本發(fā)明涉及信號處理與神經工程領域，特別是一種癲癇腦電信號檢測與識別方法。

背景技術：

全世界大約5千多萬人患有癲癇。癲癇是由于大腦神經元異常放電，波及某些大腦功能區(qū)，造成大腦神經紊亂的一種疾病。腦電圖(eeg)是記錄大腦放電行為的一種有效方式，也是臨床檢測和診斷癲癇發(fā)作的一種方式?；趀eg的癲癇的自動檢測不僅對臨床分析癲癇等神經疾病具有重要價值，而且是預報癲癇發(fā)作的一種有效途徑。專利“一種面向癲癇腦電信號遷移環(huán)境的自適應識別方法”，專利“面向癲癇腦電信號的特征提取與自動識別方法”，“一種癲癇發(fā)作預警系統(tǒng)”。在癲癇eeg檢測與識別中都需要處理多通道的數(shù)據(jù)。開發(fā)一種利用少量電極(通道)檢測癲癇eeg不僅可降低檢測時間，而且可以降低系統(tǒng)功耗。本發(fā)明公開了一種基于稀疏共同空間模式的癲癇eeg自動檢測的通道優(yōu)化方法。

技術實現(xiàn)要素：

本發(fā)明的目的是提供一種癲癇eeg自動檢測的通道優(yōu)化方法。

為了解決上述技術問題，本發(fā)明提供了一種癲癇eeg自動檢測的通道優(yōu)化方法，包括：生成空域濾波器，且通過空域濾波器對電極產生的數(shù)據(jù)通道進行優(yōu)化。

進一步，生成空域濾波器的方法包括：

將空域濾波器的稀疏度作為優(yōu)化目標，去除不相關或是受噪聲干擾較大的數(shù)據(jù)通道；其中

所述稀疏度由其系數(shù)向量的l0范數(shù)衡量。

進一步，所述生成空域濾波器的方法還包括：

構建初始模型，即

其中，n為eeg信號通道數(shù)，c1與c2分別表示兩類信號的協(xié)方差矩陣；τ是一個預先設置的閾值，用于調節(jié)不同類別信號的平均功率比值；

并且tr(w^tcw)＝tr(cww^t)(6)

引入矩陣w＝ww^t，則公式(5)改寫為

w＝ww^t(7)

其中，||w||0,1定義為

上式中，ia(x)為示性函數(shù)；

由于第二個約束條件w＝ww^t，并且w是一個半正定矩陣，進一步將約束條件w＝ww^t松弛為半正定約束條件w≥0；以及

利用l1范數(shù)代替目標函數(shù)中的l0范數(shù)，從而獲得以下模型：

w≥0

tr(w)＝1(10)

其中

上式中，wi,:表示w的第i行；

求解公式(10)可以獲得空域濾波器系數(shù)向量w1；以及

將公式(10)中的第一個約束條件改為則可獲得另一空域濾波器系數(shù)向量w2。

進一步，所述閾值τ與算法分類精度相關；即

在使用時，首先獲得或其中wcsp表示預先獲得的空域濾波器系數(shù)；

將公式(10)中的門限值τ記為τsdp-csp，且將門限值設置為τsdp-csp＝ρ·τcsp，ρ∈(0,1)。

進一步，數(shù)據(jù)通道進行優(yōu)化的方法包括：

將濾波器系數(shù)向量w1或濾波器系數(shù)向量w2內幅度值小于所有元素中最大幅度0.1％的系數(shù)置為零；即

當濾波器系數(shù)向量w1與濾波器系數(shù)向量w2對應元素都已置零時，該元素所對應的通道被徹底舍棄。

本發(fā)明的有益效果是，本發(fā)明的癲癇eeg自動檢測的通道優(yōu)化方法通過選取少量的有效信號采集通道，并獲取各個通道對應的空域濾波器，一旦確定所選通道，后續(xù)則只需要利用數(shù)量較少的有效通道上的eeg信號完成分類任務。

附圖說明

下面結合附圖和實施例對本發(fā)明進一步說明。

圖1是本發(fā)明的通道選擇示意圖；

圖2是本發(fā)明的通道優(yōu)化方法的流程圖。

具體實施方式

現(xiàn)在結合附圖對本發(fā)明作進一步詳細的說明。這些附圖均為簡化的示意圖，僅以示意方式說明本發(fā)明的基本結構，因此其僅顯示與本發(fā)明有關的構成。

傳統(tǒng)的csp算法尋找一組使得兩類信號平均功率差距最大的空域濾波器，可以表述為

其中，n為eeg信號通道數(shù)，c1與c2分別表示兩類信號的協(xié)方差矩陣

其中，x為第一類或第二類eeg信號。上式中的協(xié)方差矩陣具有半正定特性。

w^tc1w＝λ¹

w^tc2w＝λ²

λ¹+λ²＝i(3)

其中，w由協(xié)方差矩陣c1與c2的廣義特征向量wj組成，即w＝[w1,w2,…..,wj]，用于同時對角化c1與c2，λⁱ＝diag(λ1ⁱ,…λjⁱ)為對角矩陣，包含ci的特征值λjⁱ(i＝1,2，j＝1,2,......,n)。利用公式(3)，csp問題可以轉化為以下優(yōu)化問題

根據(jù)公式(3)中λ¹+λ²＝i可知c1與c2中wj對應的特征值λj¹+λj²＝1，此外由于c1和c2均為半正定矩陣，所以λjⁱ≥0。因此，λj¹越大，λj²就越小，同時λj¹/λj²也隨之增大，所以最大特征值λj¹對應的特征向量就是公式(1)的解。

在傳統(tǒng)csp算法的基礎上，本發(fā)明提供了一種癲癇eeg自動檢測的通道優(yōu)化方法，包括：

生成空域濾波器，且通過空域濾波器對電極產生的數(shù)據(jù)通道進行優(yōu)化。

具體的，生成空域濾波器的方法包括：

將空域濾波器的稀疏度作為優(yōu)化目標，去除不相關或是受噪聲干擾較大的數(shù)據(jù)通道；其中

所述稀疏度由其系數(shù)向量的l0范數(shù)衡量。

所述生成空域濾波器的方法還包括：

構建初始模型，即

其中，n為eeg信號通道數(shù)，c1與c2分別表示兩類信號的協(xié)方差矩陣；τ是一個預先設置的閾值，用于調節(jié)不同類別信號的平均功率比值；

并且tr(w^tcw)＝tr(cww^t)(6)

引入矩陣w＝ww^t，則公式(5)改寫為

w＝ww^t(7)

其中，||w||0,1定義為

上式中，ia(x)為示性函數(shù)；

由于第二個約束條件w＝ww^t，公式(7)仍然為一個非凸優(yōu)化問題，并且w是一個半正定矩陣，進一步將約束條件w＝ww^t松弛為半正定約束條件w≥0；以及利用l1范數(shù)代替目標函數(shù)中的l0范數(shù)，從而獲得以下模型：

w≥0

tr(w)＝1(10)

其中

上式中，wi,:表示w的第i行；

公式(10)中附加了約束條件tr(w)＝1，用于消除w由于縮放所帶來的不確定性；公式(10)是一個半定規(guī)劃(semi-definiteprogramming，sdp)問題，因此將其本優(yōu)化方法所涉及的算法簡寫為sdp-csp；求解公式(10)可以獲得空域濾波器系數(shù)向量w1；若將公式(10)中的第一個約束條件改為則可獲得另一空域濾波器系數(shù)向量w2。

進一步，所述閾值τ與算法分類精度相關；即

在使用時，首先獲得或其中wcsp表示預先獲得的空域濾波器系數(shù)；為了清晰起見，將公式(10)中的門限值τ記為τsdp-csp，且將門限值設置為τsdp-csp＝ρ·τcsp，ρ∈(0,1)。

如圖2所示，數(shù)據(jù)通道進行優(yōu)化的方法包括：

由于l1范數(shù)的作用，w1和w2中包含許多幅度極小的元素，將這些濾波器系數(shù)置零，從而可以獲得兩組稀疏濾波器；將濾波器系數(shù)向量w1或濾波器系數(shù)向量w2內幅度值小于所有元素中最大幅度0.1％的系數(shù)置為零；即當濾波器系數(shù)向量w1與濾波器系數(shù)向量w2對應元素都已置零時，該元素所對應的通道被徹底舍棄。

如圖2所示，利用訓練數(shù)據(jù)，選取少量的有效信號采集通道，并獲取各個通道對應的空域濾波器，一旦確定所選通道，后續(xù)則只需要利用數(shù)量較少的有效通道上的eeg信號完成分類任務。

以上述依據(jù)本發(fā)明的理想實施例為啟示，通過上述的說明內容，相關工作人員完全可以在不偏離本項發(fā)明技術思想的范圍內，進行多樣的變更以及修改。本項發(fā)明的技術性范圍并不局限于說明書上的內容，必須要根據(jù)權利要求范圍來確定其技術性范圍。