据所述候选近邻网络图,确定备用近邻网络图,包括:
4.如权利要求2所述的脑电信号的特征提取方法,其特征在于,根据所述备用近邻网络图中每个节点的真近邻点数量,对所述备用近邻网络图进行稀疏化处理获得简化近邻网络图,包括:
5.如权利要求1至4任一项所述的脑电信号的特征提取方法,其特征在于,在高斯核空间和多项式核空间中,根据映射后的核矩阵分别提取各核空间的信息素特征,包括:
6.如权利要求5所述的脑电信号的特征提取方法,其特征在于,根据所述简化近邻网络图以及各核空间的核矩阵,计算各核空间对应的拉普拉斯矩阵,包括:
7.脑电信号的特征提取装置,其特征在于,包括:
8.如权利要求7所述的脑电信号的特征提取装置,其特征在于,所述第二构建单元包括:
9.电子设备,其特征在于,包括存储
10.计算机可读存储介质,其特征在于,所述计算机可读存储介质存储计算机程序,其中,所述计算机程序使得计算机执行权利要求1至6任一项所述的脑电信号的特征提取方法。
...【技术特征摘要】
1.脑电信号的特征提取方法,其特征在于,包括:
2.如权利要求1所述的脑电信号的特征提取方法,其特征在于,根据所述初始脑电度量矩阵,构建简化近邻网络图,包括:
3.如权利要求2所述的脑电信号的特征提取方法,其特征在于,根据所述候选近邻网络图,确定备用近邻网络图,包括:
4.如权利要求2所述的脑电信号的特征提取方法,其特征在于,根据所述备用近邻网络图中每个节点的真近邻点数量,对所述备用近邻网络图进行稀疏化处理获得简化近邻网络图,包括:
5.如权利要求1至4任一项所述的脑电信号的特征提取方法,其特征在于,在高斯核空间和多项式核空间中,根据映射后的核矩阵分别提取各核空间的信息素特征,包括:
6.如权利要求...
【专利技术属性】
技术研发人员:胡方扬,魏彦兆,李宝宝,唐海波,迟硕,
申请(专利权)人:小舟科技有限公司,
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。