[发明专利]基于最优核时频分布可视图的癫痫脑电信号识别方法

摘要

一种基于自适应最优核时频分布可视图的癫痫脑电信号识别法，包括：获得原始脑电数据，计算预处理后的脑电信号的自适应最优核时频分布；进行癫痫状态的分类：对于每一个得到的时间能量序列，进行可视化分析，得到能量时间序列可视图复杂网络，提取获得能量时间序列可视图复杂网络的特征指标，提取自适应最优核时频分布指标，结合支持向量机分类癫痫EEG信号。本发明的基于最优核时频分布可视图的癫痫脑电信号识别方法，结合自适应最优核时频分布理论与可视图思想构建能量时间序列可视图复杂网络，提取复杂网络指标，实现对癫痫脑电信号的识别。

主权项

1.一种基于自适应最优核时频分布可视图的癫痫脑电信号识别法，其特征在于，包括如下步骤：1)获得原始脑电数据，计算预处理后的脑电信号的自适应最优核时频分布，包括：(1)自适应最优核时频分布P_AOK(t,f)表示为：P_AOK(t,f)＝∫∫A(t,τ,υ)Φ(τ,υ)e^{‑j2π(tυ+τf)}dτdυ其中，υ为频偏，τ为时延，υ和τ的取值范围为[‑∞ +∞]，t为时间，f为频率，Φ(τ,υ)为用于产生自适应最优核时频分布的核函数，形式为二维高斯函数形式：其中，r²＝τ²+υ²，ψ＝arctan(τ/υ)，σ(ψ)为控制核函数在ψ方向上的扩展，A(t,τ,υ)为自适应最优核时频分布的短时模糊函数，以时间t为中心，表示为：其中，z为所要计算的自适应最优核时频分布的脑电信号，ω为以时间t为中心，长度为T的对称窗函数，自适应最优核时频分布的短时模糊函数只在[t‑T,t+T]范围内计算，u表示时间变量，自适应最优核核函数在极坐标下表示为Φ(r,ψ)，所述核函数由以下的最优化条件来决定：约束条件为：式中，α为核参数，A(r,ψ)和Φ(r,ψ)分别是极坐标下的短时模糊函数和核函数；(2)根据第(1)步所得到的自适应最优核时频分布P_AOK(t,f)，得到脑电信号的能量时间序列其中，L为时间序列的长度；f₀为脑电信号的低频频率，F为脑电信号的高频频率，所述的预处理包括：对原始脑电数据进行带通滤波，去除高低频干扰成分；手动剔除剩余伪迹数据，最终得到预处理后的脑电数据用于后续的分析；2)进行癫痫状态的分类，包括：(1)对于每一个得到的能量时间序列进行可视化分析，得到能量时间序列可视图复杂网络，具体是：如果能量时间序列内的任意两个点(t_a,E_a)和(t_b,E_b)可视，也就是两点之间有连边，则这两点间的任意一点(t_c,E_c)都要满足:(2)提取获得能量时间序列可视图复杂网络的特征指标：全局聚集系数C：局部聚集系数均值聚集系数熵E_C：节点度的均值其中，τ_Δ表示的是一个可视图网络中闭三元组的数目，一个三角由三个封闭的三元组构成，τ表示一个可视图网络中的开三元组数目，开三元组即为三个节点由两条连边连接，τ_i表示一个可视图网络中以节点i为中心的开三元组数目，τ_i,Δ表示的是一个可视图网络中以节点i为中心的闭三元组数目，C_i表示节点i的局部聚集系数，k_i是节点i的度，即节点i的连边数，N表示网络的节点数；(3)提取自适应最优核时频分布指标：时频分布偏差值P_std：其中，m和n分别是时频分布的行数和列数，P_mean表示时频分布均值，自适应最优核时频分布的频率范围为[f₀ F]；(4)结合支持向量机分类癫痫EEG信号，包括：组合自适应最优核时频分布指标和能量时间序列可视图复杂网络的特征指标，构成三维指标向量，采用留一法交叉验证和支持向量机分类器，对所有的三维指标向量进行分类，以及采用十折交叉验证和支持向量机分类器，对所有的三维指标向量进行分类。