基于NA-MEMD和GMM聚类的有用信号识别方法技术

本发明专利技术公开了一种基于NA‑MEMD和GMM聚类的有用信号识别方法。目前经验模式分解方法将多变量信号分解出若干尺度上的内蕴模式函数分量之后，如何在各个尺度上准确地识别出包含有用信息的IMF分量仍然存在依赖于先验知识、识别率较低等问题。本发明专利技术首先采用NA‑MEMD算法分解多变量信号以得到不同尺度上的IMF分量，其次采用谱回归降维算法将各个尺度上的IMF分量映射到一个低维子空间以抽取出对应的低维特征向量，然后在每个尺度上采用GMM聚类算法对低维特征向量进行聚类分析，最后根据聚类结果识别出包含有用信息的IMF分量。该方法在脑电信号处理、神经数据分析中具有广阔的应用前景。

【技术实现步骤摘要】

本专利技术属于脑电信号处理领域，涉及一种脑电信号有用分量识别方法，特别涉及一种基于噪声辅助多变量经验模式分解和高斯混合模型聚类的有用信号分量识别方法。
技术介绍
脑电信号(Electroencephalogram，EEG)是大脑内部的神经细胞活动在大脑皮层的综合反映，包含着与大脑状况、思维过程等方面的相关信息。由于非植入式EEG相对简单快速，对人无损，同时具有较高的时间分辨率，因而成为脑电信号处理与应用中最重要的信号获取手段之一。但是，EEG通过头皮电极获取，信号非常微弱且背景噪声强，因而从非线性、非平稳的EEG信号中准确快速地提取特定任务相关的有用信息具有重要意义。1998年，Huang等人提出了一种完全由数据驱动的自适应的时-频分析方法——经验模式分解(EmpiricalModeDecomposition，EMD)，在生物电信号处理领域得到了广泛研究，但会产生模式混叠现象。为了解决该问题，Wu和Huang提出了一种噪声辅助的改进算法EEMD(EnsembleEMD)。它利用白噪声具有频率均匀分布的统计特性，当信号加入白噪声后，改变了信号极值点的特性，使信号在不同尺度上具有连续性从而有效的避免模式混叠。但是，EEMD和EMD都只能处理一维信号，不适合分析多通道数据。2010年，Rehman等人改进了经典的EMD算法，提出了多变量经验模式分解(MultivariateEMD，MEMD)算法，可同时对多通道数据进行分解，能够避免各变量分解出的内蕴模式函数(IntrinsicModeFunctions,IMFs)个数、频率不匹配问题，但仍然存在模式混叠问题。最近，Rehman等人结合EEMD和MEMD的优点，又提出了噪声辅助的多变量经验模式分解(Noise-AssistedMEMD，NA-MEMD)方法，能很好地解决这些问题。尽管EMD及其扩展方法得到了广泛研究和应用，如何判定包含有用信息的IMF分量是影响EMD及其拓展方法应用效果的关键因素之一。目前研究大多数利用先验知识，根据研究对象已知的频率成分对IMFs进行选取。Luo等人根据IMF分量的瞬时频率衡量对应阶分量的有效度，选取有效度最高的分量建立自回归(AR)模型，用于手部运动识别。Park等人先用MEMD方法对信号和独立高斯白噪声通道分解出若干阶次(尺度)的IMF分量，计算各尺度IMF分量的平均功率谱，然后根据运动想象脑电信号相关频率的先验信息选取有用的IMF分量，取得了优于EMD、连续小波变换和短时傅里叶变换的结果。Change等人根据与Beta节律相关的神经元振荡活动规律，通过研究Beta频带的IMFs的平均频率来选择重要的IMF分量。最近，Hu等人提出了一个不依赖先验知识的、基于统计的IMF分量识别方法，使用Wasserstein距离度量各尺度上信号IMF分量与噪声IMF分量之间的相似性来选取有用信息，在仿真数据和视觉皮层的局部场电位(LocalFieldPotentials，LFP)神经数据中取得了较好的实验结果。综上所述，在使用EMD及其改进方法对多通道脑电信号分解出若干尺度上的IMF分量之后，如何在各个尺度上准确地识别出包含有用信息的IMF分量，这一问题没有得到有效解决。
技术实现思路
本专利技术的目的就是针对现有的基于EMD的有用信息识别方法依赖于先验知识、识别率较低等问题，提供一种基于噪声辅助多变量经验模式分解(Noise-AssistedMultivariateEmpiricalModeDecomposition，NA-MEMD)和高斯混合模型(GaussianMixtureModel，GMM)聚类的有用信号分量识别方法。本专利技术提出一种基于NA-MEMD和GMM聚类的有用信号分量识别方法。首先采用NA-MEMD算法分解多通道原始信号以得到不同尺度上的IMF分量，其次采用谱回归(SpectralRegression，SR)降维算法将各个尺度上的IMF分量映射到一个低维子空间以抽取出对应的低维特征向量，然后在每个尺度上采用GMM聚类算法对低维特征向量进行聚类分析，最后根据聚类结果识别出包含有用信息的IMF分量。为了实现以上目的，本专利技术方法主要包括以下步骤：步骤(1)由n通道原始信号和l通道不相关的高斯白噪声时间序列组成一个(n+l)通道的多变量信号，使用噪声辅助的多变量经验模式分解(NA-MEMD)算法对该(n+l)变量信号进行分解，得到若干尺度上的内蕴模式函数(IMF)分量，记为一个(n+l)×J×L矩阵，其中J表示分解尺度的个数，L是每个通道的采样点数。步骤(2)在第j(j＝1,…,J)个尺度上，将来自每个信号通道的IMF分量与来自噪声的IMF分量联合，得到n组包含(l+1)变量的复合数据，记为一个n×(l+1)×L矩阵。步骤(3)在第j(j＝1,…,J)个尺度上，采用谱回归(SR)算法对第i(i＝1,…,n)组复合数据进行降维，产生n组低维特征向量，记为一个n×(l+1)×M矩阵，其中M是数据降维之后的维数。步骤(4)在第j(j＝1,…,J)个尺度上，采用高斯混合模型(GMM)聚类算法估计出每组低维特征向量的最优聚类数目然后采用最大似然分类法将每组低维特征向量分成个类别。步骤(5)在第j(j＝1,…,J)个尺度上，根据步骤(4)得到的聚类结果识别出包含有用信息的IMF分量，具体为：如果来自任何一个单独信号通道的IMF分量与来自噪声通道的IMF分量被分类到同一聚类中，那么该信号通道的IMF分量被认为是不包含有用信息的，否则被认为是包含有用信息的。本专利技术与已有的基于EMD的有用信号分量识别方法相比，具有如下特点：1、不依赖于先验信息，具有尺度依赖性本专利技术采用完全数据驱动的噪声通道辅助多变量模式分解方法和，不需要根据研究对象的先验知识对IMF分量进行选取，能够识别每个信号通道在各个尺度上的有用IMF分量。2、基于谱回归的低维表达本专利技术采用谱回归方法降低NA-MEMD分解出的IMF分量的维数，构建一个近邻图来刻画它们的内在结构，从而获得IMF分量的低维表达，可以减少聚类分析的计算量和提高聚类性能。3、基于GMM聚类的有用信息分量识别本专利技术采用GMM聚类算法先对来自原始信号和噪声的低维IMF分量的概率密度函数进行建模，然后自适应地选择最优的聚类数目及其模型参数，采用最大似然分类法鉴别包含有用信息的IMF分量。本专利技术方法可以较好地识别多变量信号在不同尺度上的有用信息成分，在脑电信号处理、神经数据分析、脑-机接口等领域具有广阔的应用前景。附图说明图1为本专利技术的实施流程图。具体实施方式下面结合附图详细描述本专利技术所提的基于噪声辅助多变量经验模式分解(NA-MEMD)和高斯混合模型(GMM)聚类的有用信号分量识别方法，图1为实施流程图。如图1，本专利技术方法的实施主要包括五个步骤，下面逐一对各步骤进行详细说明。步骤一：由n通道原始信号和l通道不相关的高斯白噪声时间序列组成一个(n+l)通道的多变量信号，使用噪声辅助多变量经验模式分解算法对该(n+l)变量信号进行分解。具体过程如下：(1)随机生成l通道不相关高斯白噪声信号，其长度与n通道原始信号等长，长度都为L。(2)将生成的l通道噪声信号加入到n通道原始信号中，构成(n+l)通道的多变量信号s(t本文档来自技高网...

【技术保护点】
基于NA‑MEMD和GMM聚类的有用信号识别方法，其特征在于，该方法具体包括以下步骤：步骤(1)由n通道原始信号和l通道不相关的高斯白噪声时间序列组成一个(n+l)通道的多变量信号，使用噪声辅助的多变量经验模式分解算法对该(n+l)变量信号进行分解，得到若干尺度上的内蕴模式函数分量，记为一个(n+l)×J×L矩阵，其中J表示分解尺度的个数，L是每个通道的采样点数；步骤(2)在第j个尺度上，j＝1,…,J，将来自每个信号通道的内蕴模式函数分量与来自噪声的内蕴模式函数分量联合，得到n组包含(l+1)变量的复合数据，记为一个n×(l+1)×L矩阵；步骤(3)在第j个尺度上，j＝1,…,J，采用谱回归算法对第i组复合数据进行降维，i＝1,…,n，产生n组低维特征向量，记为一个n×(l+1)×M矩阵，其中M是数据降维之后的维数；步骤(4)在第j个尺度上，j＝1,…,J，采用高斯混合模型聚类算法估计出每组低维特征向量的最优聚类数目然后采用最大似然分类法将每组低维特征向量分成个类别；步骤(5)在第j个尺度上，j＝1,…,J，根据步骤(4)得到的聚类结果识别出包含有用信息的内蕴模式函数分量，具体为：如果来自任何一个单独信号通道的内蕴模式函数分量与来自噪声通道的内蕴模式函数分量被分类到同一聚类中，那么该信号通道的内蕴模式函数分量被认为是不包含有用信息的，否则被认为是包含有用信息的。...

【技术特征摘要】
1.基于NA-MEMD和GMM聚类的有用信号识别方法，其特征在于，该方法具体包括以下步骤：步骤(1)由n通道原始信号和l通道不相关的高斯白噪声时间序列组成一个(n+l)通道的多变量信号，使用噪声辅助的多变量经验模式分解算法对该(n+l)变量信号进行分解，得到若干尺度上的内蕴模式函数分量，记为一个(n+l)×J×L矩阵，其中J表示分解尺度的个数，L是每个通道的采样点数；步骤(2)在第j个尺度上，j＝1,…,J，将来自每个信号通道的内蕴模式函数分量与来自噪声的内蕴模式函数分量联合，得到n组包含(l+1)变量的复合数据，记为一个n×(l+1)×L矩阵；步骤(3)在第j个尺度上，j＝1,…,J...

【专利技术属性】
技术研发人员：佘青山，马玉良，张启忠，罗志增，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33