[发明专利]基于深度学习的一维生理信号的特征提取与状态识别

说明书

本发明公开了一种基于深度学习的一维生理信号的特征提取与状态识别方法。建立基于深度学习的一维生理信号的特征提取与状态识别分析模型DBN，DBN模型采用“预训练+微调”训练过程，在预训练阶段，首先训练第一个RBM，然后将训练好的结点作为第二个RBM的输入，再训练第二个RBM，以此类推；所有RBM训练完成之后使用BP算法对网络进行微调，最后将深信度网络输出的特征向量输入Softmax分类器中，对纳入到的一维生理信号的个体状态做出判断。本发明有效解决了传统的一维生理信号分类过程中需要人工选择特征输入致使分类精度不高的问题，通过深信度网络的非线性映射，自动得到高度可分的特征/特征组合用于分类，并且可以不断优化网络结构得到更好的分类效果。

技术领域

本发明涉及医学数据处理技术领域，尤其涉及一种生理信号特征提取及分类识别方法，具体是基于深度学习的一维生理信号的特征提取与状态识别。

背景技术

生理信号由自主神经系统和内分泌系统支配，不受主观意识控制，能客观、真实地反应个体的生理、精神、情绪状态，因此得到了越来越广泛的研究与应用。生理信号是个体的生理、精神、情绪等状态的外在表现，能直接、真实地反应这些状态的变化，因此,已经有许多研究者使用不同的分类器对基于生理信号(脑电-EEG、心电、肌电、呼吸、皮电等)的个体状态进行识别。虽然目前适用于生理信号个体状态识别的分类器在不断增多，识别率也在不断提高，但大部分分类器需要人工提取特征，识别率的高低和人工经验有关且不稳定、离实际应用还有一定的距离。如Moghimi等人利用线性判别分析分类器对基于脑血氧变化量的情绪状态进行识别，识别率为72％左右

2011年，李淑芳等人采用经验模式分解EMD和支持向量机SVM针对脑电信号进行癫痫状态分类，首先用经验模式分解EMD将脑电EEG信号分成多个经验模式分量,然后提取有效特征,再用支持向量机SVM对脑电EEG信号进行分类，最后对癫痫发作间歇期和发作期的识别率达到99％。2014年,Niu等人利遗传算法进行特征选择并利用K近邻分类器对基于心电、肌电、呼吸、皮电的情绪状态进行识别，识别率达96％。但这种依赖于不同方法组合或者不同信号组合的方法取得的较高的识别率具有高度特异性的特点，很难推广到一般情况，且找到某种组合方式本身也具有较大的偶然性。

自从2012年Hinton等人使用卷积神经网络在Image Net比赛中脱颖而出，将深度学习的研究推到了高潮，从此在信号和信息处理领域的研究引起了许多关注和应用，特别是在图像处理、语音识别等方向更是取得了前所未有的效果。随着深度学习的快速发展，深度学习在脑电、肌电、心电、皮电等生理电信号处理方面也得到了初步的应用，并取得了令人惊喜的效果。经过不断的发展，已经出现了大量的深度学习框架(如：DeeplearnTooLbox、Caffe、DeepLearning等)和模型(如：深度信念网络(Deep Belief Net,DBN)、稀疏自动编码器、循环神经网络等)。但是，如何利用和改进这些框架和模型，使之适用于实际问题，是当前需要研究的内容。

发明内容

针对传统浅层分类器需要人工提取特征、识别效果不稳定等问题，本发明旨在提供一种基于深度学习的一维生理信号特征提取及状态识别方法，有效解决传统的一维生理信号分类过程中需要人工选择特征输入致使分类精度不高的问题，其通过深信度网络的非线性映射，自动得到高度可分的特征和特征组合用于分类，并且不断优化网络结构得到更好的分类效果。