基于最优核时频分布可视图的癫痫脑电信号识别方法与流程

技术特征：

1.一种基于自适应最优核时频分布可视图的癫痫脑电信号识别法，其特征在于，包括如下步骤：

1)获得原始脑电数据，计算预处理后的脑电信号的自适应最优核时频分布，包括：

(1)自适应最优核时频分布P_AOK(t,f)表示为：

P_AOK(t,f)＝∫∫A(t,τ,υ)Φ(τ,υ)e^{-j2π(tυ+τf)}dτdυ

其中，υ为频偏，τ为时延，t为时间，f为频率，Φ(τ,υ)为用于产生自适应最优核时频分布的核函数，形式为二维高斯函数形式：

$\mathrm{\Φ}(\mathrm{\τ},\mathrm{\υ})=e^{-r^2/2{\mathrm{\σ}}^2\left(\mathrm{\ψ}\right)}$

其中，r²＝τ²+υ²，ψ＝arctan(τ/θ),σ(ψ)为控制核函数在ψ方向上的扩展，A(t,τ,υ)为自适应最优核时频分布的短时模糊函数，以时间t为中心，表示为：

$A(t,\mathrm{\υ},\mathrm{\τ})=\∫z^{*}\left(u\frac{\mathrm{\τ}}{2}\right)\·{\mathrm{\ω}}^{*}(u-t-\frac{\mathrm{\τ}}{2})\·z(u+\frac{\mathrm{\τ}}{2})\·\mathrm{\ω}(u-t+\frac{\mathrm{\τ}}{2})\·e^{j\mathrm{\υ}u}du$

其中，z为所要计算的自适应最优核时频分布的脑电信号，ω为以时间t为中心，长度为T的对称窗函数，自适应最优核时频分布的短时模糊函数只在[t-T,t+T]范围内计算，u表示时间变量，自适应最优核核函数在极坐标下表示为Φ(r,ψ)，所述核函数由以下的最优化条件来决定：

$\underset{\mathrm{\Φ}}{max}\∫\∫{|A(r,\mathrm{\ψ})\·\mathrm{\Φ}(r,\mathrm{\ψ})|}^{2}rdrd\mathrm{\ψ}$

约束条件为：

$\mathrm{\Φ}(r,\mathrm{\ψ})=e^{-r^2/2{\mathrm{\σ}}^2\left(\mathrm{\ψ}\right)}$

$\frac{1}{2\mathrm{\π}}\∫\∫{\left|\mathrm{\Φ}(r,\mathrm{\ψ})\right|}^{2}rdrd\mathrm{\ψ}=\frac{1}{2\mathrm{\π}}\∫{\mathrm{\σ}}^2\left(\mathrm{\ψ}\right)d\mathrm{\ψ}\≤\mathrm{\α},\mathrm{\α}\≥0$

式中，α为核参数，A(r,ψ)和Φ(r,ψ)分别是极坐标下的短时模糊函数和核函数；

(2)根据第(1)步所得到的自适应最优核时频分布P_AOK(t,f)，得到脑电信号的能量时间序列

${\left\{E_t\right\}}_{t=0}^T=\underset{f=f_0}{\overset{F}{\Σ}}{P}_{AOK}(t,f)$

所述的预处理包括：对原始脑电数据进行带通滤波，去除高低频干扰成分；手动剔除剩余伪迹数据，最终得到预处理后的脑电数据用于后续的分析；

2)进行癫痫状态的分类，包括：

(1)对于每一个得到的时间能量序列进行可视化分析，得到能量时间序列可视图复杂网络，具体是：

如果能量时间序列内的任意两个点(t_a,E_a)和(t_b,E_b)可视，也就是两点之间有连边，则这两点间的任意一点(t_c,E_c)都要满足:

$E_c\<E_b+(E_a-E_b)\frac{t_b-t_c}{t_b-t_a}$

(2)提取获得能量时间序列可视图复杂网络的特征指标：

全局聚集系数C：

$C=\frac{{\mathrm{\τ}}_{\mathrm{\Δ}}}{\mathrm{\τ}}$

局部聚集系数均值

$C_i=\frac{{\mathrm{\τ}}_{i,\mathrm{\Δ}}}{{\mathrm{\τ}}_i}$

$\stackrel{\‾}{C}=\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}{C}_i$

聚集系数熵E_C：

$E_C=-\underset{i=1}{\overset{N}{\Σ}}(C_i/\underset{i=1}{\overset{N}{\Σ}}{C}_i)log(C_i/\underset{i=1}{\overset{N}{\Σ}}{C}_i)$

节点度的均值

$\stackrel{\‾}{k}=\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}{k}_i$

其中，τ_△表示的是一个可视图网络中闭三元组的数目，一个三角由三个封闭的三元组构成，τ表示一个可视图网络中的开三元组数目，开三元组即为三个节点由两条连边连接，τ_i表示一个可视图网络中以节点i为中心的开三元组数目，τ_i,△表示的是一个可视图网络中以节点i为中心的闭三元组数目，C_i表示节点i的局部聚集系数，k_i是节点i的度，即节点i的连边数，N表示网络的节点数；

(3)提取自适应最优核时频分布指标：

时频分布偏差值P_std：

$P_{std}=\sqrt{\frac{\underset{t=0}{\overset{T}{\Σ}}\underset{f=f_0}{\overset{F}{\Σ}}{\left(P_{AOK}\right(t,f)-P_{mean})}^2}{mn-1}}$

$P_{mean}=\frac{\underset{t=0}{\overset{T}{\Σ}}\underset{f=f_0}{\overset{F}{\Σ}}{P}_{AOK}(t,f)}{mn}$

其中，m和n分别是时频分布的行数和列数，P_mean表示时频分布均值，自适应最优核时频分布的频率范围为(f₀-F)；

(4)结合支持向量机分类癫痫EEG信号，包括：组合自适应最优核时频分布指标和能量时间序列可视图复杂网络的特征指标，构成三维指标向量，分别采用留一法交叉验证和支持向量机分类器，对所有的三维指标向量进行分类，以及采用十折交叉验证和支持向量机分类器，对所有的三维指标向量进行分类。

2.根据权利要求1所述的基于自适应最优核时频分布可视图的癫痫脑电信号识别法，其特征在于，步骤2)中的第(4)步所述的采用留一法交叉验证和支持向量机分类器，对所有的三维指标向量进行分类，是将步骤2)中得到的每一个多尺度水平有限穿越可视图复杂网络的节点平均聚集系数和聚集系数熵E_C构成一个三维指标向量，采用留一法交叉验证和支持向量机分类器，对所有的三维指标向量进行分类，即依次将一个三维指标向量作为测试集，将其余的指标向量作为训练集，并提供对应的训练集标签，遍历所有的三维指标向量作为测试集，其余的指标向量作为训练集后，从而得到所有的三维指标向量的分类结果。

3.根据权利要求1所述的基于自适应最优核时频分布可视图的癫痫脑电信号识别法，其特征在于，步骤2)中的第(4)步所述的采用十折交叉验证和支持向量机分类器，对所有的三维指标向量进行分类，包括：

(1)将所有的三维指标向量随机的分为等长的十份子集；

(2)将十份子集中的一个子集作为测试集，剩余的九份子集作为训练集，提供对应的训练集标签，得到作为测试集的子集中的三维指标向量的分类结果；

(3)重复第(2)步，直至分别得到十份子集的三维指标向量的分类结果，构成一次的十折交叉验证分类结果；

(4)重复第(1)步～第(3)步十次，得到十次的十折交叉验证分类结果；

(5)对十次的十折交叉验证分类结果取均值作为所有三维指标向量的分类结果。