【技术实现步骤摘要】
本专利技术涉及癫痫检测，尤其是涉及一种结合不相关多线性判别分析与深度度量学习的癫痫检测方法。
技术介绍
1、癫痫是一种由神经元异常放电引发的复杂慢性脑部疾病，常表现为运动、感觉、认知和心理方面的异常，严重影响患者的日常生活和心理健康。随着癫痫发病率的上升，及时、准确的诊断和治疗显得尤为关键。脑电图(eeg)作为癫痫诊断的主要工具，能够记录大脑神经电活动中的异常信号。然而，eeg信号的高维复杂性使得人工分析耗时费力，且容易受到医生主观经验的干扰，导致误诊现象的发生。因此，研发自动化癫痫检测系统，借助计算机算法处理脑电数据，以提高诊断准确性和效率，具有重要的临床意义。
2、现有的癫痫自动检测系统主要依赖特征提取与分类器的精度来区分发作期与非发作期信号。然而，传统的无监督学习方法，如mpca和umpca，由于缺乏先验知识，容易导致模型对数据噪声或无关特征的过度拟合，从而影响检测效果的稳定性和可靠性。因此，针对这一问题，本专利技术提出了一种基于不相关多线性判别分析(umlda)和深度度量学习的癫痫自动检测模型，旨在更高效地提取eeg数据中的结构化特征，并提高模型的泛化能力。
技术实现思路
1、本专利技术的目的是提供一种结合不相关多线性判别分析与深度度量学习的癫痫检测方法，以解决上述
技术介绍
中存在的问题。
2、为实现上述目的，本专利技术提供了一种结合不相关多线性判别分析与深度度量学习的癫痫检测方法，包括以下步骤：
3、s1、收集原始脑电信号并对其进行预处理
4、s2、利用改进的s变换时频分解处理后的脑电信号，构成三阶脑电张量并通过不相关多线性判别分析(umlda)提取脑电特征，umlda是一种有监督的学习算法，它的投影特征是降阶的矢量特征；
5、s3、使用三元组网络度量学习分类器进行癫痫疾病分类；
6、s4、使用softmax函数来输出测试数据的概率分布，得到检测标签；
7、s5、使用移动平均滤波器，用于消除突发的噪点和孤立的异常值，这有助于使数据更加稳定，减少突发噪声的影响，并使数据趋于更加连续和平滑，输出分类结果和后处理。
8、优选的，传统的s变换在频率和时间上缺乏调节高斯窗宽度的参数，改进的s变换引入了额外的参数设置，以更有效地控制窗口的特性。在改进的s变换中，窗口函数的形式与高斯窗口相似，步骤s2中改进的s变换的标准差σ设置为：
9、
10、其中，λ表示用于调整函数标准差的参数；f表示频率；
11、因此，改进的s变换定义为：
12、
13、其中，sx(t,f,λ)表示信号的时频变换结果，表示信号分析的当前时刻，表示输入信号，表示中心在的窗函数，依赖f和λ，表示频率f的调制项。
14、优选的，利用改进的s变换(mst)将脑电信号转换成由时间域和频率域组成的二维时频谱图，然后将把通道作为一维，把时域和频域作为其他二维，形成一个三阶脑电张量，三个维度分别为频率、时间和通道。
15、优选的，步骤s2中的不相关多线性判别分析为一种有监督的学习算法，其投影特征是降阶的矢量特征，定义为：
16、一组m个训练张量对象样本用于训练，每个张量对象的取值在张量空间上，其中，in是张量的n模维度，表示kronecker乘积；不相关多线性判别分析的目标是找到一个tvp，其中包含p个emps，其中，emp为单位多线性投影因子(elementary multilinear projection,emp)，具体为将原始张量空间映射到一个维度为的向量子空间且其中
17、
18、使得在每个emp方向上都最大化，同时满足p个坐标向量不相关的约束条件。
19、优选的，不相关线性判别分析的目标为确定一组p个emp用于最大化散度比率的同时生成具有零相关性的特征，因此，第p个emp的目标函数为：
20、
21、其中，表示第p类中第n个样本的投影向量的转置，np表示第p类中的样本数量，fp表示目标函数，用于最大化类间的散度比率；
22、受约束于：
23、
24、其中，gp和gq表示第p类和第q类的特征向量，||gp||和||gq||是特征向量gp和gq的范数，δpq是克罗内克δ符号，当p＝q时为1，否则为0，用于表示特征向量的正交性；
25、p个emps按顺序在p步中确定，其中第p步获取第p个emp；对于要确定的每个emp，分别估计每个n模的投影向量的参数，将emp的优化问题简化为以下公式：
26、
27、其中，表示第p类第n个样本的投影向量，是类间散度矩阵，表示类别间的分散度，是类内散度矩阵，表示同类别内的分散度；
28、受约束于：
29、
30、其中，是投影后的m个样本矩阵，y(p)和y(q)表示第p类和第q类的投影样本，yp(n)和yq(n)表示第p类和第q类第n个样本的投影结果，该约束用于确保不同类别的投影向量正交。
31、优选的，步骤s2中的线性判别分析中的费舍尔判别准则(fisher discriminantcriterion，fdc)为向量样本的散度比率，第p个投影(标量)特征其中，m是训练样本的数量，是第p个emp对第m个样本的投影，其对应的类间散布和类内散布为：
32、
33、其中，c是类别的数量，nc是类别c的样本数量，cm是第m个训练样本的类别标签，且因此，对于第p个标量样本，费舍尔判别准则为此外，第p个坐标向量表示为gp，其第m个分量为
34、优选的，步骤s3中的三元组网络(triplet network)是一种度量学习神经网络结构，通常用于学习嵌入向量，由锚点(anchor)样本、正样本(positive)和负样本(negative)组成，在训练过程中，三元组网络通过三元组损失(triplet loss)来优化模型。对于每个训练样本，它从数据集中随机选择一个正样本和一个负样本，通过卷积神经网络计算锚点样本、正样本和负样本之间的三元组损失，学习一个良好的嵌入向量空间(embedding)，它能够使得相似的样本在空间中聚集，而不相似的样本分散开来，从而提高模型在相似性任务上的性能。三元组网络的embedding由表示，其将二维矩阵x嵌入到d维的欧几里德空间，此外，将这种嵌入限制在d维超球面上，即||f(x)||2＝1。三元组损失函数是在最近邻分类的背景下提出的。这里，确保特定样本(锚点)比它与任何不同类别样本(反例)更接近于相同类的样本(正例)，因此，目标为：
35、
36、其中，α为在正负对之间强制执行的边界；为训练集中所有三元组的集合，最小化的损失l为：
37、
38、其中，n表示训练集中所有三元组的总数量。
39、优选的，在执行步骤s4和步骤s5的同时采用领子技术，对癫痫发作的决策标签本文档来自技高网...
【技术保护点】
1.结合不相关多线性判别分析与深度度量学习的癫痫检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的结合不相关多线性判别分析与深度度量学习的癫痫检测方法，其特征在于，步骤S2中改进的S变换的标准差σ设置为：
3.根据权利要求1所述的结合不相关多线性判别分析与深度度量学习的癫痫检测方法，其特征在于：利用改进的S变换将脑电信号转换成由时间域和频率域组成的二维时频谱图，然后将把通道作为一维，把时域和频域作为其他二维，形成一个三阶脑电张量，三个维度分别为频率、时间和通道。
4.根据权利要求1所述的结合不相关多线性判别分析与深度度量学习的癫痫检测方法，其特征在于，步骤S2中的不相关多线性判别分析为一种有监督的学习算法，其投影特征是降阶的矢量特征，定义为：
5.根据权利要求1所述的结合不相关多线性判别分析与深度度量学习的癫痫检测方法，其特征在于，不相关线性判别分析的目标为确定一组P个用于最大化散度比率的同时生成具有零相关性的特征，因此，第P个EMP的目标函数为：
6.根据权利要求1所述的结合不相关多线性判别分析与深度度量学
7.根据权利要求1所述的结合不相关多线性判别分析与深度度量学习的癫痫检测方法，其特征在于：步骤S3中的三元组网络由锚点样本、正样本和负样本组成，通过卷积神经网络计算锚点样本、正样本和负样本之间的三元组损失，用于学习一个嵌入向量空间，由表示，其将二维矩阵x嵌入到d维的欧几里德空间，用于确保特定样本比它与任何不同类别样本接近于相同类的样本因此，目标为：
8.根据权利要求1所述的结合不相关多线性判别分析与深度度量学习的癫痫检测方法，其特征在于：在执行步骤S4和步骤S5的同时采用领子技术，对癫痫发作的决策标签进行处理，对癫痫发作阶段的标签进行延长，用于弥补癫痫发作成分的缺失。
...【技术特征摘要】
1.结合不相关多线性判别分析与深度度量学习的癫痫检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的结合不相关多线性判别分析与深度度量学习的癫痫检测方法，其特征在于，步骤s2中改进的s变换的标准差σ设置为：
3.根据权利要求1所述的结合不相关多线性判别分析与深度度量学习的癫痫检测方法，其特征在于：利用改进的s变换将脑电信号转换成由时间域和频率域组成的二维时频谱图，然后将把通道作为一维，把时域和频域作为其他二维，形成一个三阶脑电张量，三个维度分别为频率、时间和通道。
4.根据权利要求1所述的结合不相关多线性判别分析与深度度量学习的癫痫检测方法，其特征在于，步骤s2中的不相关多线性判别分析为一种有监督的学习算法，其投影特征是降阶的矢量特征，定义为：
5.根据权利要求1所述的结合不相关多线性判别分析与深度度量学习的癫痫检测方法，其特征在于，不相关线性判别分析的目标为确定一组p个用于最大化散度比率的同时生成具有零相关性的特征，因此，...
【专利技术属性】
技术研发人员：袁莎莎，王诗涵，杨延凯，尚军亮，齐龙飞，
申请(专利权)人：曲阜师范大学，
类型：发明
国别省市：
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。