[发明专利]基于VMD和NLTWSVM的多特征癫痫信号分类方法

权利要求书

1.一种基于VMD和NLTWSVM的多特征癫痫信号分类方法，其特征在于，该方法包括：

对脑电信号数据进行预处理；脑电信号数据包括健康人脑电数据集、癫痫患者发作间期脑电数据集和癫痫患者发作期脑电数据集；

对脑电信号x(t)进行变分模态分解，得到相对应的本征模态函数u_k(t)，k为K里某一个层数的代表，其中K为本征模态函数的阶数；

从得到的一系列本征模态函数中提取多特征参数；

将提取的多特征参数作为特征组合输入到非线性双子支持向量机中进行训练和分类。

2.按照权利要求1所述的方法，其特征在于，预处理包括：将数据集中每组脑电信号前23s脑电数据以1s为一个单位划分为23个数据片段样本，将每个数据集随机选取50组脑电数据并对其分段获得的数据片段样本作为分类器的训练样本，剩余每个数据集的数据片段样本作为分类器的测试样本。

3.按照权利要求1所述的方法，其特征在于，对脑电信号x(t)进行变分模态分解包括：

建立变分模型；

引入二次惩罚因子α和拉格朗日乘法算子λ(t)，使约束性的变分问题转变为非约束性的变分问题，构造扩展拉格朗日函数；

利用乘法算子交替方向法求解变分问题，通过交替更新和λⁿ⁺¹(t)，寻求扩展拉格朗日函数的“鞍点”，此“鞍点”为变分模型的最优解；

其中，建立变分模型包括：

设u_k(t)为IMF分量，对每个IMF分量u_k(t)作Hilbert变换，构造解析信号，得到其单边频谱：

对各IMF分量的解析信号混合一预估中心频率将每个IMF分量的频谱调制到相对应的基频带：

计算式(2)所表示的解调信号梯度的平方L²范数，估计出各个IMF分量的信号带宽，引入约束条件，构造如式(3)的变分模型：

式中：δ(t)为冲激函数，*为卷积符号，{u_k}＝{u₁,u₂,…,u_K}为分解得到的各IMF分量，{ω_k}＝{ω₁,ω₂,…,ω_K}为各IMF分量的中心频率，K为IMF分量的数目，

扩展拉格朗日函数的表达式如下：

利用乘法算子交替方向法求解变分问题采用的迭代公式如下：

迭代停止条件为：

式中，τ为拉格朗日乘子更新参数，ε为收敛容限。

4.按照权利要求1所述的方法，其特征在于，对本征模态函数提取多特征参数时，脑电信号x(t)通过VMD分解后得到的信号u_k(t)为一个长度为L的时间序列，提取的特征通过以下表达式求取：

最大值：Max＝max(u_k(t)) (9)

最小值：Min＝min(u_k(t)) (10)

平均值：

方差：

偏度：

峰度：

变化系数：

波动指数：

5.按照权利要求1所述的方法，其特征在于，将提取的多特征参数作为特征组合输入到非线性双子支持向量机中进行训练和分类具体包括：

步骤5.1：设有训练样本，其中有p个正类样本和q个负类样本，表达式如下：

T＝{(x₁,+1),(x₂,+1),…(x_p,+1),(x_p+1,-1),(x_p+2,-1),…(x_p+q,-1)} (17)

其中x_i∈Rⁿ,i＝1,2,…,p+q；

步骤5.2：对于非线性双子支持向量机，通过引入核函数将原空间线性不可分的样本映射到线性可分的高维空间中，非线性双子支持向量机寻求的仍然是两个非平行的决策超平面，如下：

其中C^T＝[A；B]^T∈R^n×l，A＝(x₁,x₂,…,x_p)^T∈R^p×n，B＝(x_p+1,x_p+2,…,x_p+q)^T∈R^q×n，l＝p+q；

步骤5.3：双子支持向量机要求每条超平面满足距离对应类别样本点最小，以及足够远离另一类样本点的条件，据此构造两个凸二次规划问题如下：

和

其中e₊和e_-是元素全为一的列向量，ξ₊和ξ_-为松弛向量，c_i,i＝1,2是惩罚参数；

步骤5.4：式(19)和式(20)的对偶问题分别为

和

其中S＝[K(A,C^T)e₊]，R＝[K(B,C^T)e_-]；

步骤5.5：通过求解式(21)和式(22)，原始问题的解通过求解以下式子得到：

对于一个新的输入x∈Rⁿ，它的类别判断为

其中|·|是点x到超平面K(x^T,C^T)u_k+b_k＝0,k＝-,+的垂直距离。