[发明专利]基于EWT和改进CSP的癫痫信号分类方法

权利要求书

1.一种基于EWT和改进CSP的癫痫信号分类方法，其特征在于：该方法包括以下步骤：

步骤一、数据预处理；

将选择的脑电数据以发病起始时间为节点分为正常数据和发病数据；将发病起始时间前30～120分钟的数据作为正常数据；再将正常数据的前一半作为数据发作间期数据，后一半作为发作前期数据；选定训练集和测试集后，使用窗口大小为a秒的非重叠滑动窗口对集合中的正常数据进行分割，以一个窗口的数据作为一个实验样本；将训练集中发作间期的样本标记为类别1，发作前期的样本标记为类别2；

步骤二、选择脑电通道；

对处理后的样本数据，使用相关性的计算方法对其中的脑电信号进行计算，根据计算结果对样本中的脑电通道进行删选；如果计算得到不同通道之间的皮尔逊相关系数高，就说明两个通道间有信息重复；皮尔逊相关系统的计算公式为：

cov(X,Y)为两个变量之间的协方差，σ_Xσ_Y为两个变量之间的标准差；

根据公式(1)的计算结果得到两两通道间的相关性系数，从而得出相关性矩阵；设置一个阈值b，两个通道间的相关系数大于该阈值表示其相关，反之表示其不相关；根据相关性系数对脑电通道进行选择，选择过程为：

(1)选择全部不具有相关通道的通道；

(2)对于相互等价的通道，选择其中通道序号小的那个通道；

(3)从剩余通道中选择能包含最多通道的通道；

步骤三、提取时域特征；

提取步骤二选中的通道的脑电信号的均方值根、绝对平均值以及过零点数，作为信号的时域特征，得到时域训练集矩阵f_1train和时域测试集矩阵f_1test；

步骤四、提取频域特征；

提取步骤二选中的通道的脑电信号的频域特征，具体包括以下步骤：

4.1、对选中的每个通道分别利用EWT算法得到了x个模态，具体步骤为：

(1)进行快速傅立叶变换，得到0～π范围内的傅里叶谱；

(2)采用经验法则确定一个阈值T，对于任意一个傅里叶谱的局部极小值点，只要其生成的尺度空间曲线O_i的长度满足L_iT，则该局部极小值点对应频率ω_i变为其傅里叶谱分割的边界频率；找到傅里叶谱的所有边界频率后，将傅里叶谱分割成连续的N个连续段；

(3)确定了傅里叶谱中的边界频率后，根据Littlewood–Paley和Meyer小波的构造思想，构建经验小波函数经验小波函数即为每个连续段上的带通滤波器，表达式为：

式中，ω_n为第n-1个和第n个滤波器的边界频率，γ为过度带系数，应该满足β(x)为示性函数，通常定义为：

(4)与传统的小波变换相似，经验小波函数的细节系数W_f(n,t)可计算为：

分解得到经验模态f_n(t)为：

式中，f为被分解函数，t为时间，τ为积分变量，*为卷积运算，∧为复共轭运算，∨为傅里叶逆变换，^-为共轭运算；

4.2、通过韦尔奇功率谱密度分析方法计算x个模态的频谱密度，获取频谱密度值最大的模态，作为各通道选择的单模态；

4.3、对每个通道的单模态使用希尔伯特变换方法提取信号的瞬时振幅和瞬时频率分量作为信号的频域特征；得到了频域训练集矩阵f_2train，和频域测试集矩阵f_2test；

步骤五、提取空域特征；

利用一种改进的CSP算法，即加权正则化共空间模式算法，提取步骤二中选中通道的脑电信息的空域特征；具体包括以下步骤：

5.1、获得正则化共空间模式算法

为了克服CSP算法对噪声和过拟合的敏感性，向目标函数加入Tikhonov正则化项，获得正则化共空间模式算法，以惩罚不满足先验信息的解，目标函数表示为：

式中C₁和C₂分别是类别1和类别2的协方差矩阵，P(w)表示的是惩罚函数，用来度量空间滤波器w满足给定先验条件的程度；滤波器w越满足条件，其对应的惩罚函数值P(w)就越小；因此，为了最大化就必须要最小化P(w)，从而可以保证空间滤波器满足先验信息；α是定义的正则化参数，其值越大，越能满足条件；

其中P(w)为二次型惩罚函数，表达式为：

式中，I表示的是单位矩阵；

加入二次惩罚项，公式(6)可以改写为：

得到相应的拉格朗日函数表达式为：

使用拉格朗日算子λ对w进行求导，并使其导数等于0，得到特征值表达式如公式(10)所示：

(C₂+αI)^-1C₁w＝λw (10)

通过最大化公式(11)中的目标函数，得到最大化C₂同时最小化C₁的滤波器：

得到最大的特征值对应的特征向量M₂＝(C₂+αI)^-1C₂，作为最终使用的滤波器w；

5.2、获得加权Tikhonov正则化共空间模式算法

由于Tikhonov正则化共空间模式算法对所有高权重通道的惩罚是相等的，没有具体区分通道的贡献程度；但是对癫痫脑电信号来说，不同的通道提取到的特征，对空间滤波器的贡献是不一样的；因此，需要对不同的通道设定不同的惩罚项；即假如一个给定的通道对于空间过滤器有很大的贡献,那么应该给这个通道相对较小的惩罚,即保障CSP算法给它分配一个很大的权值；反之，就给这个通道较大的惩罚；

为此，提出一种加权Tikhonov正则化CSP算法；其惩罚项具体表达式为：

P_d(w)＝w^TD_ww (12)

式中，D_w是一个对角矩阵，它可以表示为：

D_w＝diag(w_G) (13)

式中，w_G(i)是分配给第i个通道的惩罚级别；w_G(i)的计算公式为:

式中，表示的是第i个样本通过利用CSP算法得到的第f个空间滤波器,Ω是样本总数，2*N_f是滤波器的总数；一个通道的惩罚水平被设置为该通道在其他样本获得的CSP滤波器中的平均权值的倒数；即一个给定通道的贡献程度将通过它在CSP算法从其他样本获得的滤波器中的权重来反映；通过取不同空间滤波器的个数的值m，得到不同的分类精度，将使得分类精度最大的值m作为最终的滤波器个数，得到空域训练集矩阵f_3train，和测试集矩阵f_3test；

步骤六、将步骤三、步骤四和步骤五得到的时域特征、频域特征和空域特征矩阵进行特征合并，得到训练特征矩阵f_train＝[f_1trainf_2trainf_3train]以及测试特征矩阵f_test＝[f_1testf_2testf_3test]；

步骤七、将步骤六得到的特征矩阵按照训练集和测试集输入到基于支持向量机的分类器中，获得识别结果。