System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术公开小波散射变换与微分熵特征融合的脑电信号分类方法,属于脑电信号分类。
技术介绍
1、癫痫是一种由于脑部神经元阵发性异常超同步电活动导致的慢性非传染疾病,癫痫发作多呈突发性、不可控制性,是全球最常见的神经系统疾病之一。世界卫生组织报告称全球约有5000万癫痫患者,癫痫也被列为世界上最重要的五种神经和精神疾病之一。目前通过神经科医生目测脑电图是临床诊断癫痫的主要方法,然而这种传统方法不仅耗时、效率低,而且主观判断因素较强。因此,开发一种有效、可靠的癫痫自动检测方法已成为亟待解决的问题,也具有很强的临床意义。
2、脑电信号(eeg)是大脑表面电活动相对于时间的表征,由于脑部神经元异常放电,导致癫痫发作,因此可以通过记录头皮eeg信号来记录癫痫发作时期,从而获得大量数据用于对癫痫发作阶段的eeg信号识别进行研究。深度学习技术的发展为癫痫诊断提供了新方法、新思路。深度学习技术在处理复杂非线性问题方面比传统方法更具优势,可以大大降低人工参与,提高识别准确率。人们普遍认为,大脑的高级认知功能通常与脑电信号的时频和非线性动态特征相关。为了充分利用上述特征,分别使用小波散射变换方法提取时频域特征,计算脑电信号微分熵提取非线性动力学特征。小波散射变换是对小波变换的一个拓展,受卷积神经网络启发,通过使用一系列低通滤波器组对信号进行卷积操作,取模值与局部平均运算获得一系列不同阶次的小波散射系数。然后对信号进行微分熵特征提取,熵特征是对信号平均不确定和复杂性的度量,对于eeg这种典型的连续非平稳性信号,熵特征能很好地对信号不确定性
3、提取癫痫信号的时频域特征与非线性动力学特征之后,使用判别相关分析特征融合算法将两者进行特征融合,大量研究证明,融合特征比单一特征更加有助于提高分类模型的分类准确率。最后将多模态融合特征向量作为输入特征输入到长短期记忆递归神经网络(lstm)里进行训练,对训练好的模型使用测试数据测试获得信号的分类准确率。
技术实现思路
1、本专利技术的目的在于提供小波散射变换与微分熵特征融合的脑电信号分类方法,以解决现有技术中,脑电信号分类不准确的问题。
2、小波散射变换与微分熵特征融合的脑电信号分类方法,包括:
3、s1导入采集的脑电波癫痫信号,进行滤波预处理操作;
4、s2对预处理过的脑电波癫痫信号进行分段操作,通过数据增强构建样本库;
5、s3将样本输入小波散射变换网络,对通道信号进行散射变换,提取二阶分解散射系数,获取通道信号的时频域特征;
6、s4对通道信号进行微分熵计算,获取通道信号的非线性动力学特征;
7、s5将时频域特征与非线性动力学特征进行判别相关分析,构建多模态融合特征;
8、s6将融合特征输入长短期记忆神经网络进行训练学习,利用平均分类准确率对结果进行评估。
9、滤波包括使用带通滤波器对脑电波癫痫信号进行滤波操作。
10、s2包括按照癫痫检测任务以h秒为一个窗口,将整段脑电波癫痫信号切分为数个h秒的片段,在截取片段时每段数据均进行50%的数据重叠。
11、s3包括使用小波散射变换,通过迭代多尺度复小波变换、模运算以及局部均值运算的级联方式对输入信号进行滤波分析,得到信号的多级散射变换系数;
12、对于输入的一维信号,使用复解析复带通滤波器对进行卷积,使用模算法后取模值,通过平均运算得到一阶散射系数:
13、;
14、式中,是复小波函数,为低通滤波器。
15、s3包括使用第二高频复小波恢复高频能量,再次将小波模值与不同尺度的带通滤波器进行卷积,将高频系数通过求局部平均,得到二阶散射系数:
16、;
17、式中,是的相邻细尺度的复小波函数。
18、s4包括微分熵为:
19、;
20、式中,表示连续信息的概率密度函数,表示信息取值的区间。
21、s4包括对于一段特定长度且服从高斯分布的脑电波癫痫信号,微分熵表示为:
22、;
23、式中,为高斯分布均值,为高斯分布方差,微分熵等于在特定频段上的能量谱的对数,表示样本输入。
24、s5包括通过判别相关分析降低特征维度,分析变量间相关关系增强类内的相关性,降低类间的相关性;
25、设小波散射变换系数特征矩阵为,微分熵特征矩阵为,分别计算矩阵、降维后的矩阵、矩阵:
26、;;
27、式中,、、、为转换矩阵,为的空间投影,为的最终变换矩阵,为的空间投影,为的最终变换矩阵。
28、s5包括以相加融合的方式获得最终输入特征向量:
29、。
30、使用长短期记忆神经网络作为分类器,将融合特征作为输入变量进行训练,以分类准确率作为评判标准验证分类器性能。
31、相对比现有技术,本专利技术具有以下有益效果:本专利技术通过解析eeg癫痫信号的时频域特征以及非线性动力学特征,通过特征融合方法降低特征维数,提高了分类准确率,从而更好地分辨癫痫患者与正常人脑电信号,为诊断治疗提供了有效辅助。
本文档来自技高网...【技术保护点】
1.小波散射变换与微分熵特征融合的脑电信号分类方法,其特征在于,包括:
2.根据权利要求1所述的小波散射变换与微分熵特征融合的脑电信号分类方法,其特征在于,滤波包括使用带通滤波器对脑电波癫痫信号进行滤波操作。
3.根据权利要求1所述的小波散射变换与微分熵特征融合的脑电信号分类方法,其特征在于,S2包括按照癫痫检测任务以h秒为一个窗口,将整段脑电波癫痫信号切分为数个h秒的片段,在截取片段时每段数据均进行50%的数据重叠。
4.根据权利要求1所述的小波散射变换与微分熵特征融合的脑电信号分类方法,其特征在于,S3包括使用小波散射变换,通过迭代多尺度复小波变换、模运算以及局部均值运算的级联方式对输入信号进行滤波分析,得到信号的多级散射变换系数;
5.根据权利要求4所述的小波散射变换与微分熵特征融合的脑电信号分类方法,其特征在于,S3包括使用第二高频复小波恢复高频能量,再次将小波模值与不同尺度的带通滤波器进行卷积,将高频系数通过求局部平均,得到二阶散射系数:
6.根据权利要求5所述的小波散射变换与微分熵特征融合的脑电信号分类方法,
7.根据权利要求6所述的小波散射变换与微分熵特征融合的脑电信号分类方法,其特征在于,S4包括对于一段特定长度且服从高斯分布的脑电波癫痫信号,微分熵表示为:
8.根据权利要求7所述的小波散射变换与微分熵特征融合的脑电信号分类方法,其特征在于,S5包括通过判别相关分析降低特征维度,分析变量间相关关系增强类内的相关性,降低类间的相关性;
9.根据权利要求8所述的小波散射变换与微分熵特征融合的脑电信号分类方法,其特征在于,S5包括以相加融合的方式获得最终输入特征向量:
10.根据权利要求9所述的小波散射变换与微分熵特征融合的脑电信号分类方法,其特征在于,使用长短期记忆神经网络作为分类器,将融合特征作为输入变量进行训练,以分类准确率作为评判标准验证分类器性能。
...【技术特征摘要】
1.小波散射变换与微分熵特征融合的脑电信号分类方法,其特征在于,包括:
2.根据权利要求1所述的小波散射变换与微分熵特征融合的脑电信号分类方法,其特征在于,滤波包括使用带通滤波器对脑电波癫痫信号进行滤波操作。
3.根据权利要求1所述的小波散射变换与微分熵特征融合的脑电信号分类方法,其特征在于,s2包括按照癫痫检测任务以h秒为一个窗口,将整段脑电波癫痫信号切分为数个h秒的片段,在截取片段时每段数据均进行50%的数据重叠。
4.根据权利要求1所述的小波散射变换与微分熵特征融合的脑电信号分类方法,其特征在于,s3包括使用小波散射变换,通过迭代多尺度复小波变换、模运算以及局部均值运算的级联方式对输入信号进行滤波分析,得到信号的多级散射变换系数;
5.根据权利要求4所述的小波散射变换与微分熵特征融合的脑电信号分类方法,其特征在于,s3包括使用第二高频复小波恢复高频能量,再次将小波模值与不同尺度的带通滤波器进行卷积,将...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。