一种不同味觉刺激下的脑成像信号区分方法

本发明涉及食品领域，尤其是涉及一种基于fisherscore-svm-rfe特征选择的不同味觉刺激下的脑成像信号区分方法。

背景技术：

0、技术背景

1、味觉神经整合和大脑认知部分一直是人类研究的焦点。随着神经影像技术的发展，功能性近红外脑成像系统(fnirs)以其方便携带、价格便宜、使用安全、参与者可以在正常条件下接受扫描、对运动伪影的敏感度较低等特点，近些年来逐渐被应用到味觉脑科学探究上来，通过对不同味觉刺激下人脑成像信号的分析，有助于获取人的味觉感知程度信息，在患者味觉障碍的研究上具有重要意义。

2、通过fnirs获得的神经响应信号维度通常维度很大，为后续处理带来很大挑战，因此，通常对原始数据进行特征提取以抓取有用信息。但是，基于尽可能保留有效信息的思想所提取的特征集往往存在大量的冗余信息，需要对所提取的特征进行筛选和剔除。常见的特征选择有过滤法、包装法和嵌入法，在保证有效信息尽可能保留的同时，剔除去除不相关特征和冗余特征。

3、但由于脑成像数据小样本、噪声多，使得传统的单一特征选择方法无法很好的提取到有用信号，进而影响脑成像信号区分。

技术实现思路

1、为了准确分区不同类别味觉溶液刺激下脑成像信号，本发明设计了fisherscore-svm-rfe特征选择算法，一方面根据类内距离尽可能小，类间距离尽可能大的思想剔除原始特征集中的不相关特征，另一方面结合脑成像数据小样本的特点，直接用svm分类器模型结果为评估，结合rfe算法优化特征组合，实现不同浓度味觉溶液刺激下脑成像信号的有效区分。

2、为实现上述目的，本发明采用的技术方案是这样的：

3、一种不同味觉刺激下的脑成像信号区分方法，包括以下步骤：

4、(1)获取不同味觉刺激下的原始脑成像信号，标记对应不同味觉刺激的标签；

5、(2)将原始脑成像信号进行预处理，提取预处理后脑成像信号的统计特征和熵特征，构成样本特征集f0；

6、(3)将特征集f0归一化处理，得到特征集f1；

7、(4)基于fisher score法对特征集f1进行特征选择，得到特征子集f2；

8、(5)使用支持向量机-递归特征消除算法对特征子集f2进行迭代选择，得到最优特征子集，记录最优特征子集中的特征种类和支持向量机最优参数；

9、(6)针对待区分的原始脑成像信号，根据步骤(5)得到的特征种类提取最优特征，再经归一化处理后利用基于最优参数的支持向量机实现分类。

10、进一步的，步骤(2)中所述预处理包括对数据异常数据剔除、有效信号截取和拼接、伪影信号校正、信号滤波、修正比尔-朗伯转换和数据的分段平均。

11、进一步的，所述统计特征包括均值、最大值、斜率值、面积值、标准差和一阶差分值；所述熵特征包括近似熵和样本熵。

12、进一步的，所述步骤(4)具体为：

13、(4.1)计算特征集f1中第i类样本在第k个特征上取值的均值mi(k)，其中i＝1,2，...c，c为味觉刺激的种类数量；

14、(4.2)计算所有样本在第k个特征上取值的均值m(k)；

15、(4.3)计算第k个特征在特征集f1上的类间方差，其计算公式具体为：

16、

17、其中，n表示样本数，ni表示第i类样本的数量，sb(k)表示第k个特征的类间方差；

18、(4.4)计算第k个特征在特征集f1上的类内方差，其计算公式具体为：

19、

20、其中，sw(k)表示第k个特征的类内方差，wi表示特征集f1中的第i类样本，f1(k)表示特征集f1中的第k个特征；

21、(4.5)计算第k个特征在特征集f1上的fisher score，计算公式具体为：

22、

23、其中，j(k)表示第k个特征在特征集f1上的fisher score：

24、(4.6)重复步骤(4.1)-(4.5)，计算特征集f1中所有特征的fisher score，将所得的所有特征fisher score由大到小进行排名；取排名前k1的特征组成特征子集f2。

25、进一步的，所述步骤(5)具体为：

26、(5.1)利用特征子集f2数据训练支持向量机分类器，得到每个特征向量对应的权重ωk；

27、(5.2)计算每个特征对应的排序准则分数

28、(5.3)将排序准则分数最小的特征f2(k)从特征子集f2中剔除，同时更新特征排序子集f3，迭代前初始f3为其计算公式具体为：

29、f3＝f2(k)∪f3

30、(5.4)重复步骤(5.1)-(5.3)，直至特征子集特征排序子集f3中k1个特征按照排序准则分数由大到小排列；

31、(5.5)设定筛选个数k2，k2＜k1，特征排序子集f3中前k2个特征组成fisher score和svm-rfe算法选择后的最优特征子集f4。

32、本发明具有以下有益效果：

33、(1)本发明选择提取脑成像数据的统计特征和熵特征，在减少数据量的同时较为全面保留降低了原始数据的特性；

34、(2)本发明结合fisher score思想根据类内距离尽可能小，类间距离尽可能大的思想剔除原始脑成像数据特征集中的不相关特征，降低数据维数；

35、(3)本发明结合脑成像数据小样本的特点，直接用svm分类器模型结果为评估，有效去除冗余特征，同时与rfe结合能够选择出最优特征向量组合。

技术特征：

1.一种不同味觉刺激下的脑成像信号区分方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种不同味觉刺激下的脑成像信号区分方法，其特征在于，步骤(2)中所述预处理包括对数据异常数据剔除、有效信号截取和拼接、伪影信号校正、信号滤波、修正比尔-朗伯转换和数据的分段平均。

3.根据权利要求1所述的一种不同味觉刺激下的脑成像信号区分方法，其特征在于，所述统计特征包括均值、最大值、斜率值、面积值、标准差和一阶差分值；所述熵特征包括近似熵和样本熵。

4.根据权利要求1所述的一种不同味觉刺激下的脑成像信号区分方法，其特征在于，所述步骤(4)具体为：

5.根据权利要求1所述的一种基于fisherscore-svm-rfe特征选择的不同类别味觉溶液刺激下脑成像信号区分方法，其特征在于，所述步骤(5)具体为：

技术总结
本发明公开了一种不同味觉刺激下的脑成像信号区分方法，涉及食品领域，获取不同味觉刺激下的原始脑成像信号；将原始脑成像信号进行预处理，提取预处理后脑成像信号特征，并经过FisherScore‑SVM‑RFE特征选择算法获取最优特征，在最优特征子集基础上构建机器分类模型，完成对不同浓度味觉溶液刺激下近红外脑成像响应信号的区分。本发明结合了Fisher Score和SVM‑RFE算法的优点，根据类内距离尽可能小，类间距离尽可能大的思想剔除原始特征集中的不相关特征，并结合脑成像数据小样本的特点，直接用SVM分类器模型结果为评估，结合RFE算法优化特征组合，实现不同浓度味觉溶液刺激下脑成像信号的有效区分。

技术研发人员：韦真博,麦家瑜,孙毅,王俊,程绍明,郭军辉
受保护的技术使用者：浙江大学
技术研发日：
技术公布日：2024/1/13