一种时、频、空域多参数脑电特征提取与融合方法与流程

本发明属于脑电信号特征提取与融合技术领域，具体地说是一种时、频、空域多参数脑电特征提取与融合方法。

背景技术：
脑电能够综合反映脑神经系统电生理活动的总体作用及功能状态。在众多的认知功能障碍检测评估方法中，基于脑电信号特征的评估方法以其无创性、高时间分辨率、侧重时间上的信息传递和处理等独特优势,越来越广泛的应用于认知研究领域。脑电信号作为一种特殊的生物电信号包含了丰富的生理病理信息，为临床脑疾病的诊断,特别是早期诊断提供了有效手段。脑电信号分析模块中，特征提取是关键环节，提取的特征参数直接影响分类与评估效果。常用的特征提取方法有：1.单一的时域或频域特征提取：仅利用时域平均算法或频域功率谱估计。主要包括信号时域平均处理、功率谱估计等。信号时域平均处理可抑制混杂于原信号中的随机干扰，但其要求精确确定感兴趣的周期分量的周期，易导致严重误差。功率谱估计可通过信号的相关性估计得出接收到信号的功率随频率的变化关系。这两种方法抑制背景噪声的能力有限。2.模型参数法：如自回归（Autoregression,AR）模型、自适应自回归(adaptiveautoregression，AAR)模型等。AR模型适合于短数据处理，其计算量小、速度快，但参数不具有时变性。AAR模型采用自适应估计的自回归参数用于当前时间序列的频谱分析，对非稳态的频谱分析有着较好的分析效果。该方法能有效应用于变动大、无规律的时间序列预测中。3.时频分析方法：主要包括短时傅里叶变换、Wigner-Ville分布、小波分析法等。短时傅里叶变换假定待分析数据是分段平稳的，不适合用来分析频率随时间而改变的信号。Wigner-Ville分布是信号在时频平面上的联合功率谱，虽然克服了短时傅里叶的缺点，分辨率很高，但分析多分量信号时存在严重的交叉干预项。小波分析具有时、频同时局部化的优点。其可将信号能量强度或密度变化在时、频域上同时表示出来，使我们能够更全面、更直观地观察、分析信号数据。由于小波变换适合处理非平稳信号，近年来在信号处理领域得到广泛的应用。王攀等将时域能量熵和离散小波变换相结合，提出了一种基于P300带内带外特征的脑电信号特征提取方法，克服了P300信号识别中对电极数量和脑电信号叠加次数的苛刻要求。何庆华等的实验表明，小波变换域特征向量提取方法能有效地实现信号的去噪、降维和特征提取。4、时频空域特征提取:上述方法中，单独的时域或是频域，以及模型参数法主要用于分析平稳信号，小波分析法虽是非平稳信号的分析方法，但仍局限于时频特征。考虑到EEG非平稳低信噪比的特点，以及空间信息特征对于脑电特征定位的重要性，国际已开始研究基于时间频率空间域的特征提取方法。FikriGoksu等人提出一种单次实验EEG分类的新方法，这种方法是基于空间-时间-频率范围中的自适应主体特定运动想象模式，自适应地提取与EEG模式相关的主体特定运动想象。经试验结果证明，提出的算法平均分类正确率为96%。唐艳设计了时间空间-频率滤波器并应用于运动想象分类任务。但是目前该类算法还不能充分提取空间信息，且算法复杂度大，难以应用于实际系统中。

技术实现要素：
本发明针对上述问题，设计了一种时、频、空域多参数脑电特征提取与融合方法，能够有效解决脑电特征提取过程中，多域特征信息不能充分提取与有效选择，融合的特征信息不能充分利用的问题。本发明采用的技术方案是：一种时、频、空域多参数脑电特征提取与融合方法，关键在于：所述的方法步骤中包括：1）、采集脑电信号；2）、对采集的脑电信号进行数据预处理：对采集的脑电信号数据进行0.5-30Hz带通滤波，再去除眼电心电干扰信号、剔除伪迹数据以得到所需的EEG信号；3）、从预处理后数据中提取Kc复杂度、近似熵、小波熵；4）、基于AMUSE算法求得脑电奇异值分解矩阵参数；5）、对提取的Kc复杂度、近似熵、小波熵及脑电奇异值分解矩阵四类时、频、空域特征参数做特征选择；6）、用SVM分类器对以上特征选择后的时、频、空域四类参数进行融合与分类。本发明方法的关键在于：其一，经过长期地、无数次试验发现，选取Kc复杂度、近似熵、小波熵及脑电奇异值分解矩阵四类参数能够全方位地表现脑电特征信息，而且可以提高脑疾病诊断的准确率；其二、采用改进的加权最大相关最小冗余方法做特征选择使得数据更加可靠，提高算法的效率；其三、采用改进的SVM分类器，采用二级融合方式，先通过聚类，挖掘出每个训练样本与测试样本之间的相关程度，并将描述相关程度的相关因子赋予SVM损失函数，解决个体差异的影响，提高评估正确率。本发明的有益效果在于：本发明方法能够有效地、全方位地提取脑电特征信息，充分实现提取特征的有效融合，为脑功能障碍性疾病，如阿尔兹海默症、轻度认知障碍等的早期诊断评估提供有效的支持与帮助。附图说明图1是本发明方法流程图。图2是本发明方法中Kc复杂度特征提取方法流程图。图3是AMUSE算法流程图。图4是加权最大相关最小冗余算法特征提取方法流程图。图5是SVM分类器算法流程图。具体实施方式下面结合附图与具体实施方式对本发明作进一步说明。第一步：脑电信号采集脑电信号的采集设备使用两片ADS1299级联，2片ADSl299按菊花链式连接可实现16导放大器。电极的位置按照国际标准导联10-20电极系统安放，记录16导联（Fp1、Fp2、F3、F4、C3、C4、P3、P4、O1、O2、F7、F8、T3、T4、T5、T6）头皮脑电信号，Cz作为参考电极，前额作为参考地，采样率为250Hz。极低的输入参考噪声:1.0uVPP(70HzBW),共模抑制比是-110dB。采集静息状态脑电10min，采集环境同常规脑电采集环境。第二步：脑电数据预处理(1)待脑电信号平稳后截取脑电信号，进行预处理；(2)对数据进行0.5-30Hz带通滤波；(3)使用EEGLab工具箱去除眼电心电等干扰信号；(4)对伪迹明显的数据进行手动剔除，最终得到符合要求的EEG信号。第三步：提取脑电时频域特征，包括：Kc复杂度、近似熵、小波熵1.Kc复杂度：算法流程图如图2所示。S和Q分别代表两个字符串，SQ表示把S，Q两个字符串拼接的总字符串。表示SQ中最后一个字符删去所得到的字符串。令表示所有不同子串的集合。C为X序列的复杂度计数。2.近似熵：设原始数据为，共n点。对于u，按顺序将其组成一个m维的向量集，即(1)从第i个点开始连续的m个u的值。其中，参数m是比较序列的长度，即窗口长度，也叫嵌入维数。3.小波熵：离散时间信号f(t)，经过J层离散小波变换分解后，低频近似分量系数为高频细节系数为，其中单一尺度下的小波能量为该尺度下小波系数的平方和，总的小波能量为(2)为了统一，将表示为则总能量为(3)相对小波能量为(4)第四步：AMUSE算法提取分解矩阵。算法流程图如图3所示1.假设EEG信号是由有限组分构成，EEG源信号组分数为，时刻源信号向量为：；2.组分线性混合过程是未知的，由混合矩阵A来描述，A为矩阵(一般情况下，A为矩阵——混合信号个数与源信号个数不等)，则混合信号观测值为：(5)盲源分离就是仅通过观测信号和源信号的概率分布先验知识来恢复出。3.组分虽然随时间改变，但在每个通道（信道）中组分的权重不变，盲源分离目标变为求分解矩阵,输出信号是源信号的一个估计，即：(6)(7)4.AMUSE算法求得分解矩阵(1)标准预白噪化进行线性变换，如公式(8)：(8)式中，，为标准协方差矩阵。(2)对已经预白噪化数据()的时滞协方差矩阵进行奇异值分解（SVD）如公式(9)：(9)式中，是一个对角矩阵（奇异值递减），,是特征向量矩阵。(3)得出分解矩阵为：或(10)第五步：基于加权最大相关最小冗余方法,实现特征选择，算法流程图如图4所示。设输入为X，S，F，C。其中，X表示原始特征集合，S表示已选特征集合，F表示待选特征子集，C表示数据集类别；输出为最优特征子集O。(1)令,，首先计算目标类别C与特征之间的相关性，按相关性程度排序；(2)后向搜索，保留相关性大的特征，并按特征相关程度实现特征子集初级筛选。(3)对已选特征子集分别进行信息距离Dmi和信息熵Qmi分析：设:令：在Dmi和Qmi基础上，加入权重因子，通过多次循环计算及分类器验证，得到最优特征组合。第六步：基于修正损失函数权重的SVM分类器实现时频空域脑电特征的二级融合。支持向量机SVM是关于统计学习理论的实现方法,在很大程度上解决了过学习、非线性及维数灾难等模式识别中存在的问题。在本发明方法中，采用改进SVM实现多特征融合，其改进在于：当引入一个新的样本并对其状态进行预测时，由于不同样本间存在一定的个体差异，在分类器训练时有的训练样本的引入可能反而会降低其性能，同时也会影响到分类器的训练速度，当样本数量较大时，这种情况尤为明显。本算法为了降低算法复杂度，采用二级融合方式，先通过聚类，挖掘出每个训练样本与测试样本之间的相关程度，并将描述相关程度的相关因子赋予SVM损失函数，解决个体差异的影响，提高评估正确率。算法流程图如图5所示。支持向量机的标准表达式为:(11)支持向量机的损失函数如公式：(12)改进损失函数的表达式公式：(13)其中为训练集特征数目，用定义样本在分类方面与测试样本的相似性，以此解决大样本算法复杂度的问题。