[发明专利]一种基于模型融合的生理信号分类方法

权利要求书

1.一种基于模型融合的生理信号分类方法，其特征在于，具体步骤如下：

（1）采集生物个体的生理信号，并对生理信号进行预处理，所述预处理包括片段分割、重采样、噪声滤除和幅值归一化操作，得到一维信号片段，将预处理后的一维信号片段按照标签分成若干种不同的类别；

（2）针对步骤（1）得到的一维信号片段，选用合适的时频变换方法，确定时频变换的各项参数，将一维信号片段转变为带灰度信息的二维时频幅度矩阵，该二维时频幅度矩阵类似于图像，对该图像进行归一化操作，得到归一化后的二维时频矩阵；

（3）将经步骤（1）和（2）处理后得到的全部数据划分成训练集和测试集：

针对步骤（1）得到的一维信号片段，按照比例划分得到训练集和测试集；将步骤（2）得到的二维时频矩阵也按照同样比例划分得到训练集和测试集；其中：在一维信号片段的训练集中出现的样本，其对应的二维时频矩阵样本也被划分入同一个训练集中；在一维信号片段的测试集中出现的样本，其对应的二维时频矩阵样本也被划分入同一个测试集中；

（4）将一维信号片段作为输入，构建一维神经网络模型进行分类，将步骤（3）得到的一维信号片段的训练集数据输入到该一维神经网络模型中进行网络训练，直至一维神经网络模型收敛或者达到预设训练次数，得到分类模型1；

（5）将二维时频矩阵作为输入，构建二维神经网络模型进行分类，将步骤（3）得到的二维时频矩阵的训练集数据输入到该二维神经网络模型中进行网络训练，直至二维神经网络模型收敛或者达到预设训练次数，得到分类模型2；

（6）通过模型融合得到预测结果：

将步骤（3）得到的同一个测试集中两种数据分别输入步骤（4）和步骤（5）得到的分类模型中进行测试，即将一维信号片段的测试集输入分类模型1进行分类预测，得到分类结果1，将对应的二维时频矩阵的测试集输入分类模型2进行分类预测，得到分类结果2；将分类结果1和分类结果2进行加权平均融合，得到分类结果3；将分类结果3和样本标签进行对比，检验分类结果3的准确率。

2.根据权利要求1所述的方法，其特征在于步骤（2）中，对一维信号片段进行时频变换，得到一维信号在时间域和频率域的联合分布信息；时频变换之后，对幅值进行归一化，并通过重采样得到合适的二维时频矩阵大小，后续作为二维神经网络的输入；该步骤可以同时用多种不同类型的时频变换对信号进行分析，将一个信号片段变换得到多个二维图像。

3.根据权利要求1所述的方法，其特征在于步骤（4）中，构建一维神经网络模型对一维信号片段的测试集信号进行分类，一维神经网络模型最后一层通过softmax函数计算输出类型的概率分布，得到分类结果1。

4.根据权利要求1所述的方法，其特征在于步骤（5）中，构建二维神经网络模型对二维时频矩阵的测试集信号进行分类，二维神经网络模型最后一层通过softmax函数计算输出类型的概率分布，得到分类结果2；如果采用多种时频变换方法得到了多个时频图，则针对不同时频图分别建立二维神经网络模型进行训练，最终得到多个二维模型。

5.根据权利要求1所述的方法，其特征在于步骤（6）中，使用网络最后一层softmax输出的概率，每个概率值看作该模型对于这个类型的置信度，将不同模型输出的属于各类型的概率进行加权融合，再将概率最大的类型作为融合模型的分类预测结果，即分类结果3。