CN104636628A - 基于三层交叉博弈能量树的脑波病历信号约简方法 - Google Patents

Abstract

本发明公开一种基于三层交叉博弈能量树的脑波病历信号约简方法。该方法首先设计两棵相邻的三层交叉博弈树T_i和T_j，在同一主层内实现自私博弈和不同主层间实现交叉协同博弈，采用深度优先搜索策略选出两棵博弈树的全局最优精英Elitist_{i_c}和Elitist_{j_c}；然后分配精英能量收益矩阵PMEN_n×n给最优精英，增强精英在主层取得自适应Nash能量探索与开发平衡性能；最后实现脑波病历信号的交叉博弈能量约简，使最优精英在精英能量向量Γ驱动下均收敛到每个主层最优Nash均衡点，达到脑波病历信号约简精度平衡，从而输出全局最优脑波病历信号。本发明能有效提高脑波病历信号约简效率，为脑波信号噪声消除及特征提取与解析等提供重要方法，对脑部疾病诊断和辅助治疗具有较强应用价值。

Description

基于三层交叉博弈能量树的脑波病历信号约简方法

技术领域：

本发明涉及到生物医学领域，具体来说涉及一种基于三层交叉博弈能量树的脑波病历信号约简方法。

背景技术：

电子病历中脑波信号是通过医学仪器检测出的位于头皮下大脑皮质上电位约为毫伏特等级的波形，脑波信号按其频率分为：δ波、θ波、α波、β波和γ波，其中δ波和θ波为慢波，β波和γ波为快波。脑波信号具有一定的规律性，当脑部尤其是皮层有病变时，脑波规律性受到破坏，将引起脑波异常，波形即发生变化，对脑波病历信号进行分析，可有效辅助临床脑部疾病诊断。但由于电子病历系统中检测出的脑波信号波形是一个时间函数，是不断更新和动态变化的，具有较强的不确定时效性，如一旦有颅骨、头皮的衰减，由头皮上所测量到的电位将骤然降为微伏特等级，实际脑波信号具有低振幅和低频率特性，这样脑波病历进行结构化转换后将成为非常复杂的不一致不完备病历系统，给脑部病历特征选择、规则挖掘以及脑部疾病临床决策支持分析等带来较大困难。对脑波病历信号进行高效处理是设计电子病历脑部疾病决策分析系统的关键技术，具有重要的理论研究意义和实际应用价值。

目前一般采用傅立叶变换、频域能量分析、小波变换、快速独立分量分析等方法来改进脑波病历信号不确定时效性、微弱性、多样性以及非线性等缺点，但这些方法获取的脑波病历信号使得原脑波信号很多信息得不到保留，很有可能将有用的脑波信号当作噪声抑制或处理掉,间接改变了脑电波信号的特征，使得我们无法对电子病历系统中脑波频率、波幅、数量、部位、出现方式及有无病理波等进行有效分析。

发明内容：

本发明的目的是提供一种基于三层交叉博弈能量树的脑波病历信号约简方法。

本发明通过以下的技术方案实现的：

基于三层交叉博弈能量树的脑波病历信号约简方法，具体步骤如下：

A、构建三层交叉博弈进化树，该三层博弈进化树包含三个主层：第一主层，第二主层和第三主层，每个主层内嵌三个子层：最底子层、中间子层和最高子层；将两个相邻进化种群Pop_i和Pop_j中所有个体分配到两棵相邻三层交叉博弈进化树T_i和T_j的所有结点上，使树中每个结点包含进化种群一个进化个体；

B、实现三层交叉博弈进化树上进化个体在同一主层内自私博弈和不同主层间交叉协同博弈，采用深度优先搜索循环策略在相邻进化树T_i和T_j上分别选出各自全局最优精英个体Elitist_{i_c}和Elitist_{j_c}；

C、分配精英能量收益矩阵PMEN_n×n给每棵三层交叉博弈树的全局最优精英，带有精英能量向量Γ的最优精英与多个相邻精英一起实现交叉博弈树能量约简操作，增强最优精英在每个主层上取得自适应Nash能量探索与开发平衡性能；

D、设计脑波病历信号交叉博弈约简的Nash均衡策略，使优选出的最优精英在精英能量向量Γ驱动下均能收敛到每个主层最优Nash均衡点；

E、判断脑波病历信号约简是否满足约简精度平衡要求，若满足，则输出两棵博弈树的最优脑波病历信号约简子集Red(R_i)和Red(R_j)，否则，则转至步骤C继续执行；

F、将上述步骤扩展到整个进化种群中所有相邻进化种群，分别求出其相应脑波病历信号约简子集，最终输出全局最优脑波信号约简集Red_opt如下：

${\mathrm{Red}}_{\mathrm{opt}}=\min \left(\underset{i,j=1,i\≠j}{\overset{n}{\∪}}(\mathrm{Red}\left(R_i\right)\∩\mathrm{Red}\left(R_j\right))\right).$

本发明的进一步改进在于：步骤B中所述实现三层交叉博弈进化树上进化个体在同一主层内自私博弈和不同主层间交叉协同博弈，采用深度优先搜索循环策略在相邻进化树T_i和T_j上分别选出各自全局最优精英个体Elitist_{i_c}和Elitist_{j_c}，具体步骤如下：

a、初始化两个相邻的进化种群Pop_i和Pop_j，并且将这两个进化种群中所有进化个体分配至三层交叉博弈进化树T_i和T_j相应结点上；

b、在三层交叉博弈树的第一主层上比较各自最底子层的孩子结点能量值，选出T_i上最优能量的孩子结点和T_j上最优能量孩子结点并采用深度优先搜索循环策略将最优孩子结点与其中间子层上双亲结点依次进行能量比较，从而选出最大能量的结点作为中间子层上新的双亲结点；

c、将中间子层双亲结点与顶部子层精英结点按照轮盘选择方法依次进行结点能量比较，采用自私博弈策略在第一主层内部产生当前三层博弈树T_i上最优精英结点Elitist_{i_a}和T_j上最优精英结点Elitist_{j_a}；

d、在第一主层和第二主层的层间将T_i上最优精英结点Elitist_{i_a}和T_j上最优精英结点Elitist_{j_a}采用交叉协同博弈策略，比较不同精英的结点能量值，选出当前两棵三层交叉博弈树第二主层上的最优能量精英，从而将原第一主层上产生的两个精英Elitist_{i_a}和Elitist_{j_a}分别增强为第二主层上两个最优精英Elitist_{i_b}和Elitist_{j_b}；

e、在第二主层和第三主层的层间采用同样交叉协同博弈策略，将原第二主层上产生的两个精英Elitist_{i_b}和Elitist_{j_b}分别增强为第三主层上两个最优精英Elitist_{i_c}和Elitist_{j_c}，从而输出两棵三层交叉博弈树T_i和T_j的全局最终最优能量精英Elitist_{i_c}和Elitist_{j_c}。

本发明的进一步改进在于：步骤C中所述分配精英能量收益矩阵PMEN_n×n给每棵三层交叉博弈树的全局最优精英，带有精英能量向量Γ的最优精英将与多个相邻精英一起实现交叉博弈树能量约简操作，增强最优精英在每个主层上取得自适应Nash能量探索与开发平衡性能，具体步骤如下：

a、通过三层交叉博弈树，选出不同博弈树上最优能量精英，这些精英在脑波病历信号约简协同进化过程中将起着核心角色作用，其他一般精英将在最优精英引导下收敛到各自最优解，精英能量收益矩阵PMEN_n×n将分配给每棵三层交叉博弈树的全局最优精英，其收益矩阵定义如下：

${\mathrm{PMEN}}_{n\×n}={\left[\begin{array}{cccc}\mathrm{\λ}& \mathrm{EN}{\left({\mathrm{Elitist}}_1\right)}^2& ...& {\mathrm{EN}\left({\mathrm{Elitist}}_1\right)}^n\\ \mathrm{EN}{\left({\mathrm{Elitist}}_2\right)}^1& \mathrm{\λ}& ...& {\mathrm{EN}\left({\mathrm{Elitist}}_2\right)}^n\\ .& .& & .\\ .& .& ...& .\\ .& .& & .\\ \mathrm{EN}{\left({\mathrm{Elitist}}_n\right)}^1& {\mathrm{EN}\left({\mathrm{Elitist}}_n\right)}^2& ...& \mathrm{\λ}\end{array}\right]}_{n\×n}$

精英能量收益矩阵PMEN_n×n描述为n个种群精英博弈时的协同选择支付矩阵，收益矩阵中位于第i行与第j列的最优精英按照不同主层交叉博弈后，其精英能量值EN(Elitist_i)^j定义如下：

$\begin{array}{c}\mathrm{EN}{\left({\mathrm{Elitist}}_i\right)}^j=(m_1\×|\frac{f\left({\mathrm{Elitist}}_{i\_a}\right)-f\left({\mathrm{Elitist}}_{j\_a}\right)}{f\left({\mathrm{Elitist}}_{i\_a}\right)}|+m_2\×\left|\frac{f\left({\mathrm{Elitist}}_{i\_b}\right)-f\left({\mathrm{Elitist}}_{j\_b}\right)}{f\left({\mathrm{Elitist}}_{i\_b}\right)}\right|\\ +m_3\×\left|\frac{f\left(E{\mathrm{litist}}_{i\_c}\right)-f\left({\mathrm{Elitist}}_{j\_c}\right)}{f\left({\mathrm{Elitist}}_{i\_c}\right)}\right|)\×e^{\frac{-g}{g_{\max }}}\end{array}$

其中m₁∈rand(0.1,0.3),m₂∈rand(0.3,0.6),m₃∈rand(0.6,0.9),，rand为随机函数，g为当前运行迭代次数，g_max为精英博弈最大迭代次数，e为自然对数的底数常量，e值为2.71828；

b、设定精英能量收益矩阵PMEN_n×n中常量λ值如下：

$\mathrm{\λ}=U(k\×e^{\frac{g-1}{g_{\max }-1}},e^{\frac{g-1}{g_{\max }-1}})$

其中U为均匀随机函数，k为常量上边界的参数，为了在脑波信号约简中更好的执行交叉博弈，k值取0.55；

c、第i行最优精英在其他种群精英作用下平均最优精英能量EN(Elitist_i)值定义如下：

$\mathrm{EN}\left({\mathrm{Elitist}}_i\right)=\frac{1}{n}(\underset{j=1,j\≠i}{\overset{n}{\mathrm{\Σ}}}\mathrm{EN}{\left({\mathrm{Elitist}}_i\right)}^j+\mathrm{\λ});$

d、构建最优精英能量向量Γ如下：

Γ＝[EN(Elitist₁),EN(Elitist₂),...,EN(Elitist_n)]^T

该最优精英能量向量Γ具有极强的优化能力，能较好地避免进化种群参数早熟收敛，提高参与脑波信号约简精英的分布性；带有精英能量向量Γ的最优精英将与多个相邻精英一起实现三层交叉博弈树的相关能量博弈操作：在交叉博弈树层内采用自私博弈执行局部精化搜索，在相邻不同层间采用交叉协同博弈实现全局搜索，进一步增强最优精英在每个主层取得自适应Nash能量探索与开发平衡性能。

本发明的进一步改进在于：步骤D中所述设计脑波病历信号交叉博弈约简的Nash均衡策略，使优选出的最优精英在精英能量向量Γ驱动下均能收敛到每个主层最优Nash均衡点，具体步骤如下：

a、将三层交叉博弈树T_i划分成k个博弈子树{T_i1,T_i2,...,T_ik},将脑波病历信号集R_i划分成k个脑波病历信号子集{R_i1,R_i2,...,R_ik}，用k个博弈子树{T_i1,T_i2,...,T_ik}来优化相等数量的k个脑波病历信号子集{R_i1,R_i2,...,R_ik}；

b、构建位于T_i相邻三层交叉博弈树T_j的k个博弈子树{T_j1,T_j2,...,T_jk}，将两棵博弈子树集{T_i1,T_i2,...,T_ik}和{T_j1,T_j2,...,T_jk}根据各自精英能量向量值进行降序排序；

c、采用三层交叉博弈树策略产生T_i最优精英Elitist_{i_c}和T_j最优精英Elitist_{j_c}，并分配相应的精英能量收益矩阵；

d、将与R_i相邻的脑波病历信号集R_j划分成k个信号子集{R_j1,R_j2,...,R_jk}，从R_i和R_j中分别选取第m个脑波病历信号子集R_im和R_jm，利用第m个带有精英能量的子树T_im和T_jm分别优化R_im和R_jm；

e、在脑波病历信号约简过程中，最优精英Elitist_{i_c}和Elitist_{j_c}在精英能量向量Γ驱动下交换信号约简经验，并执行{R_i1,R_i2,...,R_ik}和{R_j1,R_j2,...,R_jk}成对Nash均衡比较，从R_i,R_j中删除Nash非支配解；

f、输出基于两棵三层交叉博弈能量树的最优脑波病历信号约简子集Red(R_i)和Red(R_j)。

本发明与现有技术相比具有如下优点：

本发明提出一种基于三层交叉博弈能量树进行脑波病历信号约简方法，采用三层交叉博弈进化树和精英能量收益矩阵实现脑波病历信号的交叉博弈能量约简，有效删除脑波病历信号中非支配集，使最优精英在精英能量向量驱动下均收敛到每个主层最优Nash均衡点，达到脑波病历信号能量约简精度平衡，从而输出最优脑波病历信号集。

本发明能将脑波病历信号中频率、波幅、数量等进行较好约简,提高脑波病历信约简效率，对脑波病历信号中含有的工频干扰和心电干扰等具有较好的消噪效果，能最大限度的保留脑波病历信号特征，为脑波病历信号中噪声消除以及特征提取等提供重要方法，有利于脑波病历解析，对脑部疾病诊断和辅助治疗具有重要的应用价值。该方法能进一步应用于脑电图和脑部认知能力测试与监测中，提取出最优脑波病历信号，应用于电子病历系统中病理检测，药物效果分析，以及残疾人辅助治疗系统等，为人类疾病多层面综合智能决策支持提供有效的智慧医疗服务。

附图说明

图1为本发明总体实现过程图；

图2为三层交叉博弈树构造图；

图3为基于三层交叉博弈能量树的脑波病历信号约简过程图。

具体实施方式

为了加深对本发明的理解，下面将结合实施例和附图对本发明作进一步详述，该实施例仅用于解释本发明，并不构成对本发明保护范围的限定。

本发明具体通过以下的技术方案实现的：

如图1所示，基于三层交叉博弈能量树的脑波病历信号约简方法，具体步骤如下：

A、构建三层交叉博弈进化树，该三层博弈进化树包含三个主层：第一主层，第二主层和第三主层，每个主层内嵌三个子层：最底子层、中间子层和最高子层；将两个相邻进化种群Pop_i和Pop_j中所有个体分配到两棵相邻三层交叉博弈进化树T_i和T_j的所有结点上，使树中每个结点包含进化种群一个进化个体；

B、实现三层交叉博弈进化树上进化个体在同一主层内自私博弈和不同主层间交叉协同博弈，采用深度优先搜索循环策略在相邻进化树T_i和T_j上分别选出各自全局最优精英个体Elitist_{i_c}和Elitist_{j_c}；

C、分配精英能量收益矩阵PMEN_n×n给每棵三层交叉博弈树的全局最优精英，带有精英能量向量Γ的最优精英与多个相邻精英一起实现交叉博弈树能量约简操作，增强最优精英在每个主层上取得自适应Nash能量探索与开发平衡性能；

D、设计脑波病历信号交叉博弈约简的Nash均衡策略，使优选出的最优精英在精英能量向量Γ驱动下均能收敛到每个主层最优Nash均衡点；

E、判断脑波病历信号约简是否满足约简精度平衡要求，若满足，则输出两棵博弈树的最优脑波病历信号约简子集Red(R_i)和Red(R_j)，否则，则转至步骤C继续执行；

F、将上述步骤扩展到整个进化种群中所有相邻进化种群，分别求出其相应脑波病历信号约简子集，最终输出全局最优脑波信号约简集Red_opt如下：

${\mathrm{Red}}_{\mathrm{opt}}=\min \left(\underset{i,j=1,i\≠j}{\overset{n}{\∪}}(\mathrm{Red}\left(R_i\right)\∩\mathrm{Red}\left(R_j\right))\right).$

如图2所示，步骤B中所述实现三层交叉博弈进化树上进化个体在同一主层内自私博弈和不同主层间交叉协同博弈，采用深度优先搜索循环策略在相邻进化树T_i和T_j上分别选出各自全局最优精英个体Elitist_{i_c}和Elitist_{j_c}，具体步骤如下：

a、初始化两个相邻的进化种群Pop_i和Pop_j，并且将这两个进化种群中所有进化个体分配至三层交叉博弈进化树T_i和T_j相应结点上；

b、在三层交叉博弈树的第一主层上比较各自最底子层的孩子结点能量值，选出T_i上最优能量的孩子结点和T_j上最优能量孩子结点并采用深度优先搜索循环策略将最优孩子结点与其中间子层上双亲结点依次进行能量比较，从而选出最大能量的结点作为中间子层上新的双亲结点；

c、将中间子层双亲结点与顶部子层精英结点按照轮盘选择方法依次进行结点能量比较，采用自私博弈策略在第一主层内部产生当前三层博弈树T_i上最优精英结点Elitist_{i_a}和T_j上最优精英结点Elitist_{j_a}；

d、在第一主层和第二主层的层间将T_i上最优精英结点Elitist_{i_a}和T_j上最优精英结点Elitist_{j_a}采用交叉协同博弈策略，比较不同精英的结点能量值，选出当前两棵三层交叉博弈树第二主层上的最优能量精英，从而将原第一主层上产生的两个精英Elitist_{i_a}和Elitist_{j_a}分别增强为第二主层上两个最优精英Elitist_{i_b}和Elitist_{j_b}；

e、在第二主层和第三主层的层间采用同样交叉协同博弈策略，将原第二主层上产生的两个精英Elitist_{i_b}和Elitist_{j_b}分别增强为第三主层上两个最优精英Elitist_{i_c}和Elitist_{j_c}，从而输出两棵三层交叉博弈树T_i和T_j的全局最终最优能量精英Elitist_{i_c}和Elitist_{j_c}。

步骤C中所述分配精英能量收益矩阵PMEN_n×n给每棵三层交叉博弈树的全局最优精英，带有精英能量向量Γ的最优精英将与多个相邻精英一起实现交叉博弈树能量约简操作，增强最优精英在每个主层上取得自适应Nash能量探索与开发平衡性能，具体步骤如下：

a、通过三层交叉博弈树，选出不同博弈树上最优能量精英，这些精英在脑波病历信号约简协同进化过程中将起着核心角色作用，其他一般精英将在最优精英引导下收敛到各自最优解，精英能量收益矩阵PMEN_n×n将分配给每棵三层交叉博弈树的全局最优精英，其收益矩阵定义如下：

${\mathrm{PMEN}}_{n\×n}={\left[\begin{array}{cccc}\mathrm{\λ}& \mathrm{EN}{\left({\mathrm{Elitist}}_1\right)}^2& ...& {\mathrm{EN}\left({\mathrm{Elitist}}_1\right)}^n\\ \mathrm{EN}{\left({\mathrm{Elitist}}_2\right)}^1& \mathrm{\λ}& ...& {\mathrm{EN}\left({\mathrm{Elitist}}_2\right)}^n\\ .& .& & .\\ .& .& ...& .\\ .& .& & .\\ \mathrm{EN}{\left({\mathrm{Elitist}}_n\right)}^1& {\mathrm{EN}\left({\mathrm{Elitist}}_n\right)}^2& ...& \mathrm{\λ}\end{array}\right]}_{n\×n}$

精英能量收益矩阵PMEN_n×n描述为n个种群精英博弈时的协同选择支付矩阵，收益矩阵中位于第i行与第j列的最优精英按照不同主层交叉博弈后，其精英能量值EN(Elitist_i)^j定义如下：

$\begin{array}{c}\mathrm{EN}{\left({\mathrm{Elitist}}_i\right)}^j=(m_1\×|\frac{f\left({\mathrm{Elitist}}_{i\_a}\right)-f\left({\mathrm{Elitist}}_{j\_a}\right)}{f\left({\mathrm{Elitist}}_{i\_a}\right)}|+m_2\×\left|\frac{f\left({\mathrm{Elitist}}_{i\_b}\right)-f\left({\mathrm{Elitist}}_{j\_b}\right)}{f\left({\mathrm{Elitist}}_{i\_b}\right)}\right|\\ +m_3\×\left|\frac{f\left(E{\mathrm{litist}}_{i\_c}\right)-f\left({\mathrm{Elitist}}_{j\_c}\right)}{f\left({\mathrm{Elitist}}_{i\_c}\right)}\right|)\×e^{\frac{-g}{g_{\max }}}\end{array}$

其中m₁∈rand(0.1,0.3),m₂∈rand(0.3,0.6),m₃∈rand(0.6,0.9),，rand为随机函数，g为当前运行迭代次数，g_max为精英博弈最大迭代次数，e为自然对数的底数常量，e值为2.71828；

b、设定精英能量收益矩阵PMEN_n×n中常量λ值如下：

$\mathrm{\λ}=U(k\×e^{\frac{g-1}{g_{\max }-1}},e^{\frac{g-1}{g_{\max }-1}})$

其中U为均匀随机函数，k为常量上边界的参数，为了在脑波信号约简中更好的执行交叉博弈，k值取0.55；

c、第i行最优精英在其他种群精英作用下平均最优精英能量EN(Elitist_i)值定义如下：

$\mathrm{EN}\left({\mathrm{Elitist}}_i\right)=\frac{1}{n}(\underset{j=1,j\≠i}{\overset{n}{\mathrm{\Σ}}}\mathrm{EN}{\left({\mathrm{Elitist}}_i\right)}^j+\mathrm{\λ});$

d、构建最优精英能量向量Γ如下：

Γ＝[EN(Elitist₁),EN(Elitist₂),...,EN(Elitist_n)]^T

该最优精英能量向量Γ具有极强的优化能力，能较好地避免进化种群参数早熟收敛，提高参与脑波信号约简精英的分布性；带有精英能量向量Γ的最优精英将与多个相邻精英一起实现三层交叉博弈树的相关能量博弈操作：在交叉博弈树层内采用自私博弈执行局部精化搜索，在相邻不同层间采用交叉协同博弈实现全局搜索，进一步增强最优精英在每个主层取得自适应Nash能量探索与开发平衡性能。

如图3所示，步骤D中所述设计脑波病历信号交叉博弈约简的Nash均衡策略，使挑选出的最优精英在精英能量向量Γ驱动下均能收敛到每个主层最优Nash均衡点，具体步骤如下：

a、将三层交叉博弈树T_i划分成k个博弈子树{T_i1,T_i2,...,T_ik},将脑波病历信号集R_i划分成k个脑波病历信号子集{R_i1,R_i2,...,R_ik}，用k个博弈子树{T_i1,T_i2,...,T_ik}来优化相等数量的k个脑波病历信号子集{R_i1,R_i2,...,R_ik}；

b、构建位于T_i相邻三层交叉博弈树T_j的k个博弈子树{T_j1,T_j2,...,T_jk}，将两棵博弈子树集{T_i1,T_i2,...,T_ik}和{T_j1,T_j2,...,T_jk}根据各自精英能量向量值进行降序排序；

c、采用三层交叉博弈树策略产生T_i最优精英Elitist_{i_c}和T_j最优精英Elitist_{j_c}，并分配相应的精英能量收益矩阵；

d、将与R_i相邻的脑波病历信号集R_j划分成k个信号子集{R_j1,R_j2,...,R_jk}，从R_i和R_j中分别选取第m个脑波病历信号子集R_im和R_jm，利用第m个带有精英能量的子树T_im和T_jm分别优化R_im和R_jm；

e、在脑波病历信号约简过程中，最优精英Elitist_{i_c}和Elitist_{j_c}在精英能量向量Γ驱动下交换信号约简经验，并执行{R_i1,R_i2,...,R_ik}和{R_j1,R_j2,...,R_jk}成对Nash均衡比较，从R_i,R_j中删除Nash非支配解；

f、输出基于两棵三层交叉博弈能量树的最优脑波病历信号约简子集Red(R_i)和Red(R_j)。

本发明公开一种基于三层交叉博弈能量树的脑波病历信号约简方法。该方法首先设计两棵相邻的三层交叉博弈树T_i和T_j，在同一主层内实现自私博弈和不同主层间实现交叉协同博弈，采用深度优先搜索策略选出两棵博弈树的全局最优精英Elitist_{i_c}和Elitist_{j_c}；然后分配精英能量收益矩阵PMEN_n×n给最优精英，增强主层取得自适应Nash平精英在衡的探索与开发能力；最后实现脑波病历信号的交叉博弈能量约简，最优精英在精英能量向量Γ驱动下每个主层均收敛到最优Nash均衡点，达到脑波病历信号能量约简精度平衡，从而输出最优脑波病历信号集。本发明能有效提高脑波病历信号约简效率，为脑波信号噪声消除及特征提取等提供了重要方法，对脑部疾病诊断和辅助治疗具有较强的应用价值。

Claims (4)

1.基于三层交叉博弈能量树的脑波病历信号约简方法，其特征在于：具体步骤如下：

A、构建三层交叉博弈进化树，该三层博弈进化树包含三个主层：第一主层，第二主层和第三主层，每个主层内嵌三个子层：最底子层、中间子层和最高子层；将两个相邻进化种群Pop_i和Pop_j中所有个体分配到两棵相邻三层交叉博弈进化树T_i和T_j的所有结点上，使树中每个结点包含进化种群中一个进化个体；

B、实现三层交叉博弈进化树上进化个体在同一主层内自私博弈和不同主层间交叉协同博弈，采用深度优先搜索循环策略在相邻进化树T_i和T_j上分别选出各自全局最优精英个体Elitist_{i_c}和Elitist_{j_c}；

C、分配精英能量收益矩阵PMEN_n×n给每棵三层交叉博弈树的全局最优精英，带有精英能量向量Γ的最优精英与多个相邻精英一起实现交叉博弈树能量约简操作，增强最优精英在每个主层上取得自适应Nash能量探索与开发平衡性能；

D、设计脑波病历信号交叉博弈约简的Nash均衡策略，使挑选出的最优精英在精英能量向量Γ驱动下均能收敛到每个主层最优Nash均衡点；

E、判断脑波病历信号约简是否满足约简精度平衡要求，若满足，则输出两棵博弈树的最优脑波病历信号约简子集Red(R_i)和Red(R_j)，否则，则转至步骤C继续执行；

F、将上述步骤扩展到整个进化种群中所有相邻进化种群，分别求出其相应脑波病历信号约简子集，最终输出全局最优脑波信号约简集Red_opt如下：

${\mathrm{Red}}_{\mathrm{opt}}=\min \left(\underset{i,j=1,i\≠j}{\overset{n}{\∪}}(\mathrm{Red}\left(R_i\right)\∩\mathrm{Red}\left(R_j\right))\right).$

2.根据权利要求1所述基于三层交叉博弈能量树的脑波病历信号约简方法，其特征在于：步骤B中所述实现三层交叉博弈进化树上进化个体在同一主层内自私博弈和不同主层间交叉协同博弈，采用深度优先搜索循环策略在相邻进化树T_i和T_j上分别选出各自全局最优精英个体Elitist_{i_c}和Elitist_{j_c}，具体步骤如下：

a、初始化两个相邻的进化种群Pop_i和Pop_j，并且将这两个进化种群中所有进化个体分配至三层交叉博弈进化树T_i和T_j相应结点上；

b、在三层交叉博弈树的第一主层上比较各自最底子层的孩子结点能量值，选出T_i上最优能量的孩子结点和T_j上最优能量孩子结点并采用深度优先搜索循环策略将最优孩子结点与其中间子层上双亲结点依次进行能量比较，从而选出最大能量的结点作为中间子层上新的双亲结点；

c、将中间子层双亲结点与顶部子层精英结点按照轮盘选择方法依次进行结点能量比较，采用自私博弈策略在第一主层内部产生当前三层博弈树T_i上最优精英结点Elitist_{i_a}和T_j上最优精英结点Elitist_{j_a}；

d、在第一主层和第二主层的层间将T_i上最优精英结点Elitist_{i_a}和T_j上最优精英结点Elitist_{j_a}采用交叉协同博弈策略，比较不同精英的结点能量值，选出当前两棵三层交叉博弈树第二主层上的最优能量精英，从而将原第一主层上产生的两个精英Elitist_{i_a}和Elitist_{j_a}分别增强为第二主层上两个最优精英Elitist_{i_b}和Elitist_{j_b}；

e、在第二主层和第三主层的层间采用同样交叉协同博弈策略，将原第二主层上产生的两个精英Elitist_{i_b}和Elitist_{j_b}分别增强为第三主层上两个最优精英Elitist_{i_c}和Elitist_{j_c}，从而输出两棵三层交叉博弈树T_i和T_j的全局最终最优能量精英Elitist_{i_c}和Elitist_{j_c}。

3.根据权利要求1所述基于三层交叉博弈能量树的脑波病历信号约简方法，其特征在于：步骤C中所述分配精英能量收益矩阵PMEN_n×n给每棵三层交叉博弈树的全局最优精英，带有精英能量向量Γ的最优精英将与多个相邻精英一起实现交叉博弈树能量约简操作，增强最优精英在每个主层上取得自适应Nash能量探索与开发平衡性能，具体步骤如下：

a、通过三层交叉博弈树，选出不同博弈树上最优能量精英，这些精英在脑波病历信号约简协同进化过程中将起着核心角色作用，其他一般精英将在最优精英引导下收敛到各自最优解，精英能量收益矩阵PMEN_n×n将分配给每棵三层交叉博弈树的全局最优精英，其收益矩阵定义如下：

${\mathrm{PMEN}}_{n\×n}={\left[\begin{array}{cccc}\mathrm{\λ}& \mathrm{EN}{\left({\mathrm{Elitist}}_1\right)}^2& ...& \mathrm{EN}{\left({\mathrm{Elitist}}_1\right)}^n\\ \mathrm{EN}{\left({\mathrm{Elitist}}_2\right)}^1& \mathrm{\λ}& ...& \mathrm{EN}{\left({\mathrm{Elitist}}_2\right)}^n\\ .& .& & .\\ .& .& ...& .\\ .& .& & .\\ \mathrm{EN}{\left({\mathrm{Elitist}}_n\right)}^1& \mathrm{EN}{\left({\mathrm{Elitist}}_n\right)}^2& ...& \mathrm{\λ}\end{array}\right]}_{n\×n}$

精英能量收益矩阵PMEN_n×n描述为n个种群精英博弈时的协同选择支付矩阵，收益矩阵中位于第i行与第j列的最优精英按照不同主层交叉博弈后，其精英能量值EN(Elitist_i)^j定义如下：

$\begin{array}{c}\mathrm{EN}{\left({\mathrm{Elitist}}_i\right)}^j=(m_1\×|\frac{f\left({\mathrm{Elitist}}_{i\_a}\right)-f\left({\mathrm{Elitist}}_{j\_a}\right)}{f\left({\mathrm{Elitist}}_{i\_a}\right)}|{+m}_2\×|\frac{f\left({\mathrm{Elitist}}_{i\_b}\right)-f\left({\mathrm{Elitist}}_{j\_b}\right)}{f\left({\mathrm{Elitist}}_{i\_b}\right)}|\\ {+m}_3\×\left|\frac{f\left({\mathrm{Elitist}}_{i\_c}\right)-f\left({\mathrm{Elitist}}_{j\_c}\right)}{f\left({\mathrm{Elitist}}_{i\_c}\right)}\right|)\×e^{\frac{-g}{g_{\max }}}\end{array}$

其中m₁∈rand(0.1,0.3),m₂∈rand(0.3,0.6),m₃∈rand(0.6,0.9),，rand为随机函数，g为当前运行迭代次数，g_max为精英博弈最大迭代次数，e为自然对数的底数常量，e值为2.71828；

b、设定精英能量收益矩阵PMEN_n×n中常量λ值如下：

$\mathrm{\λ}=U(k\×e^{\frac{g-1}{g_{\max }-1}},e^{\frac{g-1}{g_{\max }-1}})$

其中U为均匀随机函数，k为常量上边界的参数，为了在脑波信号约简中更好的执行交叉博弈，k值取0.55；

c、第i行最优精英在其他种群精英作用下平均最优精英能量EN(Elitist_i)值定义如下：

$\mathrm{EN}\left({\mathrm{Elitist}}_i\right)=\frac{1}{n}(\underset{j=1,j\≠i}{\overset{n}{\mathrm{\Σ}}}\mathrm{EN}{\left({\mathrm{Elitist}}_i\right)}^j+\mathrm{\λ});$

d、构建最优精英能量向量Γ如下：

Γ＝[EN(Elitist₁),EN(Elitist₂),...,EN(Elitist_n)]^T

该最优精英能量向量Γ具有极强的优化能力，能较好地避免进化种群参数早熟收敛，提高参与脑波信号约简精英的分布性；带有精英能量向量Γ的最优精英将与多个相邻精英一起实现三层交叉博弈树的相关能量博弈操作：在交叉博弈树层内采用自私博弈执行局部精化搜索，在相邻不同层间采用交叉协同博弈实现全局搜索，进一步增强最优精英在每个主层取得自适应Nash能量探索与开发平衡性能。

4.根据权利要求1所述基于三层交叉博弈能量树的脑波病历信号约简方法，其特征在于：步骤D中所述设计脑波病历信号交叉博弈约简的Nash均衡策略，使挑选出的最优精英在精英能量向量Γ驱动下均能收敛到每个主层最优Nash均衡点，具体步骤如下：

a、将三层交叉博弈树T_i划分成k个博弈子树{T_i1,T_i2,...,T_ik},将脑波病历信号集R_i划分成k个脑波病历信号子集{R_i1,R_i2,...,R_ik}，用k个博弈子树{T_i1,T_i2,...,T_ik}来优化相等数量的k个脑波病历信号子集{R_i1,R_i2,...,R_ik}；

b、构建位于T_i相邻三层交叉博弈树T_j的k个博弈子树{T_j1,T_j2,...,T_jk}，将两棵博弈子树集{T_i1,T_i2,...,T_ik}和{T_j1,T_j2,...,T_jk}根据各自精英能量向量值进行降序排序；

c、采用三层交叉博弈树策略产生T_i最优精英Elitist_{i_c}和T_j最优精英Elitist_{j_c}，并分配相应的精英能量收益矩阵；

d、将与R_i相邻的脑波病历信号集R_j划分成k个信号子集{R_j1,R_j2,...,R_jk}，从R_i和R_j中分别选取第m个脑波病历信号子集R_im和R_jm，利用第m个带有精英能量的子树T_im和T_jm分别优化R_im和R_jm；

e、在脑波病历信号约简过程中，最优精英Elitist_{i_c}和Elitist_{j_c}在精英能量向量Γ驱动下交换信号约简经验，并执行{R_i1,R_i2,...,R_ik}和{R_j1,R_j2,...,R_jk}成对Nash均衡比较，从R_i,R_j中删除Nash非支配解；

输出基于两棵三层交叉博弈能量树的最优脑波病历信号约简子集Red(R_i)和Red(R_j)。