[发明专利]基于多通道多维特征优化的脑电眨眼伪迹检测方法

权利要求书

1.基于多通道多维特征优化的脑电眨眼伪迹检测方法，其特征在于，步骤如下：

步骤1、对多通道脑电EEG信号进行滤波处理以及类别划分；

步骤2、对步骤1处理后的多通道脑电EEG信号进行16维特征提取；

步骤3、针对提取到的16维特征，采用方差过滤式方法做特征选择；

步骤4、通过支持向量机算法构建针对眨眼伪迹和非眨眼伪迹样本数据集的伪迹检测模型；

步骤5、通过建立的伪迹检测模型进行脑电眨眼伪迹检测。

2.根据权利要求1所述的基于多通道多维特征优化的脑电眨眼伪迹检测方法，其特征在于，所述步骤1，具体步骤如下：

将21通道、1000Hz的原始脑电EEG信号进行滤波处理；每通道分别经过50Hz陷波滤波器和0.5-30Hz带通滤波器，得到滤波信号；由于眨眼伪迹电位信号持续时间为0.5s，故采用滑动窗口方法进行数据切割，窗口大小设置为1s，步长为0.5s；由此得到切割实验信号；然后将每个切割信号进行类别划分；将包含眨眼伪迹的信号记为eyeblink类，类别标签为1；将不包含眨眼伪迹的信号记为normal类，类别标签为0，并从两类样本中各取出20％作为测试样本，剩下的80％为训练样本。

3.根据权利要求2所述的基于多通道多维特征优化的脑电眨眼伪迹检测方法，其特征在于，所述步骤2，具体步骤如下：

2-1计算训练样本的通道1(Fp1通道)和通道2(Fp2通道)的极差均值MAD(mean ofamplitude difference)、平均功率均值MAP(mean of average power)、方差均值MV(meanof variance)、峰态系数均值MKC(mean of kurtosis coefficient)、偏态系数均值MSC(mean of skewness coefficient)、极值点数均值MEN(mean of extremum number)、分形维数均值MFD(mean of fractal dimension)、相关系数CC(correlation coeffcient)、样本熵均值MSE(mean of sample entropy)、多尺度熵均值MME(mean of multiscaleentrop)以及平滑非线性能量算子峰态系数均值MNKC(mean of smooth nonlinear energyoperator kurtosis coefficient)、偏态系数均值MNSC(mean of smooth nonlinearenergy operator skewness coefficient)、相关系数NCC(smooth nonlinear energyoperator correlation coefficient)，并计算通道1(Fp1通道)、通道2(Fp2通道)、通道5(C3通道)和通道6(C4通道)的平均功率差值APD(average power difference)，通道1(Fp1通道)、通道2(Fp2通道)、通道9(O1通道)和通道10(O2通道)的相关系数差值CCD(correlation coefficient difference)以及通道1(Fp1通道)、2(Fp2通道)、3(F3通道)、4(F4通道)四个通道的功率谱密度均值与通道7(P3通道)、8(P4通道)、9(O1通道)、10(O2通道)四个通道的功率谱密度均值的的差值均值PSDD(mean value of power spectraldensity difference)；以上共16维特征；

假设样本数据为S_21*1000，S_i(i＝1，2，...，21)表示第i个通道的所有数据，N表示数据长度；

2-2通过如下公式计算极差均值MAD：

式中max()代表取最大值，min()代表取最小值；

2-3通过如下公式计算方差均值MV：

式中μ_i表示第i个通道所有数据的均值，S_i(t)表示第i个通道的第t个数据；

2-4通过如下公式计算平均功率均值MAP：

2-5通过如下公式计算峰态系数均值MKC：

其中σ_i表示第i个通道所有数据的标准差；

2-6通过如下公式计算偏态系数均值MSC：

2-7通过如下方法计算极值点数均值MEN：

首先计算S_i(t)，i＝1，2的极大值以及极小值点，然后统计极大值点个数与极小值点个数之和，分别记为en_i，i＝1，2，则

2-8通过如下公式与方法计算分形维数均值MFD：

其中FD()表示分形维数值，ε表示计盒维数计算时的格子边长，G()表示信号数据的格子数累计，通过上式求得前两通道的分形维数值并求平均得到MFD；

2-9通过如下公式相关系数CC：

其中var()表示方差计算，Cov()表示协方差计算；

2-10通过如下公式与方法计算样本熵均值MSE：

式中SE()表示信号样本熵，m表示重构信号维数，δ表示时间延迟，r表示预定义的阈值参数，n()表示匹配m维向量对的数目；通过上式求得前两通道的样本熵值并求平均得到MSE；

2-11通过如下公式与方法计算多尺度熵均值MME：

ME(S，m，τ，r)＝SE(S′，m，δ＝τ，r)

式中ME()表示多尺度熵值，通过上式求得前两通道的多尺度熵值并计算平均得到MME；

2-12通过如下公式计算第i个通道S_i的所有数据的平滑非线性能量算子数据，记为ES_i：

ES_i(t)＝ω(t)*(S_i(t)*S_i(t)-S_i(t-1)*S_i(t+1))

式中ω(t)表示窗函数，ES_i(t)表示ES_i的第t个数据；然后分别计算平滑非线性能量算子峰态系数均值MNKC、平滑非线性能量算子偏态系数均值MNSC以及平滑非线性能量算子相关系数NCC，公式如下：；

式中Eμ_i和Eσ_i分别表示ES_i的均值和标准差；

2-13为了弥补多通道脑电信号的空间信息，通过如下公式与方法计算平均功率差值APD：

APD＝2*(P(S₁)+P(S₂))-(P(S₅)+P(S₆)+P(S₇)+P(S₈))

式中P()为计算平均功率值，其计算公式为：

2-14通过如下公式与方法计算相关系数差值CCD：

CCD＝2*CC(S₁，S₂)-CC(S₁，S₉)-CC(S₂，S₁₀)

式中CC()为利用步骤2-9计算相关系数值；

2-15通过如下公式与方法计算功率谱密度差值PSDD：

式中PSD()代表通道信号的功率谱密度，mean()代表均值计算；

2-16假设两类训练样本所有数目为T，对所有训练样本进行步骤2-2至2-15的16维特征提取，并构成T*16维的特征向量FVs。