[发明专利]一种基于核递推最小二乘自适应追踪算法的脑电信号在线预测方法

说明书

本发明涉及一种基于核递推最小二乘自适应追踪算法的脑电信号在线预测方法，用于解决在线检测的脑电信号存在不准确、缺失的问题。包括训练和预测两个阶段，训练阶段包括生成脑电信号标签；选择回遗忘策略，更新中间参数；对脑电信号进行在线预测，得到无噪声方差、预测的平均输出信号片段和预测的方差；计算当次迭代的预测的输出信号片段与输出脑电时序序列片段标签之根均方误差，并调节中间参数，如果所有样本中所有片段的根均方误差达到最小，则训练完成，进行在线预测阶段；否则继续训练；本发明实现了脑电信号的预测，解决了脑电信号测量不准确，信号缺失的问题。

技术领域

本发明涉脑电信号预处理及生物交叉医学领域。

背景技术

对脑电信号时间序列进行建模和分析的目的是发现和提取脑电数据中有价值的信息，揭示脑电信号之间的内在隐含联系。脑电时间序列预测在脑电信号时间序列分析中占有重要地位。

在脑电信号时间序列分析方面，首先，Bag-of-wave特征被用来学习预测癫痫发作的脑电同步模式。其次，机器学习方法以及经典的深度学习方法如CNN被应用于脑电信号的癫痫发作的预测。此外，一种结合共空间模式(CSP)和卷积神经网络(CNN)的方法被用于从EEG信号中预测癫痫发作。脑电信号的癫痫发作预测可以根据头皮脑电信号预测即将发生的癫痫发作，从而提高生活质量。但这些文献中的脑电预测是基于发作间期和发作前期的分类，即对疾病的预测，而不是对脑电信号本身的在线预测。在时间序列中对脑电信号本身进行在线预测，可以重建丢失的脑电信号，使信号更加平滑，消除脑电信号中的异常点。

对脑电信号本身的时间序列在线预测的基本思想是利用当前和历史脑电序列进行数学建模，找出脑电信号的时间序列中包含的动态隐含关系，并且在实际的时间序列在线预测的应用中大部分都是非线性的。核自适应算法一方面继承了自适应算法的优点，能够根据输入信号自动调整数字滤波器的参数；另一方面，它也扩展了自适应算法求解非线性和非平稳信号的能力，相对适合脑电信号本身的时间序列的在线预测。

发明内容

本发明用于解决在线检测的脑电信号存在不准确、缺失的问题，创造性的将核递推最小二乘自适应追踪算法引入到脑电信号预测领域，通过实测的脑电信号历史数据预测未来脑电信号，实现了脑电信号的预测，解决了脑电信号测量不准确，信号缺失的问题，为下一步疾病诊断奠定了基础。

具体技术方案如下：

1)选择输入的脑电信号EEG做为训练数据；

2)根据训练数据生成脑电信号EEG的输入脑电时序序列片段、输出脑电时序序列片段标签；

3)选择回溯back to the prior(B2P)遗忘策略。

4)对脑电信号进行在线预测，得到无噪声方差、预测的输出信号片段和预测的方差；

5)计算当次迭代的预测的输出信号片段与输出脑电时序序列片段标签之根均方误差，根据当次迭代的根均方误差调节中间参数，如果运行完所有片段，计算所有样本中所有片段的平均根均方误差，并判断所有样本中所有片段的平均根均方误差是否达到最小，如果达到，则核递推最小二乘自适应追踪算法训练完成，选择所有样本中所有片段的平均根均方误差最小的初始参数，进行在线预测阶段；否则更新在线预测模型初始参数，返回步骤3)继续训练；

预测阶段：

6)根据训练完成的核递推最小二乘自适应追踪算法，利用实测的历史脑电信号预测未来时刻的脑电信号；

有益效果