CN107045624B - 一种基于最大加权团的脑电信号预处理与分类方法 - Google Patents

Abstract

本发明公开了一种基于最大加权团的脑电信号预处理与分类方法，包括：将脑电信号预处理与分类映射为最大加权团问题。对有标签脑电信号进行单次最大加权团搜寻达到预处理的目的；对无标签脑电信号进行多次最大加权团搜寻达到分类的目的。本发明的优点是：利用改进后的Fréchet距离，从局部与全局角度衡量脑电信号相似度，提高衡量方法的有效性与可靠性。同时考虑顶点与边的权重，优化权重衡量方法。利用单次最大加权团搜寻筛选有标签信号能提高脑电信号特征提取的准确度。利用多次最大加权团搜寻进行无标签脑电信号分类能辅助诊断缺少先验知识的相关大脑疾病。发明在脑电信号预处理与基于脑电信号辅助诊断疾病方面具有实际应用意义。

Description

一种基于最大加权团的脑电信号预处理与分类方法

技术领域

本发明涉及一种基于最大加权团的脑电信号预处理与分类方法，是针对有标签与无标签脑电信号的预处理与多分类方法，属于生物科学与信息科学的交叉领域。

背景技术

人脑的神经活动开始于胎儿期的第17到23周。人的一生由大脑产生的电子信号不仅表征了大脑本身的工作状态，也反映了整个身体的功能状态。正是由于脑电波中蕴含的重要信息，关于脑电信号的分析开始于20世纪初，到目前为止已有大量关于信号处理的方法应用于脑电信号当中。通过研究脑电信号，可以帮助现代医学进行疾病的诊断与治疗。比如老年痴呆的前期诊断，中风、癫痫病发作、痴呆等的辅助诊断，甚至也可用于大脑控制方面的研究应用，比如脑控小车、脑控飞行器等，可以帮助改善残障人士的出行问题等。

脑电信号中包含较高的噪声信号，其主要分为两类：第一类是环境噪声。由于脑电波信号频率较低，采集受到环境噪音、设备噪音的影响较大，即在采集到的脑电信号中，包含了较高的噪音信号，从而导致脑信号的信噪比较低，这一类噪声是脑信号的主要噪声源，其主要影响信噪比；第二类是影响信号特征的噪声。这类噪声主要来源于眼动、肌动等产生的伪迹信号对目标脑电信号进行的影响，降低目标脑电的识别精度。同时，对于本身患有如癫痫、老年痴呆、中风等疾病的研究受体而言，由于脑电信号较正常人而言不稳定性更高，因此对脑电信号采集产生了巨大影响。直接对原始数据进行分析、特征提取误差较大，分析结果并没有太大的参考价值。许多关于脑电信号的研究一般都集中在特征提取、分类阶段，对脑电信号原始信号的预处理，大部分的研究也都集中在基于独立成分分析、主成分分析、共空间模式的处理手段上面，也取得了相应的效果。但对于原始脑电信号中存在具有其他特征(非目标运动伪影、事件相关刺激等)的非目标信号时，利用独立成分分析、主成分分析与共空间模式进行脑信号分析依然不能保证信号分析的结果准确性与一致性。独立成分分析能有效分解脑电信号，获得信号源中各个成分的信号表现，最后通过对各个独立成分再进行分析。对于独立成分分析而言，各成分由

求得，在没有先验知识的情况下，无法同时求得s与w两个参数，即会出现分解结果不唯一的情况。主成分分析则可以通过将原始高维数据降维压缩，利用原始信号中的主要成分进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无参数限制的，但对于一些原本具有先验知识的问题，却无法进行干预，可能得不到与其的效果。这两种信号处理方法主要都是将原始信号进行成分提取，以具有代表性的成分进行分析。共空间模式虽然能从原始脑电信号中提取相应的有效信号，但往往会出现过拟合现象，使得得到的信号特征不具有一般性。

脑电信号反映了脑活动情况，反映了大脑控制模式，对于某些特定的大脑控制会反射出具有相应信号特征的脑电波。通过对脑电信号的分析可以准确地识别相应的大脑的意图，并能通过特征分析，识别出异常信号特征，从而可辅助进行相应的诊断。如前文提及到的，脑电信号较弱，其中夹杂了较高的噪声信号，不利于对其进行直接研究，为了提高分析的可靠性与准确性，预先对脑电信号进行筛选，获取具有高相关性的脑电信号，降低其他特征的影响，提高脑电信号目标特征信号的比例，能有效提高脑电信号中某类特征的提取准确性。

发明内容

发明目的：本发明的目的是提供一种脑电信号预处理与分类方法。该方法通过将脑电信号及其关联映射到一个无向加权完全图中，并在图中搜寻具有高权值的团(完全子图)，从而达到脑电信号预处理与多分类的目的。该方法充分考虑了脑电信号的相似相异程度，从脑电信号整体角度对其进行分析，解决了传统方法利用导联、通道分割的方式进行脑电信号预处理导致的处理后信号信息不全的问题；同时，该方法也解决了传统无监督分类方法结果不稳定、无法获取任意可能分类以及分类结果受数据点出现顺序的影响等问题，。

技术方案：为实现上述目的，本发明提出一种基于最大加权团的脑电信号预处理与分类方法，主要结合Fréchet距离衡量相似度方法以及最大加权团搜寻方法进行脑电信号的预处理与多分类。将脑电信号看作时间序列，利用Fréchet距离对其进行相似度衡量，并在此基础上形成无向加权完全图的变权重与顶点权重，从而在该图中搜寻具有最大权重的团。。其具体的技术方案包括以下几个步骤：

步骤一：针对原始Fréchet距离对全局相似度敏感的问题，对其进行了改进，得到了更科学更有效的相似度衡量方法。

(1)局部趋势相异度衡量。利用脑电信号之间的趋势相异程度来衡量信号间的走势相关性；

(2)改进Fréchet距离衡量。为局部趋势相异程度与全局相似程度设定权重值，平衡局部与全局相似度对衡量指标的重要性，从而更科学地衡量脑电信号间的相似程度。

步骤二：利用无向加权完全图中的顶点与边权重，改进传统的权重评价指标，同时考虑顶点与边的权重对团搜寻的影响。

(1)利用改进的Fréchet距离衡量方法将脑电信号间的相似度映射为无向加权完全图中的边权重；

(2)同样利用Fréchet距离衡量方法得到的脑电信号相似程度转化为图中的顶点权中。

(3)利用无向加权完全图中顶点、边权重进行权重衡量方法的优化，同时将顶点、边权重作为团搜寻的筛选指标，以提高最大加权团搜寻的科学性。

步骤三：针对有标签的脑电信号的预处理：根据优化后的权重衡量方法，在无向加权完全图中搜寻符合相似度阈值的权重，并进行单次最大加权团搜寻，从而将具有较高权重的脑电信号划分到团中，达到脑电信号预处理的目的。针对无标签脑电信号的多分类：根据优化后的权重衡量方法，通过设定多个合理的相似度阈值，进行多次最大加权团搜寻，从而将无标签的脑电信号划分到相似度阈值对应的团中，达到多分类的目的。

有益效果：本发明是从图论的角度，针对完整的脑电信号的预处理与多分类，提出了一种基于最大加权团的脑电信号预处理与分类方法。通过将脑电信号及其相互关系映射为无向加权完全图中的顶点与边，并采用改进的Fréchet距离衡量进行脑电信号的相似度衡量，相应地转化为图中顶点与边的权重。同时结合顶点与边的权重进行单次与多次的最大加权团的搜索，达到有标签脑电信号预处理与无标签脑电信号多分类的目的。该方法有效解决了从整体角度处理脑电信号的困难以及完善了无监督脑电信号多分类方法。该方法能够通过脑电信号之间的相似程度进行筛选与分类，适用于任何基于脑电信号预处理与分类问题，同时可用于辅助诊断相关大脑疾病。本发明经扩展后，还可用于解决关于时间序列、轨迹相似度衡量以及基于相似度衡量的相关聚类与划分等实际问题。

附图说明

图1是本发明方法的总体流程图。

图2是有标签脑电信号预处理流程图。

图3是无标签脑电信号多分类体流程图。

具体实施方式

下面结合附图，对本发明做进一步说明。

本发明基于最大加权团对完整的脑电信号进行预处理与多分类。通过将脑电信号及其关联关系映射为无向加权完全图中的顶点与边，将Fréchet距离相似度衡量方法得到的脑电信号相似度映射为图中边的权重，并进一步转化为图中顶点的权重，结合无向加权完全图中的顶点与边的权重，改进传统权重衡量方法，最终在此基础上进行单次或多次最大加权团的搜寻，达到有标签脑电信号预处理与无标签脑电信号多分类的目的。具体实施步骤如下，且具体流程见附图1。

1、优化的权重衡量方法

结合无向加权完全图中的顶点、边权重进行权重衡量方法的优化，提高此后加权团搜寻的科学性与完善性。

步骤一：通过改进的Fréchet距离相似度衡量方法得到脑电信号的相似度矩阵，并将其转化为图中边的权重；

(1)局部趋势相异度衡量

对于任意两个脑电信号tr_i，tr_j∈Trial(Trial为所有脑电信号的集合)，tr_i＝(a₁，a₂，…，a_p)，tr_j＝(b₁，b₂，…，b_p)，其局部趋势相异度为：

其中，TemCor∈[-1，1]。该指标衡量了两个脑电信号之间局部趋势的同步性。负值表明信号大部分时间具有相反的走势，正值则表明具有更多相似的走势。

(2)全局相似度衡量

利用Fréchet距离对脑电信号进行全局相似度衡量，对于任意两个脑电信号tr_i，tr_j∈Trial，它们之间的Fréchet距离相似度为：

(3)改进的Fréchet距离相似度衡量

根据脑电局部趋势相异度与全局相似度，脑电信号之间最终的相似度衡量为：

其中，

s(tr_i，tr_j)∈[0，1]，λ∈[0，1]。

(4)无向加权完全图中边的权重映射

将脑电信号之间的关系映射为图中的边，将权利要求5中得到的脑电信号相似度映射为图边上的权重。设脑电信号Trial为n×n的矩阵，Trial^n×n＝(tr₁，tr₂，…，tr_n)^T，其相似度最终构成一个对角矩阵，即为无向加权完全图中的边权重：

其中，

步骤二：利用步骤一中得到脑电信号相似度矩阵得到图中顶点的权重；

将脑电信号本身映射为无向加权完全图中的顶点，利用权利要求5中得到的脑电信号相似度s_ij∈S进行顶点权重的衡量：

步骤三：结合以上步骤中的到边权重与顶点权重，得到优化后的权重衡量方法。

对于无向加权完全图中的任意边(i，j)∈E(C)，其中，E(C)表示团C中边的结合。同时，对于团C中边的权重满足条件：μ＝{s_ij|s_ij≥δ}，δ为设定的相似度阈值，则改进的权重衡量为：

其中，η为顶点权重，N为团C中的顶点个数。

2、基于最大加权团的脑电信号预处理

针对有标签的脑电信号而言，结合优化的权重衡量方法，通过在无向加权完全图中单次搜寻最大加权团进行脑电信号的筛选，达到预处理的目的。具体步骤如下，其详细流程图见附图2：

(1)初始化无向加权完全图G＝(V，E，η，μ)与相似度阈值δ；

(2)判断顶点t是否可以加入团中：对于团中的任意顶点i，如果μ_ti≥δ，则计算新团的权重大小：

(i)如果W_C∪{t}≥W_C，则顶点t可加入团中构成新的团且更新图的顶点集与边集：

V_C＝V_C∪{t}；V＝V\{t}；W_C＝W_C∪{t}

(ii)如果W_C∪{t}＜W_C，重新判断另一个顶点。

(3)重复(2)直到原始图中所有顶点均被测试。

针对有标签脑电信号预处理的具体算法如下：

输入：

δ：相似度阈；

输出：

C：最大加权团；

3、基于最大加权团的脑电信号分类

对于无标签的脑电信号而言，同样结合优化后的权重衡量方法，在无向加权完全图中进行多次最大加权团搜寻，到达无标签脑电信号多分类的目的。具体步骤如下，其详细流程图见附图3：

(1)初始化无向加权完全图G＝(V，E，η，μ)与相似度阈值δ＝{δ_k＝1，…，m}；

(2)初始化图的顶点与边的集合：G_k＝G：V_k＝V，E_k＝E；

(3)筛选满足相似度阈值δ_k的边和顶点；

(4)在满足相似度条件的顶点和边中搜寻一个最大团C＝(V_C，E_C)；

(5)更新顶点集合与边的集合G_M＝(V_M，E_M，η，μ)：

G＝G_M；

(6)重复(2)～(5)，直到所有的相似度阈值遍历完为止。

针对无标签脑电信号多分类的具体算法如下：

输入：

δ＝{δ_k|0≤δ_k＜δ_k-1，δ₀＝1，k＝1，…，m，m≥1}：相似度阈值的集合；

输出：

C：团的集合；

13：初始化无向加权完全图G＝(V，E，η，μ)以及

14：Repeat

Claims (11)

1.一种基于最大加权团的脑电信号预处理与分类方法，其主要特征包括如下步骤：

(1)无向加权完全图的边权重映射：将脑电信号看作时间序列，改进的Fréchet距离相似度衡量方法包括局部趋势相异度衡量和全局相似度衡量，局部趋势相异度衡量从局部角度衡量脑电信号间的趋势相异程度，全局相似度衡量从全局角度衡量脑电信号间的相似程度，利用改进的Fréchet距离衡量方法，获得任意两个脑电信号的局部相异度与全局相似度，以此综合衡量任意两个脑电信号的相似度，形成相似度矩阵，映射为无向加权完全图中的边权重矩阵；

(2)无向加权完全图的顶点权重映射：利用(1)中的相似度矩阵获取各个脑电信号相似度偏序矩阵，映射为顶点权重矩阵；

(3)有标签脑电信号预处理：设定一个合理的相似度阈值，在无向加权完全图中单次搜寻最大加权团，达到筛选有效有标签脑电信号的目的；

(4)无标签脑电信号多分类：根据脑电信号的相似度分布，设定多个合理的相似度阈值，在无向加权完全图中多次搜寻最大加权团，达到无标签脑电信号多分类的目的。

2.根据权利要求1所述的基于最大加权团的脑电信号预处理与分类方法，其特征在于，步骤(1)对脑电信号进行无向加权完全图的边权重映射，其实现方法包括：

(21)脑电信号局部趋势相异度衡量：从局部角度衡量脑电信号之间的趋势相异程度，提高脑电信号评估的完备性与科学性；

(22)脑电信号全局相似度衡量：从全局角度衡量脑电信号之间的相似程度，利用Fréchet距离计算脑电信号的相似度，从宏观角度衡量脑电信号在曲线线性上的相似性；

(23)基于改进的Fréchet距离的脑电信号相似度衡量：根据(21)和(22)中分别得到的局部相异度与全局相似度，最终得到脑电信号之间的相似度程度；

(24)无向加权完全图边权重映射：根据(23)中利用改进的Fréchet距离得到的脑电信号相似度，映射为无向加权完全图中的边权重矩阵。

3.根据权利要求2所述的方法，其特征在于，步骤(21)中脑电信号局部趋势相异度衡量，其实现方法如下：

对于任意两个脑电信号tr_i，tr_j∈Trial，Trial为所有脑电信号的集合，tr_i＝(a₁，a₂，…，a_p)，tr_j＝(b₁，b₂，…，b_p)，其局部趋势相异度为：

其中，TemCor∈[-1，1]，该指标衡量了两个脑电信号之间局部趋势的同步性，负值表明信号大部分时间具有相反的走势，正值则表明具有更多相似的走势。

4.根据权利要求2所述的方法，其特征在于，步骤(22)中脑电信号全局相似度衡量，其实现方法如下：

利用Fréchet距离对脑电信号进行全局相似度衡量，对于任意两个脑电信号tr_i，tr_j∈Trial，Trial为所有脑电信号的集合，它们之间的Fréchet距离相似度为：

5.根据权利要求2所述的方法，其特征在于，步骤(23)中基于改进的Fréchet距离的脑电信号相似度衡量，其实现方法如下：

根据脑电局部趋势相异度与全局相似度，脑电信号之间最终的相似度衡量为：

其中，

s(tr_i，tr_j)∈[0，1]，λ∈[0，1]。

6.根据权利要求2所述的方法，其特征在于，步骤(24)中无向加权完全图边权重映射，其实现方法如下：

将脑电信号之间的关系映射为图中的边，将权利要求5中得到的脑电信号相似度映射为图边上的权重，设脑电信号Trial为n×n的矩阵，Trial^n×n＝(tr1，tr₂，…，tr_n)^T，其相似度最终构成一个对角矩阵，即为无向加权完全图中的边权重：

其中，

7.根据权利要求1所述的基于最大加权团的脑电信号预处理与分类方法，其特征在于，步骤(2)对脑电信号进行无向加权完全图的顶点权重映射，其实现方法如下：

将脑电信号本身映射为无向加权完全图中的顶点，利用权利要求5中得到的脑电信号相似度s_ij∈S进行顶点权重的衡量：

8.根据权利要求1所述的基于最大加权团的脑电信号预处理与分类方法，其特征在于，步骤(3)对有标签脑电信号预处理，其实现方法包括：

(81)权重衡量方法的改进：利用边权重与顶点权重对权重衡量方法进行优化，将顶点权重与边权重同时考虑其中，综合衡量脑电信号的关联程度；

(82)单次最大加权团搜寻：利用最大加权团搜寻方法筛选出两两权重符合阈值的完全子图，即具有最大权重的团，从而在一定程度上剔除非目标脑电信号。

9.根据权利要求8所述的方法，其特征在于，步骤(81)所述的权重衡量方法的改进，其实现方法如下：

对于无向加权完全图中的任意边(i，j)∈E(C)，其中，E(C)表示团C中边的集合，同时，对于团C中边的权重满足条件：μ＝{s_ij|s_ij≥δ}，δ为设定的相似度阈值，则改进的权重衡量为：

其中，η为顶点权重，N为团C中顶点个数。

10.根据权利要求8所述的方法，其特征在于，步骤(82)所述的单次最大加权团搜寻，其实现方法如下：

(101)初始化无向加权完全图G＝(V，E，η，μ)与相似度阈值δ；

(102)判断顶点t是否可以加入团中：对于团中的任意顶点i，如果μ_ti≥δ，则计算新团的权重大小：

(i)如果

则顶点t可加入团中构成新的团且更新图的顶点集与边集：

(ii)如果

重新判断另一个顶点；

(103)重复(102)直到原始图中所有顶点均被测试。

11.根据权利要求1所述的基于最大加权团的脑电信号预处理与分类方法，其特征在于，步骤(4)对无标签脑电信号多分类，其实现方法包括：

(1101)初始化无向加权完全图G＝(V，E，η，μ)与相似度阈值δ＝{δ_{k＝l，...，m}}；

(1102)初始化图的顶点与边的集合：G_k＝G：V_k＝V，E_k＝E；

(1103)筛选满足相似度阈值δ_k的边和顶点；

(1104)在满足相似度条件的顶点和边中搜寻一个最大团C＝(V_C，E_C)；

(1105)更新顶点集合与边的集合G_M＝(V_M，E_M，η，μ)：

G＝G_M；

(1106)重复(1102)～(1105)，直到所有的边和顶点遍历完为止。

Images