[发明专利]利用径向基神经网络对癫痫脑电图信号进行分类的方法

权利要求书

1.利用径向基神经网络对癫痫脑电图信号进行分类的方法，其特征在于，包括如下步骤：

步骤1，建立径向基网络的数学模型；

步骤2，对径向基网络的隐层节点进行估计；

步骤3，定义不敏感损失误差准则；

步骤4，基于ε-不敏感误差准则和结构风险的径向基网络训练；

步骤5，利用集成的ε-RBF-NN训练算法进行训练和分类。

2.根据权利要求1所述的利用径向基神经网络对癫痫脑电图信号进行分类的方法，其特征在于，步骤1中，建立径向基网络的数学模型为：

式(1)中，x∈R^d为网络输入向量，c_i∈R^d为网络隐藏层节点的径向基函数中心向量，w_i为网络隐层与输出节点之间的连接权值，||.||表示范数，可取欧几里德范数，Φ(.)为径向基函数，完成从R^d→R¹的非线性转变，具体形式为：

式(2)中，δ_i为宽度值，在径向基网络的数学模型中，要学习的参数有三种，即隐层节点隐层径向基函数宽度值δ_i以及隐层和输出层的连接权值w_i。

3.根据权利要求2所述的利用径向基神经网络对癫痫脑电图信号进行分类的方法，其特征在于，步骤2中，对径向基网络的隐层节点进行估计的具体步骤为：

对于径向基神经网络的隐层中心点参数c_i和宽度值δ_i，使用模糊C均值聚类算法进行估计如下：

式(3)和(4)中，u_ji为样本x_j隶属于第i个类的隶属度，h是一个可调的缩放参数，在径向基网络中，一旦隐层参数被估计，则令：

P_g＝[w₁,…,w_Q]^T (5c)

通过公式(5a)-(5c)将公式(1)的径向基网络映射函数转换为如下表达式：

由公式(6)得出，当径向基网络的隐层节点被估计后，网络的输出可表示为一个线性模型的输出，于是将网络参数的学习转化为线性模型之参数学习问题。

4.根据权利要求3所述的利用径向基神经网络对癫痫脑电图信号进行分类的方法，其特征在于，步骤3中，定义不敏感损失误差准则的具体步骤为：

给定标量g和向量G＝[g₁,g₂,...,g_d]^T相应的ε-不敏感损失分别如式(8)和式(9)所示：

对于公式(6)所示的线性模型，其对应的ε-不敏感损失误差准则定义为：

5.根据权利要求4所述的利用径向基神经网络对癫痫脑电图信号进行分类的方法，其特征在于，步骤4中，基于ε-不敏感误差准则和结构风险的径向基网络训练的具体步骤为：

对于公式(10)，给定数据集{x_gi,y_i}，由于不等式不总是满足，因此引入松弛变量ξ_i⁺≥0和ξ_i^-≥0，可得到如下约束：

利用公式(10)和公式(11)所示的准则函数可等价地表示为：

基于上述等价准则函数，引入结构风险正则项，公式(12a)和(12b)改进为：

式中，τ＞0用来平衡经验误差项和表示结构风险的正则化项的影响，对于公式(13a)和(13b)中参数τ和ε采用交叉验证法来确定其最优值，对于公式(13a)和(13b)利用拉格朗日优化可得到其对偶问题：

根据对偶理论，利用公式(14)得到最优解进一步得到公式(13)对应的最优解为：

6.根据权利要求5所述的利用径向基神经网络对癫痫脑电图信号进行分类的方法，其特征在于，步骤5中，利用集成的ε-RBF-NN训练算法进行训练和分类的具体步骤为：

首先，进行多次训练以获得多个分类器的训练精度；其次，选择Q个分类器并根据训练的准确性得到每个分类器的权重，并进行权重归一化；最后，通过公式(16)计算每个样本的标签为：

式中，y⁰为样本标签，w_i是第i个分类器的权重，x_g是输入向量x是由函数Φ(.)隐射得到的值，是由连接权重w_i表示的向量，Q是选定的分类器的个数。