[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

说明书

本发明提供了一种利用径向基神经网络对癫痫脑电图信号进行分类的方法，步骤包括：建立径向基网络的数学模型、对径向基网络的隐层节点进行估计、定义不敏感损失误差准则、基于ε‑不敏感误差准则和结构风险的径向基网络训练以及利用集成的ε‑RBF‑NN训练算法进行训练和分类。该分类方法利用集成的神经网络以解决单个RBF神经网络不稳定的问题，多分类器的集成使得算法的分类更加稳定；该分类方法可以在多个训练子集上并行训练多个分类器，并根据每个分类器的贡献率分配相应的权重，有效提高了分类精度。

技术领域

本发明涉及一种图形信号分类方法，尤其是一种利用径向基神经网络对癫痫脑电图信号进行分类的方法。

背景技术

癫痫是由脑部损伤引起的短暂大脑功能障碍，是人类大脑中最常见的疾病之一，对人类危害极大。而癫痫患者的脑电图(EEG)信号中包含了脑内大量的生理和病理信息，因此对EEG的智能识别对于癫痫病的检测有着重要的意义。目前，很多智能识别方法已经应用于癫痫病脑电信号的识别。代表性的方法有：神经网络方法、朴素贝叶斯方法、决策树算法、K近邻算法等。在这些主流的智能识别方法中，径向基神经网络(radial basis functionneural network，RBF-NN)具备较好的分类和容错能力，能够在实际应用中觉得较好的分类效果。但是RBF-NN对于小样本数据集和含噪数据集的训练容易过拟合，导致RNF-NN的泛化能力较差。

发明内容

本发明要解决的技术问题是现有的RBF-NN对于小样本数据集和含噪数据集的训练容易过拟合，导致RNF-NN的泛化能力较差，不能稳定且精确地对癫痫病进行检测。

为了解决上述技术问题，本发明提供了一种利用径向基神经网络对癫痫脑电图信号进行分类的方法，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。

进一步地，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wi。

进一步地，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：