本發(fā)明屬于腦電信號特征提取與融合技術(shù)領(lǐng)域，具體地說是一種時、頻、空域多參數(shù)腦電特征提取與融合方法。

背景技術(shù)：
腦電能夠綜合反映腦神經(jīng)系統(tǒng)電生理活動的總體作用及功能狀態(tài)。在眾多的認(rèn)知功能障礙檢測評估方法中，基于腦電信號特征的評估方法以其無創(chuàng)性、高時間分辨率、側(cè)重時間上的信息傳遞和處理等獨特優(yōu)勢,越來越廣泛的應(yīng)用于認(rèn)知研究領(lǐng)域。腦電信號作為一種特殊的生物電信號包含了豐富的生理病理信息，為臨床腦疾病的診斷,特別是早期診斷提供了有效手段。腦電信號分析模塊中，特征提取是關(guān)鍵環(huán)節(jié)，提取的特征參數(shù)直接影響分類與評估效果。常用的特征提取方法有：1.單一的時域或頻域特征提?。簝H利用時域平均算法或頻域功率譜估計。主要包括信號時域平均處理、功率譜估計等。信號時域平均處理可抑制混雜于原信號中的隨機干擾，但其要求精確確定感興趣的周期分量的周期，易導(dǎo)致嚴(yán)重誤差。功率譜估計可通過信號的相關(guān)性估計得出接收到信號的功率隨頻率的變化關(guān)系。這兩種方法抑制背景噪聲的能力有限。2.模型參數(shù)法：如自回歸（Autoregression,AR）模型、自適應(yīng)自回歸(adaptiveautoregression，AAR)模型等。AR模型適合于短數(shù)據(jù)處理，其計算量小、速度快，但參數(shù)不具有時變性。AAR模型采用自適應(yīng)估計的自回歸參數(shù)用于當(dāng)前時間序列的頻譜分析，對非穩(wěn)態(tài)的頻譜分析有著較好的分析效果。該方法能有效應(yīng)用于變動大、無規(guī)律的時間序列預(yù)測中。3.時頻分析方法：主要包括短時傅里葉變換、Wigner-Ville分布、小波分析法等。短時傅里葉變換假定待分析數(shù)據(jù)是分段平穩(wěn)的，不適合用來分析頻率隨時間而改變的信號。Wigner-Ville分布是信號在時頻平面上的聯(lián)合功率譜，雖然克服了短時傅里葉的缺點，分辨率很高，但分析多分量信號時存在嚴(yán)重的交叉干預(yù)項。小波分析具有時、頻同時局部化的優(yōu)點。其可將信號能量強度或密度變化在時、頻域上同時表示出來，使我們能夠更全面、更直觀地觀察、分析信號數(shù)據(jù)。由于小波變換適合處理非平穩(wěn)信號，近年來在信號處理領(lǐng)域得到廣泛的應(yīng)用。王攀等將時域能量熵和離散小波變換相結(jié)合，提出了一種基于P300帶內(nèi)帶外特征的腦電信號特征提取方法，克服了P300信號識別中對電極數(shù)量和腦電信號疊加次數(shù)的苛刻要求。何慶華等的實驗表明，小波變換域特征向量提取方法能有效地實現(xiàn)信號的去噪、降維和特征提取。4、時頻空域特征提取:上述方法中，單獨的時域或是頻域，以及模型參數(shù)法主要用于分析平穩(wěn)信號，小波分析法雖是非平穩(wěn)信號的分析方法，但仍局限于時頻特征。考慮到EEG非平穩(wěn)低信噪比的特點，以及空間信息特征對于腦電特征定位的重要性，國際已開始研究基于時間頻率空間域的特征提取方法。FikriGoksu等人提出一種單次實驗EEG分類的新方法，這種方法是基于空間-時間-頻率范圍中的自適應(yīng)主體特定運動想象模式，自適應(yīng)地提取與EEG模式相關(guān)的主體特定運動想象。經(jīng)試驗結(jié)果證明，提出的算法平均分類正確率為96%。唐艷設(shè)計了時間空間-頻率濾波器并應(yīng)用于運動想象分類任務(wù)。但是目前該類算法還不能充分提取空間信息，且算法復(fù)雜度大，難以應(yīng)用于實際系統(tǒng)中。

技術(shù)實現(xiàn)要素：
本發(fā)明針對上述問題，設(shè)計了一種時、頻、空域多參數(shù)腦電特征提取與融合方法，能夠有效解決腦電特征提取過程中，多域特征信息不能充分提取與有效選擇，融合的特征信息不能充分利用的問題。本發(fā)明采用的技術(shù)方案是：一種時、頻、空域多參數(shù)腦電特征提取與融合方法，關(guān)鍵在于：所述的方法步驟中包括：1）、采集腦電信號；2）、對采集的腦電信號進(jìn)行數(shù)據(jù)預(yù)處理：對采集的腦電信號數(shù)據(jù)進(jìn)行0.5-30Hz帶通濾波，再去除眼電心電干擾信號、剔除偽跡數(shù)據(jù)以得到所需的EEG信號；3）、從預(yù)處理后數(shù)據(jù)中提取Kc復(fù)雜度、近似熵、小波熵；4）、基于AMUSE算法求得腦電奇異值分解矩陣參數(shù)；5）、對提取的Kc復(fù)雜度、近似熵、小波熵及腦電奇異值分解矩陣四類時、頻、空域特征參數(shù)做特征選擇；6）、用SVM分類器對以上特征選擇后的時、頻、空域四類參數(shù)進(jìn)行融合與分類。本發(fā)明方法的關(guān)鍵在于：其一，經(jīng)過長期地、無數(shù)次試驗發(fā)現(xiàn)，選取Kc復(fù)雜度、近似熵、小波熵及腦電奇異值分解矩陣四類參數(shù)能夠全方位地表現(xiàn)腦電特征信息，而且可以提高腦疾病診斷的準(zhǔn)確率；其二、采用改進(jìn)的加權(quán)最大相關(guān)最小冗余方法做特征選擇使得數(shù)據(jù)更加可靠，提高算法的效率；其三、采用改進(jìn)的SVM分類器，采用二級融合方式，先通過聚類，挖掘出每個訓(xùn)練樣本與測試樣本之間的相關(guān)程度，并將描述相關(guān)程度的相關(guān)因子賦予SVM損失函數(shù)，解決個體差異的影響，提高評估正確率。本發(fā)明的有益效果在于：本發(fā)明方法能夠有效地、全方位地提取腦電特征信息，充分實現(xiàn)提取特征的有效融合，為腦功能障礙性疾病，如阿爾茲海默癥、輕度認(rèn)知障礙等的早期診斷評估提供有效的支持與幫助。附圖說明圖1是本發(fā)明方法流程圖。圖2是本發(fā)明方法中Kc復(fù)雜度特征提取方法流程圖。圖3是AMUSE算法流程圖。圖4是加權(quán)最大相關(guān)最小冗余算法特征提取方法流程圖。圖5是SVM分類器算法流程圖。具體實施方式下面結(jié)合附圖與具體實施方式對本發(fā)明作進(jìn)一步說明。第一步：腦電信號采集腦電信號的采集設(shè)備使用兩片ADS1299級聯(lián)，2片ADSl299按菊花鏈?zhǔn)竭B接可實現(xiàn)16導(dǎo)放大器。電極的位置按照國際標(biāo)準(zhǔn)導(dǎo)聯(lián)10-20電極系統(tǒng)安放，記錄16導(dǎo)聯(lián)（Fp1、Fp2、F3、F4、C3、C4、P3、P4、O1、O2、F7、F8、T3、T4、T5、T6）頭皮腦電信號，Cz作為參考電極，前額作為參考地，采樣率為250Hz。極低的輸入?yún)⒖荚肼?1.0uVPP(70HzBW),共模抑制比是-110dB。采集靜息狀態(tài)腦電10min，采集環(huán)境同常規(guī)腦電采集環(huán)境。第二步：腦電數(shù)據(jù)預(yù)處理(1)待腦電信號平穩(wěn)后截取腦電信號，進(jìn)行預(yù)處理；(2)對數(shù)據(jù)進(jìn)行0.5-30Hz帶通濾波；(3)使用EEGLab工具箱去除眼電心電等干擾信號；(4)對偽跡明顯的數(shù)據(jù)進(jìn)行手動剔除，最終得到符合要求的EEG信號。第三步：提取腦電時頻域特征，包括：Kc復(fù)雜度、近似熵、小波熵1.Kc復(fù)雜度：算法流程圖如圖2所示。S和Q分別代表兩個字符串，SQ表示把S，Q兩個字符串拼接的總字符串。表示SQ中最后一個字符刪去所得到的字符串。令表示所有不同子串的集合。C為X序列的復(fù)雜度計數(shù)。2.近似熵：設(shè)原始數(shù)據(jù)為，共n點。對于u，按順序?qū)⑵浣M成一個m維的向量集，即(1)從第i個點開始連續(xù)的m個u的值。其中，參數(shù)m是比較序列的長度，即窗口長度，也叫嵌入維數(shù)。3.小波熵：離散時間信號f(t)，經(jīng)過J層離散小波變換分解后，低頻近似分量系數(shù)為高頻細(xì)節(jié)系數(shù)為，其中單一尺度下的小波能量為該尺度下小波系數(shù)的平方和，總的小波能量為(2)為了統(tǒng)一，將表示為則總能量為(3)相對小波能量為(4)第四步：AMUSE算法提取分解矩陣。算法流程圖如圖3所示1.假設(shè)EEG信號是由有限組分構(gòu)成，EEG源信號組分?jǐn)?shù)為，時刻源信號向量為：；2.組分線性混合過程是未知的，由混合矩陣A來描述，A為矩陣(一般情況下，A為矩陣——混合信號個數(shù)與源信號個數(shù)不等)，則混合信號觀測值為：(5)盲源分離就是僅通過觀測信號和源信號的概率分布先驗知識來恢復(fù)出。3.組分雖然隨時間改變，但在每個通道（信道）中組分的權(quán)重不變，盲源分離目標(biāo)變?yōu)榍蠓纸饩仃?輸出信號是源信號的一個估計，即：(6)(7)4.AMUSE算法求得分解矩陣(1)標(biāo)準(zhǔn)預(yù)白噪化進(jìn)行線性變換，如公式(8)：(8)式中，，為標(biāo)準(zhǔn)協(xié)方差矩陣。(2)對已經(jīng)預(yù)白噪化數(shù)據(jù)()的時滯協(xié)方差矩陣進(jìn)行奇異值分解（SVD）如公式(9)：(9)式中，是一個對角矩陣（奇異值遞減），,是特征向量矩陣。(3)得出分解矩陣為：或(10)第五步：基于加權(quán)最大相關(guān)最小冗余方法,實現(xiàn)特征選擇，算法流程圖如圖4所示。設(shè)輸入為X，S，F(xiàn)，C。其中，X表示原始特征集合，S表示已選特征集合，F(xiàn)表示待選特征子集，C表示數(shù)據(jù)集類別；輸出為最優(yōu)特征子集O。(1)令,，首先計算目標(biāo)類別C與特征之間的相關(guān)性，按相關(guān)性程度排序；(2)后向搜索，保留相關(guān)性大的特征，并按特征相關(guān)程度實現(xiàn)特征子集初級篩選。(3)對已選特征子集分別進(jìn)行信息距離Dmi和信息熵Qmi分析：設(shè):令：在Dmi和Qmi基礎(chǔ)上，加入權(quán)重因子，通過多次循環(huán)計算及分類器驗證，得到最優(yōu)特征組合。第六步：基于修正損失函數(shù)權(quán)重的SVM分類器實現(xiàn)時頻空域腦電特征的二級融合。支持向量機SVM是關(guān)于統(tǒng)計學(xué)習(xí)理論的實現(xiàn)方法,在很大程度上解決了過學(xué)習(xí)、非線性及維數(shù)災(zāi)難等模式識別中存在的問題。在本發(fā)明方法中，采用改進(jìn)SVM實現(xiàn)多特征融合，其改進(jìn)在于：當(dāng)引入一個新的樣本并對其狀態(tài)進(jìn)行預(yù)測時，由于不同樣本間存在一定的個體差異，在分類器訓(xùn)練時有的訓(xùn)練樣本的引入可能反而會降低其性能，同時也會影響到分類器的訓(xùn)練速度，當(dāng)樣本數(shù)量較大時，這種情況尤為明顯。本算法為了降低算法復(fù)雜度，采用二級融合方式，先通過聚類，挖掘出每個訓(xùn)練樣本與測試樣本之間的相關(guān)程度，并將描述相關(guān)程度的相關(guān)因子賦予SVM損失函數(shù)，解決個體差異的影響，提高評估正確率。算法流程圖如圖5所示。支持向量機的標(biāo)準(zhǔn)表達(dá)式為:(11)支持向量機的損失函數(shù)如公式：(12)改進(jìn)損失函數(shù)的表達(dá)式公式：(13)其中為訓(xùn)練集特征數(shù)目，用定義樣本在分類方面與測試樣本的相似性，以此解決大樣本算法復(fù)雜度的問題。