[发明专利]一种融合小波包与互信息的生物信号特征提取方法

权利要求书

1.一种融合小波包与互信息的生物信号特征提取方法，其特征在于，包括以下步骤：

S1)、读取数据库中所有的生物信号，并使用滤波器去除所述生物信号中的低频场电位和高频噪声；

S2)、进行生物信号的分割，首先根据阈值检测得到每个生物信号的中心发放时间，并根据该时间向前采样K个点、向后采样K-1个点作为一个周期为2K个采样点的生物信号，从而得到所有单独的生物信号；

S3)、对生物信号进行小波包分解，得到每个生物信号的小波包分解系数；

S4)、随机选取少数用小波包分解系数表示的生物信号作为训练数据，每个用于训练的生物信号数据包括多维的特征，即小波包分解系数，以及一维的类别标签；

S5)、运用最大互信息准则对训练生物信号数据进行特征选择，得到相应的系数索引，采用基于互信息的Min-Redundancy特征集度量准则和基于近似条件互信息的特征集度量准则进行特征选择，其中，基于近似条件互信息的特征集度量准则对训练生物信号进行特征选择，具体为：

S501)、对训练生物信号的每一维特征的熵和特定二维特征组的联合熵进行估计：令某度量空间中一个有值的随机变量X并且存在概率密度函数μ(x)，在该空间下X的任意两个观测值x′和x″有距离函数：||x′-x″||，熵值H(X)通过使用得到其对应的无偏估计量即

其中，M为表示样本数，是使用k近邻算法对logμ(x)得到的估计值，已知样本x_a和它的第k个近邻点x_a+k，得到：

其中，ψ(x)为双伽玛函数，即伽玛函数Γ(x)的对数导数ψ(x)＝Γ(x)′/Γ(x)，d表示X的维度，c_d表示d维单元球的体积，E(logε)表示对距离ε的对数值求期望；

表示在特定d维空间与特定范式下样本x_a和它的第k个近邻点x_a+k间距离的2倍，将其带入得到熵的k近邻估计值，即

考虑二维联合随机变量Z＝(X,Y)，并有两个观测值z′和z″，使用最大范式，||z′-z″||＝max{||x′-x″,||y′-y″||}，

在M个样本中取一个点z_a，该点与其第k个近邻点间的距离为ε(a)/2，并且该点在X,Y空间的投影表示为ε_x(a)/2，ε_y(a)/2，所以ε(a)＝max{ε_x(a),ε_y(a)}，记n_x(a)为与样本x_a的距离严格小于ε_x(a)/2的样本个数，定义n_y(a)为与样本y_a的距离严格小于ε_y(a)/2的样本个数，用d_Z＝d_X+d_Y，z_a＝(x_a,y_a)代替d、c_d、x_a，得到基于k近邻估计的联合熵为：

其中，d_Z、d_X、d_Y分别表示样本点z_a的维度以及该点在X,Y空间投影的维度；分别表示d_Z、d_X、d_Y维单元球的体积；

S502)、由估计得到的熵和联合熵计算特征与类别标签间的相应互信息和条件互信息，互信息定义了随机变量间相互依赖的衡量方式，给定连续型生物信号特征向量X,Y以及离散的类别标签向量Z，互信息I(Z；X)和条件互信息I(X；Y|Z)的估计方式表示为：

S503)、利用生物信号的类别标签向量、每一维特征向量或特定二维特征向量的互信息或条件互信息迭代选择特征k，并记为S[k]，具体为：

首先计算每一特征{f_i|i＝1,2.....,m}，则类别标签向量Z的互信息I(Z；f_i)，然后选择使得互信息最大的一个特征f_j作为第一个特征S[1]，并将其归入最优特征集S中，同时更新剩余特征集其中，表示在全部特征集中S的补集，即，

此时，|S|＝1，|NS|＝m-1，然后在此基础上迭代步骤S501)，S502)，并使用条件互信息：

然后进行后续N-1个特征的选择，其中N为最优特征个数；

S6)、对经过步骤S1)至步骤S3)处理的测试生物信号，采用步骤S5)得到的系数索引进行特征提取，得到测试生物信号的低维时-频特征；

S7)、应用分类器对所述生物信号的低维时-频特征进行分类，进而得到目标生物信号和多种非目标生物信号的多分类结果。