CN106919956A - 基于随机森林的脑电波年龄预测系统 - Google Patents

基于随机森林的脑电波年龄预测系统 Download PDF

Info

Publication number
CN106919956A
CN106919956A CN201710136239.5A CN201710136239A CN106919956A CN 106919956 A CN106919956 A CN 106919956A CN 201710136239 A CN201710136239 A CN 201710136239A CN 106919956 A CN106919956 A CN 106919956A
Authority
CN
China
Prior art keywords
eeg
data
forecasting system
ripples
brain wave
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710136239.5A
Other languages
English (en)
Inventor
徐伟
姜罗罗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wenzhou University
Original Assignee
Wenzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wenzhou University filed Critical Wenzhou University
Priority to CN201710136239.5A priority Critical patent/CN106919956A/zh
Publication of CN106919956A publication Critical patent/CN106919956A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2503/00—Evaluating a particular growth phase or type of persons or animals

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • General Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Human Computer Interaction (AREA)
  • Neurosurgery (AREA)
  • Neurology (AREA)
  • Artificial Intelligence (AREA)
  • Dermatology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Psychiatry (AREA)
  • Psychology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开的一种基于随机森林的脑电波年龄预测系统，包括脑电信号采集部、脑电信号分析部、脑电信号预处理部和预测系统部，脑电信号采集部、设置有穿戴设备和脑电放大器，通过穿戴设备和脑电放大器获得原始脑电数据；脑电信号分析部是对脑电信号进行数据筛选处理以及信号时间范围分析；脑电信号预处理部是把上一步得到的数据通过傅里叶变换进行频域分析得到alpha波、beta波、delta波和theta波每段的数据集；预测系统部根据上一步得到的脑电波数据集建立详细的预测模型并给出具体计算模型，对所建立的预测方法测试预测结果并统计出预测的准确率。上述技术方案，该系统能够根据脑电波信号数据进行有效地预测被试年龄段。

Description

基于随机森林的脑电波年龄预测系统
技术领域
本发明涉及脑科学和数据挖掘技术领域，具体涉及一种基于随机森林的脑电波年龄预测系统。
背景技术
脑电波是大脑在活动时，脑皮质细胞群之间形成的电位差，从而在大脑皮质的细胞外产生电流。它记录大脑活动时的电波变化，是脑神经细胞的电生理活动在大脑皮层或头皮表面的总体反映。脑电波来源于锥体细胞顶端树突的突触后电位，同步节律的形成还与皮层丘脑非特异性投射系统的活动有关。脑电图是脑神经细胞电生理活动在大脑皮层或头皮表面的总体反映。通常所指的脑电图(Electroencephalograph,EEG)检测是通过精密的电子仪器，从头皮上将脑部的自发性生物电位加以放大记录而获得的图形，是通过电极记录下来的脑细胞群的自发性、节律性电来观察脑电波活动的过程。EEG脑电波不仅种类多而且变化多样，各种不同的情绪，心态都会影响脑电波的变化。EEG是脑神经细胞的总体活动，包括离子交换、新陈代谢等综合外在表现，深入地研究脑电波的特征将推进人们对自身大脑的探索进行，增强其对被试者年龄的预测能力。
机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度等多门学科。专门研究计算机怎么样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的只是结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。
随机森林(Random Forest)是机器学习中的一种分类器，该分类器最早由LeoBreiman和Adele Cutler提出。在机器学习中，随机森林是一个包含多个决策树的分类器，并且输出的类别是由个别树输出的类别的众数而定。Leo Breiman和Adele Cutler推论出随机森林的算法。而“Random Forests”是他们的上标。这个属于是1995年由贝尔实验室的Tin Kam Ho所提出的随机决策森林而来的。这个方法则结合Breimans的“Bootstrapaggregating”想法和Ho的“random subspace method”以建造决策树的集合。随机森林是Bagging的一个扩展变体。RF在以决策树为基学习器构建Bagging集成的基础上，进一步在决策树的训练过程中引入了随机属性选择。
虽然基于机器学习的脑电波数据预测分类等方面取得了进展，但目前基于脑电波的年龄预测尚未取得实质进展。
发明内容
针对现有技术存在的不足，本发明的目的在于提供一种基于随机森林的脑电波年龄预测系统，该脑电波年龄预测系统能够有效的分析出被试者在进行不同反应的EEG信号特征，并对被试者的EEG信号进行数据分析和预处理，并对分析和处理后得到的EEG数据去预测被试者的年龄。因为是有监督学习，所以训练算法时被试者年龄(如25岁、50岁等)已知，且使用随机森林方法进行有监督学习，通过已知年龄的训练样本去训练算法得到一个可以预测被试者年龄的算法模型并能够获得较高的预测精度，然后利用这个已经训练好的算法模型去预测被试者(不知其年龄)的年龄。
为实现上述目的，本发明提供了如下技术方案：一种基于随机森林的脑电波年龄预测系统，包括脑电信号采集部、脑电信号分析部、脑电信号预处理部和预测系统部，所述脑电信号采集部、脑电信号分析部、脑电信号预处理部和预测系统部之间互相连接；其特征在于：所述脑电信号采集部包括穿戴设备和脑电放大器，通过穿戴设备和脑电放大器获得原始脑电数据；脑电信号分析部对脑电信号进行数据筛选处理以及信号时间范围分析；脑电信号预处理部把上一步得到的数据通过傅里叶变换进行频域分析得到alpha波、beta波、delta波和theta波每段的数据集；预测系统部根据上一步得到的脑电波数据集建立详细的预测模型并给出具体计算模型，对所建立的预测方法测试预测结果并统计出预测的准确率。
通过采用上述技术方案，能够有效的分析出被试者在进行不同反应的EEG信号特征，并对被试者的EEG信号进行预处理和数据分析，并根据分析得到的数据建立预测模型和对被试者的年龄进行分类预测。
脑电波年龄预测包括以下步骤：
(1)获取原始脑电信号：使用脑电放大器并结合心理学实验软件对被试者进行反应刺激并获取原始脑电信号，采样频率为1KHz；采集的脑电样本，记录被试者反应刺激前后整个过程连续的脑电数据；采集不能年龄层、不同性别的实验者数据，建立脑电数据仓库；
(2)脑电信号分析：采用叠加平均的方法对采集的原始脑电反应刺激前后的脑电波进行叠加平均处理，对处理后的脑电数据采用数学变换对其频域分析，从而把数据从时域分析转变到频域分析；
(3)数据预处理：通过变换得到的频域数据，计算出alpha波、beta波、delta波和theta波并得出各个波占总波的百分比，如此重复，计算并得到每个样本的四种脑波；
(4)预测系统：根据得到的脑电波数据对其使用机器学习方法进行数据归一化和特征提取处理，并用机器学习分类方法预测被试者的年龄段，并计算出预测精度。
作为优选的，步骤(2)包括以下子步骤：
(2.1)对获得的原始数据首先进行基线校正，基线校正的方法是在基线类型中选择“constant”波形的基线和标签对应的“X轴”重合；
(2.2)对已经基线校正过得数据进行去除眼电和伪迹处理；
(2.3)脑电分段叠加平均处理，将由相同刺激引起的多段脑电进行多次叠加；
(2.4)对数据进行滤波和参数选择的设置；
(2.5)获得初始样本。
作为优选的，对步骤(2.5)所获得的初始样本，对其快速傅里叶变换得到傅里叶成分：
N点有限长序列x(n)的离散傅里叶变换(DFT)为：
X(k)为变换得到的傅里叶成分，WN来表示正交序列集中的基
由傅里叶成分计算功率谱：
P(k)＝|X(k)|2。
作为优选的，所述脑电放大器为NeuroScan40导脑电放大器；所述穿戴设备为电极帽；所述心理学实验软件采用心理学实验软件E-prime；所述时频域数学变换为傅里叶变换；所述机器学分类方法为随机森林。
作为优选的，所述脑电信号采集部、脑电信号分析部、脑电信号预处理部和预测系统部之间采用导线或数据线互相连接。
本发明的优点是：本发明运用NeuroScan40导脑电放大器并结合了E-prime心里学实验软件对被试者进行反应刺激并获取原始脑电信号，这样能够更加精确的获得被试者在反应刺激下的脑电数据并且根据E-prime心理学实验软件传过来的代码标识进行叠加平均处理。能够将不同性别、不同年龄的被试者的脑电数据进行叠加平均，对处理后的脑电数据采用傅里叶变换对每个样本进行频域分析得到四种脑电波；根据得到的脑电数据预测被试者的年龄段并能够获得较高的精度。
下面结合说明书附图和具体实施例对本发明作进一步说明。
附图说明
图1为本发明实施例脑电年龄预测系统流程图；
图2为本发明实施例原始脑电信号采集流程图；
图3为本发明实施例脑电信号处理分析流程图；
图4为本发明实施例脑电数据预处理流程图；
图5为本发明实施例预测系统示意图。
具体实施方式
参见图1至图5，本发明公开的一种基于随机森林的脑电波年龄预测系统，包括脑电信号采集部、脑电信号分析部、脑电信号预处理部和预测系统部，所述脑电信号采集部、脑电信号分析部、脑电信号预处理部和预测系统部之间互相连接；其特征在于：所述脑电信号采集部包括穿戴设备和脑电放大器，通过穿戴设备和脑电放大器获得原始脑电数据；脑电信号分析部对脑电信号进行数据筛选处理以及信号时间范围分析；脑电信号预处理部把上一步得到的数据通过傅里叶变换进行频域分析得到alpha波、beta波、delta波和theta波每段的数据集；预测系统部根据上一步得到的脑电波数据集建立详细的预测模型并给出具体计算模型，对所建立的预测方法测试预测结果并统计出预测的准确率。脑电波年龄预测包括以下步骤：
(1)获取原始脑电信号：使用脑电放大器并结合心理学实验软件对被试者进行反应刺激并获取原始脑电信号，采样频率为1KHz；采集的脑电样本，记录被试者反应刺激前后整个过程连续的脑电数据；采集不能年龄层、不同性别的实验者数据，建立脑电数据仓库；
(2)脑电信号分析：采用叠加平均的方法对采集的原始脑电反应刺激前后的脑电波进行叠加平均处理，对处理后的脑电数据采用数学变换对其频域分析，从而把数据从时域分析转变到频域分析；
(3)数据预处理：通过变换得到的频域数据，计算出alpha波、beta波、delta波和theta波并得出各个波占总波的百分比，如此重复，计算并得到每个样本的四种脑波；
(4)预测系统：根据得到的脑电波数据对其使用机器学习方法进行数据归一化和特征提取处理，并用机器学习分类方法预测被试者的年龄段，并计算出预测精度。
步骤(2)包括以下子步骤：
(2.1)对获得的原始数据首先进行基线校正，基线校正的方法是在基线类型中选择“constant”波形的基线和标签对应的“X轴”重合；
(2.2)对已经基线校正过得数据进行去除眼电和伪迹处理；
(2.3)脑电分段叠加平均处理，将由相同刺激引起的多段脑电进行多次叠加；
(2.4)对数据进行滤波和参数选择的设置；
(2.5)获得初始样本。
对步骤(2.5)所获得的初始样本，对其快速傅里叶变换得到傅里叶成分：N点有限长序列x(n)的离散傅里叶变换(DFT)为：
X(k)为变换得到的傅里叶成分，WN来表示正交序列集中的基
由傅里叶成分计算功率谱：
P(k)＝|X(k)|2。
所述脑电放大器为NeuroScan40导脑电放大器；所述穿戴设备为电极帽；所述心理学实验软件采用心理学实验软件E-prime；所述时频域数学变换为傅里叶变换；所述机器学分类方法为随机森林。
所述脑电信号采集部、脑电信号分析部、脑电信号预处理部和预测系统部之间采用导线或数据线互相连接。
对脑电波进行频域分析：
由功率谱成分计算脑电波各个频率段：
若S(x)为功率谱函数P在区间[x0,x1]上的面积，x是频率，则有式：
若b代表脑电的各个频率段：δ(1-3Hz),θ(4-7Hz),α(8-13Hz),β(14-30Hz)和T(1-30Hz)；若l代表各个脑电导联，即特征；若Sb(l)代表是在b频段范围内l导联处的脑电功率谱成分之和，则有式：
幅值[μv](符号为Ab(l))：
若ST(l)代表是在T频段范围内(1-30Hz)l导联处的脑电功率谱成分之和，则
有式：
脑电波段百分比[％](符号为Pb(l))：Pb(l)＝Sb(l)/ST(l)；
若P(f(l)是频率x处的脑电攻擂谱成分，x取值1-30Hz，则有式：
重心频率[Hz](符号为Fb(l))：
采用随机森林进行年龄预测分类：包含以下步骤：
A、输入：训练集
B、每棵决策树由样本量为K的训练样本X和随机向量θk生成；
C、对基决策树的每个结点，，先从该结点的属性集合中随机选择一个包含k个属性的子集，然后再从这个子集中选择一个最优属性用于划分。
D、随机向量序列{θk，k＝1,2,…,K}独立同分布；
E、随机森林即所有决策树的集合{h(X,θk)，k＝1,2,…,K}；
F、每个决策树模型h(X,θk)都有一票投票权来选择输入变量x的分类结果
其中，H(x)表示随机森林的分类结果，是单个决策树分类结果，Y表示
分类目标，I(·)为指示函数(·为真和假时分别取值为1,0)。
脑电信号的采集的具体过程为，首先被试者佩戴电极帽，电极帽为有若干根左右对称的电极组成，佩戴时分别接触被试者的左脑和右脑；电极帽连接NeuroScan40导脑电放大器并通过在电极帽中的每个导联摄入导电膏使阻抗降到合适的数值，此时可通过Curry7软件可以在线显示每个导联的阻抗；在心理学实验软件E-prime中编写用于刺激被试者反应选择程序并且在被试者做出选择的时候能将标识代码传到Curry7软件中。采集的过程为被试根据E-prime软件中的提示反应选择，同时在反应选择的时候进行鼠标按键此时会将E-prime做出的选择标识代码传到Curry7中，用Curry7软件记录被试者在根据E-prime提示做出反应选择前后全部的脑电数据。
脑电信号处理分析包括基线校正、去除眼电和伪迹、脑电分段叠加平均、滤波和获得初始样本，如图3所示。
脑电信号处理分析的具体过程为：首先获得采集脑电信号的原始数据。对获得的原始数据首先进行基线校正，基线校正的方法是在基线类型中选择“constant”，可以对脑电波形进行基线校正，即波形的基线和标签对应的“X轴”重合。基线校正前脑电波形基线没有和标签对应切幅值很大，很多导联幅值大于1000uv，设置后脑电波形极限和标签对应切幅值在100uv以内。
接下来对已经基线校正过得数据进行去除眼电和伪迹处理，对于40导的数据Channel选择<VEOL-U>，即垂直眼电VEOL和VEOU相减之差(眨眼)，眼电可能为正值也可能为负值，可以根据实际数据进行适当的调整，使选择的上下差值的绝对值尽量小于最小眨眼副值的绝对值，并选用协方差法去除眼电对数据的影响；伪迹的去除我们选用自动选择，通常我们把脑电幅值超过±100uv认为是伪迹，当然我们也可以对这一范围进行调整，然后软件会自动识别出超过这个范围的伪迹并进行去除。
有生命的人的大脑总会不断产生微弱电压，即脑电波(EEG)，但成分复杂且不规则。正常的自发脑电一边处于几微伏到75微伏之间。而由心里活动所引起的脑电比自发脑电更弱，一般只有2到10微伏，通常淹没在自发电位中。所以ERP需要从EEG中提取。事件相关电位有两个重要特性：潜伏期恒定、波形恒定；与此相对，自发脑电则是随机变化的。所以可以将同一事实对此引起的多段脑电记录下来，但每一段脑电都是各种成分的综合，包括自发脑电。
脑电分段叠加平均是将由相同刺激引起的多段脑电进行多次叠加，由于自发脑电是随机变化，有高有低，相互叠加时就会出现正负抵消的情况，而ERP信号则有两个恒定，所以不会被抵消，反而其波幅会不断增加，当叠加到一定次数时，ERP信号就显现出来了。叠加n次后的ERP波幅增大了n倍，因而需要再除以n，使ERP恢复原形，即还原为一次刺激的ERP数值。所以ERP也成为平均诱发电位，平均指的是叠加后的平均。这样就获得了所希望的时间相关电位波形图。
最后对数据进行滤波和参数选择的设置，滤波通常选择User Defined(Auto)，也可以根据研究方向适当选择不同的滤波方式。一般选择低通30HZ滤波；参数选择可以根据研究内容的选择不同的参考电极，一般有双侧乳突作参考、全头平均作参考等。本发明中选择的为全头平均作参考。
数据预处理包括把获得的初始样本，通过傅里叶变换得到频域数据样本，计算功率谱成分，计算其积分面积，获得四种脑波百分比样本，如图4所示。
数据预处理的具体过程为，首先按照脑电信号处理分析中的方法对反应选择不同决策的脑电信号分别进行处理，对当前反应选择的脑电信号进行分段叠加平均处理。例如，在电脑屏幕上会以一定频率不断地出现数字2和8，当被试者看到数字2时，点击鼠标左键，当被试者看到数字8时，不做任何反应，这时会把被试者在作出反应选择2时和作出反应未选择8时的代码传到另一端电脑软件中，把记录下来的反应选择数字2和反应未选择数字8的前后一段反应时间(如前后200ms)进行叠加平均处理，并建立脑电反应选择数据仓库。
对于被试者看到不同的结果会有不同的反应，不同年龄的被试者在选择之前的脑电数据有较大的差异，因此可以通过获得的样本建立预测系统。前额叶区域功能包括记忆、判断、分析、思考、操作等，从脑前额叶的功能可以看出，它对人的思维活动与行为表现有十分突出的作用，所以前额叶区域是大脑进行反应判断的主要部分。在本发明中，用于脑电信号采集的电极中的Fz导联主要用于采集前额叶区域的脑电信号，通过对Fz导联处的脑电信号分析发现不同被试者在面对不同刺激时的脑电信号在作出反应前后200ms内有较大的差异，主要表现在电压大小上有明显的差异。
在时频域分析时，对获得的初始样本使用快速傅里叶变换，把时间序列数据转换为频域数据，然后对其进一步使用功率谱函数得到功率谱成分，横坐标是频率，纵坐标是功率谱，之后对得到功率谱成分积分计算出delta波(1-3Hz)、theta波(4-7Hz)、alpha波(8-13Hz)和beta波(14-30Hz)并得出各个波占总波(1-30Hz)的百分比，这样就获得了四种脑波百分比样本。
预测系统包括通过获得的四种脑波百分比样本使用随机森林方法对被试者的年龄段预测，并计算预测精度，如图5所示。
根据我们建立被试者反应选择的脑电信号的区分量化方法，可以建立详细的预测模型。随机森林由Leo Breiman(2001)提出，它通过自助发(Bootstrap)重采样技术，从原始训练样本集N中有放回地重复随机抽取k个样本生成新的训练样本集合，然后根据自助样本集生成k个分类树组成随机森林，新数据的分类结果按分类树投票多少形成的分数而定。其实质是对决策树算法的一种改进，将多个决策树合并在一起，每棵树的简历依赖于一个独立抽取的样品，森林中的每棵树具有相同的分布，分类误差取决于每一棵树的分类能力和它们之间的相关性。特征选择采用随机的方法去分裂每一个节点，然后比较不同情况下产生的误差。能够检测到的内在估计误差、分类能力和相关性决定选择特征的数目。单棵树的分类能力可能很小，但在随机产生大量的决策树后，一个测试样品可以通过每一棵树的分类结果经统计后选择最可能的分类。
决策树是一个树结构(可以是二叉树或非二叉树)。其每个非叶节点表示一个热证属性上的测试，每个分支代表这个特征属性在某个值域上的输出，而每个叶节点存放一个类别。使用决策树进行决策的过程就是从根节点开始，测试待分类项中相应的特征属性，并按照其值选择输出分支，直到到达叶子节点，将叶子节点存放的类别作为决策结果。决策树学习的目的是为了产生一棵泛化能力强，即处理未见示例能力强的决策树，其基本流程遵循简单且直观的“分而治之”策略。
在建立每一棵决策树的过程中，有两点需要注意的是采样与完全分裂。首先是两个随机采样的过程，random forest对输入的数据要进行行、列的采样，对于行采样，采用有放回的方式，也就是在采样得到的样本集合中，可能有重复的样本。假设输入样本为N个，那么采样的样本也为N个。这样使得在训练的时候，每一棵树的输入样本都不是全部的样本，使得相对不容易出现over-fitting。然后进行列采样，从M个特征中，选择m个(m<<M)(m是远小于M)。之后就是对采样之后的数据使用完全分裂的方式建立出决策树，这样决策树的某一个叶子节点要么是无法继续分裂的，要么里面的所有样本的都是指向的同一个分类。一般很多的决策树算法有一个重复的步骤——剪枝，但是这里不这样干，由于之前的两个随机采样的过程保证了随机性，所以就算不剪枝，也不会出现over-fitting。决策树中分裂属性的两个选择度量：信息增益和基尼指数。
随机森林的构造过程主要有以下几个步骤：
1.假设有N个样本，则有放回的随机选择N个样本(每次随机选择一个样本，然后放回继续选择)，选择好了的N个样本用来训练一棵决策树，作为决策树根节点处的样本。
2.假设每个样本有M个属性，在决策树的每个节点需要分裂时，随机从M个属性中选取m(m<<M)个属性，然后从这个m个属性中采用某种策略(如信息增益或基尼指数)来选择1个属性作为该节点的分裂属性。
3.在决策树形成过程中每个节点都要按照步骤2来分裂(如果下一次该节点选出来的那一个属性时刚刚其父节点分裂时用过的属性，则该节点已经达到了叶子节点，无须继续分裂了)，一直到不能够再分裂为止，注意整个决策树形成过程中没有进行剪枝操作。
4.重复步骤1-3建立大量的决策树，这样就构成了随机森林。
5.输出每棵树的预测值，使用投票法预测得票最多的标记(若同时有多棵树预测结果获最高票，则从中随机选取一个)。
本发明使用随机森林方法作为预测系统的分类器，主要它有以下优点：
a.在数据集上表现良好，两个随机性的引入，使得随机森林不容易陷入过拟合；
b.在当前的很多数据集上，相对其他算法有着很大的优势，两个随机性的引入，使得随机森林具有很多的抗噪声能力；
c.它能够处理很高维度(特征很多)的数据，并且不用做特征选择，对数据集的适应能力强：既能处理离散型数据，也能处理连续型数据，数据集无需规范化；
d.在创建随机森林的时候，对generlization error使用的是无偏估计；
e.训练速度快，可以得到变量重要性排序(两种：基于OOB误分率的增加量和基于分裂时的GINI下降量)；
f.在训练过程中，能够检测到特征间的互相有影响；
g.容易做成并行化方法；
h.实现比较简单。
上述对各种元件和方法的定义并不仅限于实施例中提到的各种具体结构、形状或方式，本领域普通技术技术人员可对其进行简单地更改或替换，例如，脑电信号采集的设备，对被试者几次的形式及软件，脑电信号处理分析的方法及软件，数据预处理和预测方法并不仅限于本发明中所提到的。
综上所述，本发明运用NeuroScan40导脑电放大器并结合E-prime软件对被试者进行反应选择刺激并获得原始脑电信号。通过Curry7软件对获得的脑电信号进行处理并建立脑电信号数据仓库。建立预测模型并对被试者进行年龄预测和计算精度，结果表明，该方法能够根据所建立的数据仓库和预测模型较为准确的预测出被试者的年龄段。
上述实施例对本发明的具体描述，只用于对本发明进行进一步说明，不能理解为对本发明保护范围的限定，本领域的技术工程师根据上述发明的内容对本发明作出一些非本质的改进和调整均落入本发明的保护范围之内。

Claims (6)

1.一种基于随机森林的脑电波年龄预测系统，包括脑电信号采集部、脑电信号分析部、脑电信号预处理部和预测系统部，所述脑电信号采集部、脑电信号分析部、脑电信号预处理部和预测系统部之间互相连接；其特征在于：所述脑电信号采集部包括穿戴设备和脑电放大器，通过穿戴设备和脑电放大器获得原始脑电数据；脑电信号分析部对脑电信号进行数据筛选处理以及信号时间范围分析；脑电信号预处理部把上一步得到的数据通过傅里叶变换进行频域分析得到alpha波、beta波、delta波和theta波每段的数据集；预测系统部根据上一步得到的脑电波数据集建立详细的预测模型并给出具体计算模型，对所建立的预测方法测试预测结果并统计出预测的准确率。
2.根据权利要求1所述的一种基于随机森林的脑电波年龄预测系统，其特征在于：脑电波年龄预测包括以下步骤：
(1)获取原始脑电信号：使用脑电放大器并结合心理学实验软件对被试者进行反应刺激并获取原始脑电信号，采样频率为1KHz；采集的脑电样本，记录被试者反应刺激前后整个过程连续的脑电数据；采集不能年龄层、不同性别的实验者数据，建立脑电数据仓库；
(2)脑电信号分析：采用叠加平均的方法对采集的原始脑电反应刺激前后的脑电波进行叠加平均处理，对处理后的脑电数据采用数学变换对其频域分析，从而把数据从时域分析转变到频域分析；
(3)数据预处理：通过变换得到的频域数据，计算出alpha波、beta波、delta波和theta波并得出各个波占总波的百分比，如此重复，计算并得到每个样本的四种脑波；
(4)预测系统：根据得到的脑电波数据对其使用机器学习方法进行数据归一化和特征提取处理，并用机器学习分类方法预测被试者的年龄段，并计算出预测精度。
3.根据权利要求2所述的一种基于随机森林的脑电波年龄预测系统，其特征在于：步骤(2)包括以下子步骤：
(2.1)对获得的原始数据首先进行基线校正，基线校正的方法是在基线类型中选择“constant”波形的基线和标签对应的“X轴”重合；
(2.2)对已经基线校正过得数据进行去除眼电和伪迹处理；
(2.3)脑电分段叠加平均处理，将由相同刺激引起的多段脑电进行多次叠加；
(2.4)对数据进行滤波和参数选择的设置；
(2.5)获得初始样本。
4.根据权利要求3所述的一种基于随机森林的脑电波年龄预测系统，其特征在于：对步骤(2.5)所获得的初始样本，对其快速傅里叶变换得到傅里叶成分：N点有限长序列x(n)的离散傅里叶变换(DFT)为：
X ( k ) = D F T &lsqb; x ( n ) &rsqb; = &Sigma; n = 0 N - 1 x ( n ) W N n k , 0 &le; k &le; N - 1.
X(k)为变换得到的傅里叶成分，WN来表示正交序列集中的基 由傅里叶成分计算功率谱：
P(k)＝|X(k)|2。
5.根据权利要求1或2或3或4所述的一种基于随机森林的脑电波年龄预测系统，其特征在于：所述脑电放大器为NeuroScan40导脑电放大器；所述穿戴设备为电极帽；所述心理学实验软件采用心理学实验软件E-prime；所述时频域数学变换为傅里叶变换；所述机器学分类方法为随机森林。
6.根据权利要求5所述的一种基于随机森林的脑电波年龄预测系统，其特征在于：所述脑电信号采集部、脑电信号分析部、脑电信号预处理部和预测系统部之间采用导线或数据线互相连接。
CN201710136239.5A 2017-03-09 2017-03-09 基于随机森林的脑电波年龄预测系统 Pending CN106919956A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710136239.5A CN106919956A (zh) 2017-03-09 2017-03-09 基于随机森林的脑电波年龄预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710136239.5A CN106919956A (zh) 2017-03-09 2017-03-09 基于随机森林的脑电波年龄预测系统

Publications (1)

Publication Number Publication Date
CN106919956A true CN106919956A (zh) 2017-07-04

Family

ID=59461156

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710136239.5A Pending CN106919956A (zh) 2017-03-09 2017-03-09 基于随机森林的脑电波年龄预测系统

Country Status (1)

Country Link
CN (1) CN106919956A (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107966678A (zh) * 2017-11-03 2018-04-27 平安科技（深圳）有限公司 基于信号数据筛选的定位方法、电子装置及存储介质
CN108304076A (zh) * 2018-02-24 2018-07-20 广东欧珀移动通信有限公司 电子装置、视频播放应用的管理方法及相关产品
CN108419011A (zh) * 2018-02-11 2018-08-17 广东欧珀移动通信有限公司 拍摄方法及相关产品
CN108415738A (zh) * 2018-02-23 2018-08-17 广东欧珀移动通信有限公司 电子设备、设备控制方法及相关产品
CN108462547A (zh) * 2018-03-15 2018-08-28 广东欧珀移动通信有限公司 电台推送方法及相关产品
CN108542385A (zh) * 2018-04-02 2018-09-18 东北电力大学 一种利用嗅觉脑电波进行感官风味物质分类的方法
CN108814596A (zh) * 2018-04-02 2018-11-16 东北电力大学 一种基于嗅觉脑电波和rf的感官物质分类的方法
CN108836325A (zh) * 2018-04-02 2018-11-20 东北电力大学 一种基于嗅觉脑电波和随机森林进行感官物质分类的方法
CN108836326A (zh) * 2018-04-02 2018-11-20 东北电力大学 一种基于嗅觉脑电波和小波包进行感官物质分类的方法
CN108962391A (zh) * 2018-05-02 2018-12-07 杭州电子科技大学 基于小波包特征和随机森林的癫痫病前期预测方法
CN109359699A (zh) * 2018-11-02 2019-02-19 广东工业大学 一种基于Alpha稳定分布的工业机组故障诊断方法
CN109998530A (zh) * 2019-04-15 2019-07-12 杭州妞诺科技有限公司 基于vr眼镜的便携式脑电监测系统
CN112070177A (zh) * 2020-09-18 2020-12-11 中国科学院自动化研究所 基于多任务信息提高目标检测泛化能力的脑机接口系统
CN113180694A (zh) * 2021-04-07 2021-07-30 北京脑陆科技有限公司 一种基于eeg信号的数据实时标注方法及系统
CN113397567A (zh) * 2021-05-19 2021-09-17 中国航天科工集团第二研究院 一种人类行为脑电信号分类方法及系统
CN113506640A (zh) * 2021-08-17 2021-10-15 首都医科大学附属北京友谊医院 脑灌注状态分类装置、方法、设备及模型训练装置
CN113569984A (zh) * 2021-08-17 2021-10-29 首都医科大学附属北京友谊医院 脑灌注状态分类装置、方法、设备及存储介质
US20220156393A1 (en) * 2020-11-19 2022-05-19 Tetrate.io Repeatable NGAC Policy Class Structure

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030139683A1 (en) * 2002-01-22 2003-07-24 Chang-Su Ryu Apparatus and method for measuring electroencephalogram
CN101690659A (zh) * 2009-09-29 2010-04-07 华东理工大学 脑电波分析方法
CN104825159A (zh) * 2015-04-23 2015-08-12 张鸣沙 脑电同频检测方法、脑电同频刺激方法与装置
CN105726046A (zh) * 2016-01-29 2016-07-06 西南交通大学 一种驾驶员警觉度状态检测方法
CN106175757A (zh) * 2016-07-11 2016-12-07 温州大学 基于脑电波的行为决策预测系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030139683A1 (en) * 2002-01-22 2003-07-24 Chang-Su Ryu Apparatus and method for measuring electroencephalogram
CN101690659A (zh) * 2009-09-29 2010-04-07 华东理工大学 脑电波分析方法
CN104825159A (zh) * 2015-04-23 2015-08-12 张鸣沙 脑电同频检测方法、脑电同频刺激方法与装置
CN105726046A (zh) * 2016-01-29 2016-07-06 西南交通大学 一种驾驶员警觉度状态检测方法
CN106175757A (zh) * 2016-07-11 2016-12-07 温州大学 基于脑电波的行为决策预测系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
OLDRICH VYSATA ET AL.: "Age-related changes in EEG coherence", 《SCIENCEDIRECT》 *

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107966678B (zh) * 2017-11-03 2019-04-19 平安科技（深圳）有限公司 基于信号数据筛选的定位方法、电子装置及存储介质
CN107966678A (zh) * 2017-11-03 2018-04-27 平安科技（深圳）有限公司 基于信号数据筛选的定位方法、电子装置及存储介质
CN108419011A (zh) * 2018-02-11 2018-08-17 广东欧珀移动通信有限公司 拍摄方法及相关产品
CN108415738A (zh) * 2018-02-23 2018-08-17 广东欧珀移动通信有限公司 电子设备、设备控制方法及相关产品
CN108415738B (zh) * 2018-02-23 2021-06-15 Oppo广东移动通信有限公司 电子设备、设备控制方法及相关产品
CN108304076A (zh) * 2018-02-24 2018-07-20 广东欧珀移动通信有限公司 电子装置、视频播放应用的管理方法及相关产品
CN108304076B (zh) * 2018-02-24 2020-01-14 Oppo广东移动通信有限公司 电子装置、视频播放应用的管理方法及相关产品
CN108462547A (zh) * 2018-03-15 2018-08-28 广东欧珀移动通信有限公司 电台推送方法及相关产品
CN108814596A (zh) * 2018-04-02 2018-11-16 东北电力大学 一种基于嗅觉脑电波和rf的感官物质分类的方法
CN108836326A (zh) * 2018-04-02 2018-11-20 东北电力大学 一种基于嗅觉脑电波和小波包进行感官物质分类的方法
CN108836325A (zh) * 2018-04-02 2018-11-20 东北电力大学 一种基于嗅觉脑电波和随机森林进行感官物质分类的方法
CN108542385A (zh) * 2018-04-02 2018-09-18 东北电力大学 一种利用嗅觉脑电波进行感官风味物质分类的方法
CN108962391A (zh) * 2018-05-02 2018-12-07 杭州电子科技大学 基于小波包特征和随机森林的癫痫病前期预测方法
CN109359699A (zh) * 2018-11-02 2019-02-19 广东工业大学 一种基于Alpha稳定分布的工业机组故障诊断方法
CN109998530A (zh) * 2019-04-15 2019-07-12 杭州妞诺科技有限公司 基于vr眼镜的便携式脑电监测系统
CN112070177A (zh) * 2020-09-18 2020-12-11 中国科学院自动化研究所 基于多任务信息提高目标检测泛化能力的脑机接口系统
US20220156393A1 (en) * 2020-11-19 2022-05-19 Tetrate.io Repeatable NGAC Policy Class Structure
CN113180694A (zh) * 2021-04-07 2021-07-30 北京脑陆科技有限公司 一种基于eeg信号的数据实时标注方法及系统
CN113397567A (zh) * 2021-05-19 2021-09-17 中国航天科工集团第二研究院 一种人类行为脑电信号分类方法及系统
CN113506640A (zh) * 2021-08-17 2021-10-15 首都医科大学附属北京友谊医院 脑灌注状态分类装置、方法、设备及模型训练装置
CN113569984A (zh) * 2021-08-17 2021-10-29 首都医科大学附属北京友谊医院 脑灌注状态分类装置、方法、设备及存储介质
CN113569984B (zh) * 2021-08-17 2022-05-31 首都医科大学附属北京友谊医院 脑灌注状态分类装置、方法、设备及存储介质
CN113506640B (zh) * 2021-08-17 2022-05-31 首都医科大学附属北京友谊医院 脑灌注状态分类装置、方法、设备及模型训练装置
US11621079B2 (en) 2021-08-17 2023-04-04 Beijing Friendship Hospital, Capital Medical University Cerebral perfusion state classification apparatus, method and device, and model training apparatus

Similar Documents

Publication Publication Date Title
CN106919956A (zh) 基于随机森林的脑电波年龄预测系统
CN102274022B (zh) 一种基于脑电信号的睡眠状态监测方法
US20200367800A1 (en) Method for identifying driving fatigue based on cnn-lstm deep learning model
US6988056B2 (en) Signal interpretation engine
CN101690659B (zh) 脑电波分析方法
CN110070105B (zh) 基于元学习实例快速筛选的脑电情绪识别方法、系统
CN111544015B (zh) 基于认知力的操控工效分析方法、设备及系统
CN105595990A (zh) 一种用于心电信号质量评估判别的智能终端设备
CN111598451B (zh) 基于任务执行能力的操控工效分析方法、设备及系统
CN106175757B (zh) 基于脑电波的行为决策预测系统
CN111553618B (zh) 操控工效分析方法、设备及系统
CN106510702B (zh) 基于中潜伏期听觉诱发电位的听觉注意特征提取、识别系统及方法
CN106236027A (zh) 一种脑电与温度相结合的抑郁人群判定方法
Wan et al. Automatic detection of HFOs based on singular value decomposition and improved fuzzy c-means clustering for localization of seizure onset zones
CN114224343B (zh) 认知障碍检测方法、装置、设备及存储介质
Liu et al. The application of the machine learning method in electromyographic data
Sai et al. Abiotic stress classification through spectral analysis of enhanced electrophysiological signals of plants
Sukaria et al. Epileptic seizure detection using convolution neural networks
Walter EEG workload prediction in a closed-loop learning environment
Cîmpanu et al. Genetic feature selection for large EEG data with commutation between multiple classifiers
Nahin et al. Electroencephalogram-based Emotion Recognition with Hybrid Graph Convolutional Network Model
Teljega Automatic control of a window blind using EEG signals
Kenworthy Motor imagery classification for bci using random forest and gradient boosting techniques
Hu et al. Classification of normal and hypoxia EEG based on approximate entropy and welch power-spectral-density
CN108319368A (zh) 一种可穿戴的ai动作学习系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170704

RJ01 Rejection of invention patent application after publication