[发明专利]基于动态功能连接的熵值的脑电分类方法

权利要求书

1.基于动态功能连接的熵值的脑电分类方法，其特征在于，按照以下步骤进行：

步骤S1：对获取到的原始脑电信号进行预处理，以减少伪迹干扰；

步骤S2：创建滤波器，将预处理后的脑电信号滤波到所需的频段；

步骤S3：利用相位同步分析方法，计算各频段的脑电信号在各个时间点每两个通道之间的相位关系，获得动态功能连接矩阵；

所述步骤S3中，采用相位锁定值PLV来计算各频段的脑电信号在各个时间点上每两个通道之间的相位关系，具体的计算公式如下：

PLV＝|exp(h{Φ_i(t)-Φ_j(t)})|；

其中，Φ_i(t)和Φ_j(t)分别为电极i和j的瞬时相位；

信号的相位值可以采用希尔伯特变换来计算，具体公式如下：

x_i(v)是电极i的连续时间信号，τ是一个时间变量，t表示时间点，PV为柯西主值；

瞬时相位按如下计算：

同样地，可以计算瞬时相位Φ_j(t)；

设选定的脑电通道数为M，脑电时间点数为T，利用两两通道构建不同的通道对，计算所有通道对的PLV值，此时得到一个M×M×T的三维矩阵K，其中M×M是一个时间点的上三角矩阵：

K的每个元素K_ijt为在t时间点上电极i和电极j的之间的PLV值，该矩阵为动态功能连接矩阵，它不仅包含了不同脑电通道两两之间的相位关系，还包含了脑电通道的空间信息和时间信息；

步骤S4：逐个计算两个通道之间相位关系值的时域熵，得到每条边的信息熵，以度量脑电功能网络各边时间域的复杂度；

所述逐个计算两个通道之间相位关系值的信息熵，即动态功能连接熵，按照以下步骤进行：

首先，将每个脑电时间点数T的M×M的上三角矩阵各个PLV值提取出来，得到一个(M*(M-1)/2)×T的二维矩阵；然后对(M*(M-1)/2)×T这个PLV矩阵各条边计算信息熵，得到一个(M*(M-1)/2)×1的熵值矩阵；

步骤S5：利用各频段的动态功能连接熵分别作为脑电功能网络的分类特征，训练自适应提高分类器，得到多个自适应提高分类器以及对应的分类正确率；

所述自适应提高分类器的训练过程为：

得到各个被试样本在各个频段下的动态功能连接熵后，对各个频段下的训练样本集(m*(M*(M-1)/2))进行分类，m为训练样本的数目，利用训练样本5个频段的动态功能连接熵，作为训练样本的特征各训练一最优自适应提高分类器，得到多个最优自适应提高分类器以及对应的分类正确率；

步骤S6：利用训练好的多个自适应提高分类器以投票的方式对样本进行组合分类：

其中，x_n是第n个样本的特征，是第n个样本的第k类特征，w_k是利用第k类特征得到的分类器的分类正确率，F_k是第k类特征的分类判别率，F(x_n)是第n个样本组合分类器的输出，得到各个样本组合分类结果后，再根据原标签来计算该组合分类器的分类正确率、真阳性率和假阳性率。

2.根据权利要求1所述的基于动态功能连接的熵值的脑电分类方法，其特征在于，所述步骤S1中，预处理方法包括：对采集的脑电信号数据进行0.5-30Hz带通滤波，再去除眼电干扰信号、剔除伪迹数据以得到所需的脑电信号。

3.根据权利要求1所述的基于动态功能连接的熵值的脑电分类方法，其特征在于，所述步骤S2中，滤波器的创建方法为：脑电信号使用小波包分解为五个频段，即δ：1－3Hz、θ：4－7Hz、α：8－13Hz、β：14－30Hz和γ：31-50Hz。

4.根据权利要求1所述的基于动态功能连接的熵值的脑电分类方法，其特征在于，所述步骤S5中，获得最优自适应提高分类器的具体过程包括：对给定的样本(x₁，y₁)，...，(x_m，y_m)，其中x_n∈X,y_n∈Y＝(-1,1),1≤n≤m，X为训练特征，Y为被试者类别，首先初始化每个训练样本集的权重为之后进行P次迭代，D₁(n)是初始化时即p＝1每个训练样本集的权重，迭代过程如下：变量p从1开始增加到P，每次迭代首先计算各个弱分类器h_p对训练样本集进行分类得到的分类误差ε_p＝∑D_p(n),h_p(x_n)≠y_n，

其中，h_p(x_n)为第p个弱分类器对样本分类得到的分类标签值，D_p(n)是第p次迭代时每个训练样本集的权重，然后计算分类序列权重最后更新各个训练样本集的权重其中，D₊₁(n)是每次更新后的每个训练样本集的权重，Z_p为归一化因子，是为了调整样本集的权值，当分类分对了，更新权重样本的权重将会降低；当分类分错了，更新权重样本权重将会提高；

P次迭代结束后得到该频段下的P个弱分类器h_p，最后将P个弱分类器组合构建最终分类器为最优自适应提高分类器：

然后分别计算各个频段下的最优自适应提高分类器的分类正确率。