一种基于条件最大平均差异的特征提取方法

本发明属于信息论和机器学习，具体涉及一种基于条件最大平均差异(conditional maximum mean discrepancy，cmmd)的特征提取方法。

背景技术：

1、脑电图(eeg)是一种记录大脑电活动的关键技术，通过在头皮上安置电极捕获大脑的电信号。这些信号的详细分析能揭示癫痫等神经疾病的关键特征，如特定的频率、振幅以及时间和频率上的特征，还能展现与癫痫活动相关的空间模式。

2、在神经科学和临床医学领域，传统的脑电图分析法占据重要地位。但这些方法存在一定局限性，比如需要大量人工和时间来手动审查和标记大量eeg数据。此外，分析结果可能受到主观判断的影响，不同分析者可能对同一数据做出不同解释。现今，新兴技术如机器学习和高级信号处理，正逐渐改变这一现状，它们在克服传统eeg分析的限制方面展现出巨大潜力，提供了更全面、客观和高效的大脑活动解释方法。在特征提取方面，传统方法包括时域、频域、时频域特征提取，以及模糊熵、李亚普诺夫指数等非线性特征提取方法；其中，非线性方法如模糊熵需要较长的时间序列数据以稳定计算结果，这在实际应用中可能成为限制因素。

技术实现思路

1、解决的技术问题：本发明公开了一种基于条件最大平均差异(conditionalmaximum mean discrepancy，cmmd)的特征提取方法，对有先验知识的不同分布下的脑电图(eeg)信号进行分析，以条件最大平均差异的值为依据，实现对脑部疾病的检测；本发明以连续统计的方式计算出达到对应eeg信号异常的目标属性的情形，判定大脑状态的异常，以提高大脑诊断的效率和准确性，为脑科学研究和临床诊断提供了一种新的工具。

2、技术方案：

3、一种基于条件最大平均差异的特征提取方法，所述特征提取方法包括以下步骤：

4、s1，采用脑电仪以等时间间隔采样获得n维的脑电图信号x(n)＝[x(1)，x(2)，...，x(n)]，n＝1，2，...，n，n为采样信号的长度；

5、s2，根据预设的窗口增量s和全连接因子j，对待检测的脑电图信号x(n)进行全连接窗口的划分，分成两个长度不相同的第一脑电图信号片段向量x和第二脑电图信号片段向量y；x代表是前一段时间序列的脑电图窗口信号，y代表后一段时间序列的脑电图窗口信号，其中y窗口包含x窗口的信息，x＝[x(1)，x(2)，...，x(j*s)]，y＝[y(1)，x(2)，...，x(j*s+s)]；j＝1，2，...，w，

6、s3，令j＝1；

7、s4，分别提取第一脑电图信号片段向量x和第二脑电图信号片段向量y中的其中一个窗口信号，将之分别与先验知识健康人正常的脑电图信号进行高斯核函数计算；

8、s5，基于提取的两个窗口信号的高斯核函数计算结果，采用粒子群算法确定两个窗口信号对应的条件最大平均差异的方法的标签；

9、s6，令j＝j+1，重复步骤s4和步骤s5，直至j达到w+1；

10、s7，将计算得到的所有窗口信号的标签组成标签向量cp＝[c1，c2，...，cw]；基于得到的标签向量，通过条件最大平均差异的方法计算第一脑电图信号片段向量x和第二脑电图信号片段向量y的距离，获得待检测的脑电图信号对应的特征向量。

11、进一步地，步骤s2中，对待检测的脑电图信号x(n)进行全连接窗口的划分的过程包括以下步骤：

12、设置窗口增量s和全连接因子j，对于待检测的脑电图信号x(n)＝[x(1)，x(2)，...，x(n)]进行全连接窗口的划分；划分得到的全连接窗口表示为x＝[x(1)，x(2)，...，x(j*s)]，y＝[y(1)，y(2)，...，y(j*s+s)]，j＝1，2，...，w，

13、进一步地，步骤s3中，依次分别提取第一脑电图信号片段向量x和第二脑电图信号片段向量y中的其中一个窗口信号，将之分别与先验知识健康人正常的脑电图信号进行高斯核函数计算的过程包括以下步骤：

14、s31，构建先验知识健康人正常的脑电图信号

15、s32，对第一脑电图信号片段x和脑电图信号z1进行高斯核函数的计算，得到kernel_value1矩阵，其中，脑电图信号z1和第一脑电图信号片段x的长度相等，将信号片段x中每一个信号记作xr，将信号片段z1中每一个信号记作z1r，r＝1，2...，m1；

16、

17、式中，||xr-z1r||2表示第一脑电图信号片段x的第r个元素和脑电图信号z1的的第r个元素之间的平方欧氏距离；参数γ和核函数的带宽参数有关；

18、s33，对kernel_value1矩阵划分得到核函数矩阵xx、zz和xz；其中，代表第一脑电图信号片段x内部元素之间的核函数值，xx矩阵是kernel_value1矩阵中从第1行到行和从第1列到列的全部元素；代表脑电图信号z1内部元素之间的核函数值，zz1矩阵是kernel_value1矩阵中从第行到m1行和从第列到m1列的全部元素；代表第一脑电图信号片段x和脑电图信号z1之间的核函数值，xz矩阵是kernel_value1矩阵中从第1行到行和从第列到m1列的全部元素；

19、s34，构建先验知识健康人正常的脑电图信号

20、s35，对第二脑电图信号片段y和脑电图信号z2进行高斯核函数的计算，得到keme1_value2矩阵，其中第二脑电图信号片段y和脑电图信号z2的长度相等，将信号片段y中每一个信号记作ye，将信号片段z2中每一个信号记作z2e，e＝1，2…，m2；

21、

22、式中，||ye-z1e||2表示第二脑电图信号片段y的第e个元素和脑电图信号z的第e个元素之间的平方欧氏距离；

23、s36，对kernel_value2矩阵划分得到核函数矩阵yy、zz和yz；其中，代表第二脑电图信号片段y内部元素之间的核函数值，yy矩阵是kernel_value1矩阵中从第1行到行和从第1列到列的全部元素；代表脑电图信号z内部元素之间的核函数值，zz2矩阵是kernel_value2矩阵中从第行到m1行和从第列到m2列的全部元素；代表第二脑电图信号片段y和脑电图信号z之间的核函数值，xz矩阵是kernel_value2矩阵中从第1行到行和从第列到m2列的全部元素。

24、进一步地，步骤s4中，采用粒子群算法确定两个窗口信号对应的条件最大平均差异的方法的标签的过程包括以下步骤：

25、s41，将f(x)作为粒子群算法的目标函数：

26、f(x)＝(xx-yz)*x+(zz1-zz2)*(2-x)-2*x*(2-x)*xz+2*x*(2-x)*yz

27、其中f(x)最大时，x代表的是标签c的最优解，f(x)代表的是cmmd条件最大平均差异的最大值；

28、s2，使用x(t+1)＝x(t)+v(t+1)和v(t+1)＝w*v(t)+c1r1(pu-x(t))+c2r2(pbest-x(t))对目标函数f(x)进行迭代更新，t表示迭代次数；v(t+1)代表在t+1迭代次数后的粒子群每个粒子组成的速度向量，w是惯性权重，用于控制粒子的飞行速度v；c1和c2是学习因子，用于分别控制个体和社会的学习因素；r1和r2是[0，1]之间的随机数；pbest是整个群体中所有粒子中的最佳位置；当f(x)最大值时，将其对应的标签结果x记作c。

29、进一步地，步骤s6中，通过条件最大平均差异的方法计算第一脑电图信号片段向量x和第二脑电图信号片段向量y的距离，获得待检测的脑电图信号对应的特征向量的过程包括以下步骤：

30、s61，将第一脑电图信号片段向量x中每一个窗口信号与先验知识健康人正常的脑电图信号的高斯核函数计算结果φ(x)和标签向量cp中对应的标签相乘，即x＝[x(1)，x(2)，…，x(j*s)]信号片段和标签值cj相乘，j＝1，2，...，w；叠加在j＝1，2，...，w情况下的窗口信号的相乘计算结果进行求和，对求和值求取平均值，得到第一脑电图信号片段向量x对应的参数值；nc代表窗口信号的数量；

31、s62，将第二脑电图信号片段向量y中每一个窗口信号与先验知识健康人正常的脑电图信号的高斯核函数计算结果φ(y)和标签向量cp中对应的标签相乘，即y＝[y(1)，y(2)，…，y(j*s)]信号片段和标签值cj相乘，j＝1，2，...，w；叠加在j＝1，2，...，w情况下的所有窗口信号的相乘计算结果进行求和，对求和值求取平均值，得到第二脑电图信号片段向量y对应的参数值；

32、s63，计算第一脑电图信号片段向量x和第二脑电图信号片段向量y对应的参数值进行两者相减平方后，得到欧氏距离cmmd：

33、

34、s64，在j＝1，2，...，w情况下全连接窗口下的cmmd的值组成cmmd向量，获得待检测的脑电图信号对应的特征向量cmmd(vector)＝[cmmd(1)，cmmd(2)，...，cmmd(w)]。

35、有益效果：

36、第一，本发明的基于条件最大平均差异的特征提取方法，对有先验知识的不同分布下的脑电图(eeg)信号进行分析，以条件最大平均差异的值为依据，实现对脑部疾病的检测，有效解决了目前现有方法计算准确性不足的问题。

37、第二，本发明的基于条件最大平均差异的特征提取方法，首先执行获得相对应的等时间间隔的脑电信号数据，获得满足条件最大平均差异特征提取的窗口对象，对先验知识的不同分布下的脑电图(eeg)信号进行分析来以条件最大平均差异的值为依据，实现对脑部疾病的检测；本发明综合考虑了多种关键因素的，包括数据预处理、粒子群算法，以及新的条件最大平均差异计算方法，有效提高目标脑部疾病检测的准确性与工作效率。