本發(fā)明涉及一種基于最大加權(quán)團(tuán)的腦電信號(hào)預(yù)處理與分類方法，是針對(duì)有標(biāo)簽與無(wú)標(biāo)簽?zāi)X電信號(hào)的預(yù)處理與多分類方法，屬于生物科學(xué)與信息科學(xué)的交叉領(lǐng)域。

背景技術(shù)：

人腦的神經(jīng)活動(dòng)開(kāi)始于胎兒期的第17到23周。人的一生由大腦產(chǎn)生的電子信號(hào)不僅表征了大腦本身的工作狀態(tài)，也反映了整個(gè)身體的功能狀態(tài)。正是由于腦電波中蘊(yùn)含的重要信息，關(guān)于腦電信號(hào)的分析開(kāi)始于20世紀(jì)初，到目前為止已有大量關(guān)于信號(hào)處理的方法應(yīng)用于腦電信號(hào)當(dāng)中。通過(guò)研究腦電信號(hào)，可以幫助現(xiàn)代醫(yī)學(xué)進(jìn)行疾病的診斷與治療。比如老年癡呆的前期診斷，中風(fēng)、癲癇病發(fā)作、癡呆等的輔助診斷，甚至也可用于大腦控制方面的研究應(yīng)用，比如腦控小車(chē)、腦控飛行器等，可以幫助改善殘障人士的出行問(wèn)題等。

腦電信號(hào)中包含較高的噪聲信號(hào)，其主要分為兩類：第一類是環(huán)境噪聲。由于腦電波信號(hào)頻率較低，采集受到環(huán)境噪音、設(shè)備噪音的影響較大，即在采集到的腦電信號(hào)中，包含了較高的噪音信號(hào)，從而導(dǎo)致腦信號(hào)的信噪比較低，這一類噪聲是腦信號(hào)的主要噪聲源，其主要影響信噪比；第二類是影響信號(hào)特征的噪聲。這類噪聲主要來(lái)源于眼動(dòng)、肌動(dòng)等產(chǎn)生的偽跡信號(hào)對(duì)目標(biāo)腦電信號(hào)進(jìn)行的影響，降低目標(biāo)腦電的識(shí)別精度。同時(shí)，對(duì)于本身患有如癲癇、老年癡呆、中風(fēng)等疾病的研究受體而言，由于腦電信號(hào)較正常人而言不穩(wěn)定性更高，因此對(duì)腦電信號(hào)采集產(chǎn)生了巨大影響。直接對(duì)原始數(shù)據(jù)進(jìn)行分析、特征提取誤差較大，分析結(jié)果并沒(méi)有太大的參考價(jià)值。許多關(guān)于腦電信號(hào)的研究一般都集中在特征提取、分類階段，對(duì)腦電信號(hào)原始信號(hào)的預(yù)處理，大部分的研究也都集中在基于獨(dú)立成分分析、主成分分析、共空間模式的處理手段上面，也取得了相應(yīng)的效果。但對(duì)于原始腦電信號(hào)中存在具有其他特征(非目標(biāo)運(yùn)動(dòng)偽影、事件相關(guān)刺激等)的非目標(biāo)信號(hào)時(shí)，利用獨(dú)立成分分析、主成分分析與共空間模式進(jìn)行腦信號(hào)分析依然不能保證信號(hào)分析的結(jié)果準(zhǔn)確性與一致性。獨(dú)立成分分析能有效分解腦電信號(hào)，獲得信號(hào)源中各個(gè)成分的信號(hào)表現(xiàn)，最后通過(guò)對(duì)各個(gè)獨(dú)立成分再進(jìn)行分析。對(duì)于獨(dú)立成分分析而言，各成分由求得，在沒(méi)有先驗(yàn)知識(shí)的情況下，無(wú)法同時(shí)求得s與w兩個(gè)參數(shù)，即會(huì)出現(xiàn)分解結(jié)果不唯一的情況。主成分分析則可以通過(guò)將原始高維數(shù)據(jù)降維壓縮，利用原始信號(hào)中的主要成分進(jìn)行分析能在一定程度上提高效率。但由于主成分分析是完全無(wú)參數(shù)限制的，但對(duì)于一些原本具有先驗(yàn)知識(shí)的問(wèn)題，卻無(wú)法進(jìn)行干預(yù)，可能得不到與其的效果。這兩種信號(hào)處理方法主要都是將原始信號(hào)進(jìn)行成分提取，以具有代表性的成分進(jìn)行分析。共空間模式雖然能從原始腦電信號(hào)中提取相應(yīng)的有效信號(hào)，但往往會(huì)出現(xiàn)過(guò)擬合現(xiàn)象，使得得到的信號(hào)特征不具有一般性。

腦電信號(hào)反映了腦活動(dòng)情況，反映了大腦控制模式，對(duì)于某些特定的大腦控制會(huì)反射出具有相應(yīng)信號(hào)特征的腦電波。通過(guò)對(duì)腦電信號(hào)的分析可以準(zhǔn)確地識(shí)別相應(yīng)的大腦的意圖，并能通過(guò)特征分析，識(shí)別出異常信號(hào)特征，從而可輔助進(jìn)行相應(yīng)的診斷。如前文提及到的，腦電信號(hào)較弱，其中夾雜了較高的噪聲信號(hào)，不利于對(duì)其進(jìn)行直接研究，為了提高分析的可靠性與準(zhǔn)確性，預(yù)先對(duì)腦電信號(hào)進(jìn)行篩選，獲取具有高相關(guān)性的腦電信號(hào)，降低其他特征的影響，提高腦電信號(hào)目標(biāo)特征信號(hào)的比例，能有效提高腦電信號(hào)中某類特征的提取準(zhǔn)確性。

技術(shù)實(shí)現(xiàn)要素：

發(fā)明目的：本發(fā)明的目的是提供一種腦電信號(hào)預(yù)處理與分類方法。該方法通過(guò)將腦電信號(hào)及其關(guān)聯(lián)映射到一個(gè)無(wú)向加權(quán)完全圖中，并在圖中搜尋具有高權(quán)值的團(tuán)(完全子圖)，從而達(dá)到腦電信號(hào)預(yù)處理與多分類的目的。該方法充分考慮了腦電信號(hào)的相似相異程度，從腦電信號(hào)整體角度對(duì)其進(jìn)行分析，解決了傳統(tǒng)方法利用導(dǎo)聯(lián)、通道分割的方式進(jìn)行腦電信號(hào)預(yù)處理導(dǎo)致的處理后信號(hào)信息不全的問(wèn)題；同時(shí)，該方法也解決了傳統(tǒng)無(wú)監(jiān)督分類方法結(jié)果不穩(wěn)定、無(wú)法獲取任意可能分類以及分類結(jié)果受數(shù)據(jù)點(diǎn)出現(xiàn)順序的影響等問(wèn)題，。

技術(shù)方案：為實(shí)現(xiàn)上述目的，本發(fā)明提出一種基于最大加權(quán)團(tuán)的腦電信號(hào)預(yù)處理與分類方法，主要結(jié)合fréchet距離衡量相似度方法以及最大加權(quán)團(tuán)搜尋方法進(jìn)行腦電信號(hào)的預(yù)處理與多分類。將腦電信號(hào)看作時(shí)間序列，利用fréchet距離對(duì)其進(jìn)行相似度衡量，并在此基礎(chǔ)上形成無(wú)向加權(quán)完全圖的變權(quán)重與頂點(diǎn)權(quán)重，從而在該圖中搜尋具有最大權(quán)重的團(tuán)。。其具體的技術(shù)方案包括以下幾個(gè)步驟：

步驟一：針對(duì)原始fréchet距離對(duì)全局相似度敏感的問(wèn)題，對(duì)其進(jìn)行了改進(jìn)，得到了更科學(xué)更有效的相似度衡量方法。

(1)局部趨勢(shì)相異度衡量。利用腦電信號(hào)之間的趨勢(shì)相異程度來(lái)衡量信號(hào)間的走勢(shì)相關(guān)性；

(2)改進(jìn)fréchet距離衡量。為局部趨勢(shì)相異程度與全局相似程度設(shè)定權(quán)重值，平衡局部與全局相似度對(duì)衡量指標(biāo)的重要性，從而更科學(xué)地衡量腦電信號(hào)間的相似程度。

步驟二：利用無(wú)向加權(quán)完全圖中的頂點(diǎn)與邊權(quán)重，改進(jìn)傳統(tǒng)的權(quán)重評(píng)價(jià)指標(biāo)，同時(shí)考慮頂點(diǎn)與邊的權(quán)重對(duì)團(tuán)搜尋的影響。

(1)利用改進(jìn)的fréchet距離衡量方法將腦電信號(hào)間的相似度映射為無(wú)向加權(quán)完全圖中的邊權(quán)重；

(2)同樣利用fréchet距離衡量方法得到的腦電信號(hào)相似程度轉(zhuǎn)化為圖中的頂點(diǎn)權(quán)中。

(3)利用無(wú)向加權(quán)完全圖中頂點(diǎn)、邊權(quán)重進(jìn)行權(quán)重衡量方法的優(yōu)化，同時(shí)將頂點(diǎn)、邊權(quán)重作為團(tuán)搜尋的篩選指標(biāo)，以提高最大加權(quán)團(tuán)搜尋的科學(xué)性。

步驟三：針對(duì)有標(biāo)簽的腦電信號(hào)的預(yù)處理：根據(jù)優(yōu)化后的權(quán)重衡量方法，在無(wú)向加權(quán)完全圖中搜尋符合相似度閾值的權(quán)重，并進(jìn)行單次最大加權(quán)團(tuán)搜尋，從而將具有較高權(quán)重的腦電信號(hào)劃分到團(tuán)中，達(dá)到腦電信號(hào)預(yù)處理的目的。針對(duì)無(wú)標(biāo)簽?zāi)X電信號(hào)的多分類：根據(jù)優(yōu)化后的權(quán)重衡量方法，通過(guò)設(shè)定多個(gè)合理的相似度閾值，進(jìn)行多次最大加權(quán)團(tuán)搜尋，從而將無(wú)標(biāo)簽的腦電信號(hào)劃分到相似度閾值對(duì)應(yīng)的團(tuán)中，達(dá)到多分類的目的。

有益效果：本發(fā)明是從圖論的角度，針對(duì)完整的腦電信號(hào)的預(yù)處理與多分類，提出了一種基于最大加權(quán)團(tuán)的腦電信號(hào)預(yù)處理與分類方法。通過(guò)將腦電信號(hào)及其相互關(guān)系映射為無(wú)向加權(quán)完全圖中的頂點(diǎn)與邊，并采用改進(jìn)的fréchet距離衡量進(jìn)行腦電信號(hào)的相似度衡量，相應(yīng)地轉(zhuǎn)化為圖中頂點(diǎn)與邊的權(quán)重。同時(shí)結(jié)合頂點(diǎn)與邊的權(quán)重進(jìn)行單次與多次的最大加權(quán)團(tuán)的搜索，達(dá)到有標(biāo)簽?zāi)X電信號(hào)預(yù)處理與無(wú)標(biāo)簽?zāi)X電信號(hào)多分類的目的。該方法有效解決了從整體角度處理腦電信號(hào)的困難以及完善了無(wú)監(jiān)督腦電信號(hào)多分類方法。該方法能夠通過(guò)腦電信號(hào)之間的相似程度進(jìn)行篩選與分類，適用于任何基于腦電信號(hào)預(yù)處理與分類問(wèn)題，同時(shí)可用于輔助診斷相關(guān)大腦疾病。本發(fā)明經(jīng)擴(kuò)展后，還可用于解決關(guān)于時(shí)間序列、軌跡相似度衡量以及基于相似度衡量的相關(guān)聚類與劃分等實(shí)際問(wèn)題。

附圖說(shuō)明

圖1是本發(fā)明方法的總體流程圖。

圖2是有標(biāo)簽?zāi)X電信號(hào)預(yù)處理流程圖。

圖3是無(wú)標(biāo)簽?zāi)X電信號(hào)多分類體流程圖。

具體實(shí)施方式

下面結(jié)合附圖，對(duì)本發(fā)明做進(jìn)一步說(shuō)明。

本發(fā)明基于最大加權(quán)團(tuán)對(duì)完整的腦電信號(hào)進(jìn)行預(yù)處理與多分類。通過(guò)將腦電信號(hào)及其關(guān)聯(lián)關(guān)系映射為無(wú)向加權(quán)完全圖中的頂點(diǎn)與邊，將fréchet距離相似度衡量方法得到的腦電信號(hào)相似度映射為圖中邊的權(quán)重，并進(jìn)一步轉(zhuǎn)化為圖中頂點(diǎn)的權(quán)重，結(jié)合無(wú)向加權(quán)完全圖中的頂點(diǎn)與邊的權(quán)重，改進(jìn)傳統(tǒng)權(quán)重衡量方法，最終在此基礎(chǔ)上進(jìn)行單次或多次最大加權(quán)團(tuán)的搜尋，達(dá)到有標(biāo)簽?zāi)X電信號(hào)預(yù)處理與無(wú)標(biāo)簽?zāi)X電信號(hào)多分類的目的。具體實(shí)施步驟如下，且具體流程見(jiàn)附圖1。

1、優(yōu)化的權(quán)重衡量方法

結(jié)合無(wú)向加權(quán)完全圖中的頂點(diǎn)、邊權(quán)重進(jìn)行權(quán)重衡量方法的優(yōu)化，提高此后加權(quán)團(tuán)搜尋的科學(xué)性與完善性。

步驟一：通過(guò)改進(jìn)的fréchet距離相似度衡量方法得到腦電信號(hào)的相似度矩陣，并將其轉(zhuǎn)化為圖中邊的權(quán)重；

(1)局部趨勢(shì)相異度衡量

對(duì)于任意兩個(gè)腦電信號(hào)tri，trj∈trial(trial為所有腦電信號(hào)的集合)，tri＝(a1，a2，…，ap)，trj＝(b1，b2，…，bp)，其局部趨勢(shì)相異度為：

其中，temcor∈[-1，1]。該指標(biāo)衡量了兩個(gè)腦電信號(hào)之間局部趨勢(shì)的同步性。負(fù)值表明信號(hào)大部分時(shí)間具有相反的走勢(shì)，正值則表明具有更多相似的走勢(shì)。

(2)全局相似度衡量

利用fréchet距離對(duì)腦電信號(hào)進(jìn)行全局相似度衡量，對(duì)于任意兩個(gè)腦電信號(hào)tri，trj∈trial，它們之間的fréchet距離相似度為：

(3)改進(jìn)的fréchet距離相似度衡量

根據(jù)腦電局部趨勢(shì)相異度與全局相似度，腦電信號(hào)之間最終的相似度衡量為：

其中，s(tri，trj)∈[0，1]，λ∈[0，1]。

(4)無(wú)向加權(quán)完全圖中邊的權(quán)重映射

將腦電信號(hào)之間的關(guān)系映射為圖中的邊，將權(quán)利要求5中得到的腦電信號(hào)相似度映射為圖邊上的權(quán)重。設(shè)腦電信號(hào)trial為n×n的矩陣，trial^n×n＝(tr1，tr2，…，trn)^t，其相似度最終構(gòu)成一個(gè)對(duì)角矩陣，即為無(wú)向加權(quán)完全圖中的邊權(quán)重：

其中，

步驟二：利用步驟一中得到腦電信號(hào)相似度矩陣得到圖中頂點(diǎn)的權(quán)重；

將腦電信號(hào)本身映射為無(wú)向加權(quán)完全圖中的頂點(diǎn)，利用權(quán)利要求5中得到的腦電信號(hào)相似度sij∈s進(jìn)行頂點(diǎn)權(quán)重的衡量：

步驟三：結(jié)合以上步驟中的到邊權(quán)重與頂點(diǎn)權(quán)重，得到優(yōu)化后的權(quán)重衡量方法。

對(duì)于無(wú)向加權(quán)完全圖中的任意邊(i，j)∈e(c)，其中，e(c)表示團(tuán)c中邊的結(jié)合。同時(shí)，對(duì)于團(tuán)c中邊的權(quán)重滿足條件：μ＝{sij|sij≥δ}，δ為設(shè)定的相似度閾值，則改進(jìn)的權(quán)重衡量為：

其中，η為頂點(diǎn)權(quán)重，n為團(tuán)c中的頂點(diǎn)個(gè)數(shù)。

2、基于最大加權(quán)團(tuán)的腦電信號(hào)預(yù)處理

針對(duì)有標(biāo)簽的腦電信號(hào)而言，結(jié)合優(yōu)化的權(quán)重衡量方法，通過(guò)在無(wú)向加權(quán)完全圖中單次搜尋最大加權(quán)團(tuán)進(jìn)行腦電信號(hào)的篩選，達(dá)到預(yù)處理的目的。具體步驟如下，其詳細(xì)流程圖見(jiàn)附圖2：

(1)初始化無(wú)向加權(quán)完全圖g＝(v，e，η，μ)與相似度閾值δ；

(2)判斷頂點(diǎn)t是否可以加入團(tuán)中：對(duì)于團(tuán)中的任意頂點(diǎn)i，如果μti≥δ，則計(jì)算新團(tuán)的權(quán)重大?。?/p>

(i)如果wc∪{t}≥wc，則頂點(diǎn)t可加入團(tuán)中構(gòu)成新的團(tuán)且更新圖的頂點(diǎn)集與邊集：

vc＝vc∪{t}；v＝v\{t}；wc＝wc∪{t}

(ii)如果wc∪{t}＜wc，重新判斷另一個(gè)頂點(diǎn)。

(3)重復(fù)(2)直到原始圖中所有頂點(diǎn)均被測(cè)試。

針對(duì)有標(biāo)簽?zāi)X電信號(hào)預(yù)處理的具體算法如下：

輸入：

δ：相似度閾；

輸出：

c：最大加權(quán)團(tuán)；

3、基于最大加權(quán)團(tuán)的腦電信號(hào)分類

對(duì)于無(wú)標(biāo)簽的腦電信號(hào)而言，同樣結(jié)合優(yōu)化后的權(quán)重衡量方法，在無(wú)向加權(quán)完全圖中進(jìn)行多次最大加權(quán)團(tuán)搜尋，到達(dá)無(wú)標(biāo)簽?zāi)X電信號(hào)多分類的目的。具體步驟如下，其詳細(xì)流程圖見(jiàn)附圖3：

(1)初始化無(wú)向加權(quán)完全圖g＝(v，e，η，μ)與相似度閾值δ＝{δk＝1，…，m}；

(2)初始化圖的頂點(diǎn)與邊的集合：gk＝g：vk＝v，ek＝e；

(3)篩選滿足相似度閾值δk的邊和頂點(diǎn)；

(4)在滿足相似度條件的頂點(diǎn)和邊中搜尋一個(gè)最大團(tuán)c＝(vc，ec)；

(5)更新頂點(diǎn)集合與邊的集合gm＝(vm，em，η，μ)：g＝gm；

(6)重復(fù)(2)～(5)，直到所有的相似度閾值遍歷完為止。

針對(duì)無(wú)標(biāo)簽?zāi)X電信號(hào)多分類的具體算法如下：

輸入：

δ＝{δk|0≤δk＜δk-1，δ0＝1，k＝1，…，m，m≥1}：相似度閾值的集合；

輸出：

c：團(tuán)的集合；

13：初始化無(wú)向加權(quán)完全圖g＝(v，e，η，μ)以及

14：repeat