CN109745044B - 基于代理模型Volterra建模的脑电信号编码解码方法 - Google Patents
基于代理模型Volterra建模的脑电信号编码解码方法 Download PDFInfo
- Publication number
- CN109745044B CN109745044B CN201811566452.0A CN201811566452A CN109745044B CN 109745044 B CN109745044 B CN 109745044B CN 201811566452 A CN201811566452 A CN 201811566452A CN 109745044 B CN109745044 B CN 109745044B
- Authority
- CN
- China
- Prior art keywords
- value
- chaotic
- model
- tau
- teaching
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000000739 chaotic effect Effects 0.000 claims abstract description 53
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 40
- 238000004458 analytical method Methods 0.000 claims description 26
- 210000004556 brain Anatomy 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000010187 selection method Methods 0.000 claims description 4
- 238000007796 conventional method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于代理模型Volterra建模的脑电信号编码解码方法,由对输入的混沌脑电信号进行预处理、用Volterra建模方法构建预测模型、确定混沌脑电信号预测模型并预测脑电信号、编码解码步骤组成。本发明采用教与学优化方法,建立了混沌脑电信号的Volterra预测模型,得到脑电信号的预测数据,完成混沌脑电信号的编码解码。本发明具有对脑电信号的混沌特点,快速准确地实现对混沌脑电信号进行编码和解码,可用于对混沌脑电信号进行编码和解码。
Description
技术领域
本发明属于计算及应用技术领域,具体涉及混沌时间序列预测模型。
背景技术
近年来随着脑电信号处理技术的快速发展,脑电信号采集系统已经广泛应用于虚拟现实技术BCI系统、生物反馈治疗仪等领域的研究。脑电采集系统通常需要记录大量脑电信号数据,对脑电信号的编码和解码方法的研究已经变得越来越重要。研究表明,脑电信号时间序列表现为非线性且存在混沌。利用混沌特性构建脑电信号的预测模型被认为是一种可行的方法。
发明内容
本发明所要解决的技术问题在于克服上述现有技术的缺点,提供一种步骤简单、容易实现、速度快的基于代理模型Volterra建模的脑电信号编码解码方法。
解决上述技术问题所采用的技术方案是由以下步骤组成:
(1)对输入的混沌脑电信号进行预处理
对输入的混沌脑电信号样本采用0.53-40Hz带通滤波器进行去噪处理,得到去噪后的帧,选择连续的帧作为分析帧。
(2)用Volterra建模方法构建预测模型
将步骤(1)的分析帧,按式(2)建立混沌脑电信号预测模型:
式中u(n-iτ)为输入的分析帧信号,m是混沌时间序列预测模型的记忆长度为有限的正整数,h1(i)和h2(i,j)为模型的核,u(n-iτ)为对应分析帧的第n-iτ个样本,n-iτ为步骤(1)中分析帧的样本序号,u(n-jτ)为对应的分析帧的第n-jτ个样本,n-jτ为步骤(1)中分析帧的样本序号,τ是延迟时间为有限的正整数,j、n为有限的正整数。
(3)确定混沌脑电信号预测模型并预测脑电信号
将步骤(1)中分析帧的混沌脑电信号用教与学优化方法确定混沌脑电信号所对应的延迟时间τ、记忆长度m、模型的核h1(i)、模型的核h2(i,j),采用代理模型的径向基神经网络作为近似适应度函数,近似适应度函数为:
式中k(||x-ci||)为所使用的核函数,ai为所要评估的值,ci为径向基神经网络的中心点,选择延迟时间τ、记忆长度m、模型的核h1(i)以及h2(i,j)采用预测值与实际值之间的均方误差作为原始适应度函数,采用贪婪选择方法,得到最佳延迟时间τ、记忆长度m、模型的核h1(i)以及h2(i,j),代入上述式(1),完成混沌脑电信号的预测。
(4)编码解码
将步骤(3)中的预测值与实际值对比,得到误差值,完成混沌脑电信号的编码,根据编码后的数据,按照常规方法进行解码。
在本发明的步骤(3)中,教与学优化方法为:
教阶段:按(3)式进行教学
Xnew,i=Xold,i+Difference_mean (3)
Difference_mean=ri(Xteacher-TFMean) (4)
式中Xnew,i是学生学习后的值,Xold,i是学生学习前的值;Mean是所有学生的平均值,Xteacher是教师教学的值;ri是学习步长,取值范围为[0,1],i代表班级中第i个学生,i为1,2,...,n,TF是教学因子,由(5)式确定:
TF=round[1+rand(0,1)] (5)
教学结束,学生学习值进行更新,采用Rastrigin函数对学习值评估,如果学习后的值大于学习前的值,将Xnew,i赋值于Xold,i。
学阶段:学阶段按(6)式进行学习
式中f(X)为Rastrigin函数,执行教与学阶段的迭代,迭代次数为1500时,终止迭代,输出最优值Xnew,i。
在本发明的步骤(3)中,延迟时间τ为4~12、记忆长度m为8~16、模型的核h1(i)计算值为-1~1,模型的核h2(i,j)计算为-1~1;Xteacher是教师教学的值为0.5~1。
由于本发明采用了教与学优化方法,对输入的混沌脑电信号进行预处理,建立了混沌脑电信号预测模型,确定混沌脑电信号预测模型中的参数,完成混沌脑电信号的预测。采用教与学优化方法,建立了混沌脑电信号的Volterra预测模型,得到脑电信号的预测数据,完成混沌脑电信号的编码解码。本发明具有对脑电信号的混沌特点,快速准确地实现对混沌脑电信号进行编码和解码,可用于对混沌脑电信号进行编码和解码。
附图说明
图1是本发明的工艺流程图。
图2是实施例1输入的1通道混沌脑电信号的波形图。
图3是实施例1混沌脑电信号预测的波形图。
图4是实施例1确定混沌脑电信号预测模型并编码的实验结果图。
具体实施方式
下面结合附图和实施例对本发明进一步详细说明,但本发明不限于下述的实施方式。
实施例1
以在PHYSIOBANK ATM脑电数据库中选取1200帧的混沌脑电信号(如图2所示)为例,在图1中,本实施例的基于代理模型Volterra建模的脑电信号编码解码方法步骤如下:
(1)对输入的混沌脑电信号进行预处理
对输入的1200帧混沌脑电信号样本采用20Hz带通滤波器进行去噪处理,得到去噪后的帧,选择连续的帧作为分析帧。
(2)用Volterra建模方法构建预测模型
将步骤(1)的分析帧,按式(2)建立混沌脑电信号预测模型:
式中u(n-iτ)为输入的分析帧信号,m是混沌时间序列预测模型的记忆长度为有限的正整数,h1(i)和h2(i,j)为模型的核,u(n-iτ)为对应分析帧的第n-iτ个样本,n-iτ为步骤(1)中分析帧的样本序号,u(n-jτ)为对应的分析帧的第n-jτ个样本,n-jτ为步骤(1)中分析帧的样本序号,τ是延迟时间为有限的正整数,j、n为有限的正整数。
(3)确定混沌脑电信号预测模型并预测脑电信号
将步骤(1)中分析帧的混沌脑电信号用教与学优化方法确定混沌脑电信号所对应的延迟时间τ、记忆长度m、模型的核h1(i)、模型的核h2(i,j)。
上述的教与学优化方法为:
教阶段:按(3)式进行教学
Xnew,i=Xold,i+Difference_mean (3)
Difference_mean=ri(Xteacher-TFMean) (4)
式中Xnew,i是学生学习后的值,Xold,i是学生学习前的值;Mean是所有学生的平均值,为0.568,Xteacher是教师教学的值,取值为0.9;ri是学习步长,取值为[0,1],i代表班级中第i个学生,i为1~8的整数,TF是教学因子,由(5)式确定:
TF=round[1+rand(0,1)] (5)
教学结束,学生学习值进行更新,采用Rastrigin函数对学习值评估,如果学习后的值大于学习前的值,将Xnew,i赋值于Xold,i。
学阶段:学阶段按(6)式进行学习
式中f(X)为Rastrigin函数,执行教与学阶段的迭代,迭代次数为1500时,终止迭代,输出最优值Xnew,i。
采用代理模型的径向基神经网络作为近似适应度函数,近似适应度函数为:
式中k(||x-ci||)为所使用的核函数,ai为所要评估的值,ci为径向基神经网络的中心点,选择延迟时间τ、记忆长度m、模型的核h1(i)以及h2(i,j),采用预测值与实际值之间的均方误差作为原始适应度函数,采用贪婪选择方法,得到最佳延迟时间τ为8、记忆长度m为12、模型的核h1(i)以及h2(i,j),模型的核h1(i)以及h2(i,j)的值如表1、表2所示,代入上述式(1),完成混沌脑电信号的预测,如图3所示。
表1最佳模型的核h1(i)
h<sub>1</sub>(i) | h<sub>1</sub>(i) | h<sub>1</sub>(i) | h<sub>1</sub>(i) | h<sub>1</sub>(i) | h<sub>1</sub>(i) | h<sub>1</sub>(i) | h<sub>1</sub>(i) |
1 | -0.0013 | -0.02679 | -0.06684 | -0.2133 | 0.06751 | 0.7122 | -0.07462 |
表2最佳模型的核h2(i,j)
H<sub>2</sub>(i,j) | i=1 | i=2 | i=3 | i=4 | i=5 | i=6 | i=7 | i=8 |
J=1 | 0.6213 | -0.2778 | 0.1723 | 0.6422 | 1 | 0.1292 | -1 | 0.8454 |
J=2 | 0.0449 | -0.0179 | 0.1362 | -0.1184 | 1 | 0.3567 | -0.2963 | |
J=3 | 0.4765 | 0.2686 | -0.8469 | 0.7436 | -0.3485 | 0.3652 | ||
J=4 | -0.9941 | 0.5326 | 0.5367 | 0.3452 | 0.2741 | |||
J=5 | 0.1245 | 0.5236 | -0.1254 | 1 | ||||
J=6 | -0.9654 | 0.1544 | 0.3982 | |||||
J=7 | 0.6532 | 0.7181 | ||||||
J=8 | 0.9479 |
(4)编码解码
将步骤(3)中的预测值与实际值对比,得到误差值,完成混沌脑电信号的编码,如图4所示。根据编码后的数据,按照常规方法进行解码。
实施例2
以在PHYSIOBANK ATM脑电数据库中选取1200帧的混沌脑电信号为例,基于代理模型Volterra建模的脑电信号编码解码方法步骤如下:
(1)对输入的混沌脑电信号进行预处理
该步骤与实施例1相同。
(2)用Volterra建模方法构建预测模型
该步骤与实施例1相同。
(3)确定混沌脑电信号预测模型并预测脑电信号
将步骤(1)中分析帧的混沌脑电信号用教与学优化方法确定混沌脑电信号所对应的延迟时间τ、记忆长度m、模型的核h1(i)、模型的核h2(i,j)。
上述的教与学优化方法为:
教阶段:按(3)式进行教学
Xnew,i=Xold,i+Difference_mean (3)
Difference_mean=ri(Xteacher-TFMean) (4)
式中Xnew,i是学生学习后的值,Xold,i是学生学习前的值;Mean是所有学生的平均值,为0.568,Xteacher是教师教学的值,取值为0.5;ri是学习步长,取值为[0,1],i代表班级中第i个学生,i为1~8的整数,TF是教学因子,由(5)式确定:
TF=round[1+rand(0,1)] (5)
教学结束,学生学习值进行更新,采用Rastrigin函数对学习值评估,如果学习后的值大于学习前的值,将Xnew,i赋值于Xold,i。
学阶段:学阶段按(6)式进行学习
式中f(X)为Rastrigin函数,执行教与学阶段的迭代,迭代次数为1500时,终止迭代,输出最优值Xnew,i。
采用代理模型的径向基神经网络作为近似适应度函数,近似适应度函数为:
式中k(||x-ci||)为所使用的核函数,ai为所要评估的值,ci为径向基神经网络的中心点,选择延迟时间τ、记忆长度m、模型的核h1(i)以及h2(i,j),采用预测值与实际值之间的均方误差作为原始适应度函数,采用贪婪选择方法,得到延迟时间τ为4、记忆长度m为8、模型的核h1(i)以及h2(i,j),代入上述式(1),完成混沌脑电信号的预测。
其它步骤与实施例1相同。
实施例3
以在PHYSIOBANK ATM脑电数据库中选取1200帧的混沌脑电信号为例,基于代理模型Volterra建模的脑电信号编码解码方法步骤如下:
(1)对输入的混沌脑电信号进行预处理
该步骤与实施例1相同。
(2)用Volterra建模方法构建预测模型
该步骤与实施例1相同。
(3)确定混沌脑电信号预测模型并预测脑电信号
将步骤(1)中分析帧的混沌脑电信号用教与学优化方法确定混沌脑电信号所对应的延迟时间τ、记忆长度m、模型的核h1(i)、模型的核h2(i,j)。
上述的教与学优化方法为:
教阶段:按(3)式进行教学
Xnew,i=Xold,i+Difference_mean (3)
Difference_mean=ri(Xteacher-TFMean) (4)
式中Xnew,i是学生学习后的值,Xold,i是学生学习前的值;Mean是所有学生的平均值,为0.568,Xteacher是教师教学的值,取值为1;ri是学习步长,取值为[0,1],i代表班级中第i个学生,i为1~8的整数,TF是教学因子,由(5)式确定:
TF=round[1+rand(0,1)] (5)
教学结束,学生学习值进行更新,采用Rastrigin函数对学习值评估,如果学习后的值大于学习前的值,将Xnew,i赋值于Xold,i。
学阶段:学阶段按(6)式进行学习
式中f(X)为Rastrigin函数,执行教与学阶段的迭代,迭代次数为1500时,终止迭代,输出最优值Xnew,i。
采用代理模型的径向基神经网络作为近似适应度函数,近似适应度函数为:
式中k(||x-ci||)为所使用的核函数,ai为所要评估的值,ci为径向基神经网络的中心点,选择延迟时间τ、记忆长度m、模型的核h1(i)以及h2(i,j),采用预测值与实际值之间的均方误差作为原始适应度函数,采用贪婪选择方法,得到延迟时间τ为12、记忆长度m为16、模型的核h1(i)以及h2(i,j),代入上述式(1),完成混沌脑电信号的预测。
其它步骤与实施例1相同。
Claims (1)
1.一种基于代理模型Volterra建模的脑电信号编码解码方法,其特征在于由以下步骤组成:
(1)对输入的混沌脑电信号进行预处理
对输入的混沌脑电信号样本采用0.53-40Hz带通滤波器进行去噪处理,得到去噪后的帧,选择连续的帧作为分析帧;
(2)用Volterra建模方法构建预测模型
将步骤(1)的分析帧,按式(2)建立混沌脑电信号预测模型:
式中u(n-iτ)为输入的分析帧信号,m是混沌时间序列预测模型的记忆长度为有限的正整数,h1(i)和h2(i,j)为模型的核,u(n-iτ)为对应分析帧的第n-iτ个样本,n-iτ为步骤(1)中分析帧的样本序号,u(n-jτ)为对应的分析帧的第n-jτ个样本,n-jτ为步骤(1)中分析帧的样本序号,τ是延迟时间为有限的正整数,j、n为有限的正整数;
(3)确定混沌脑电信号预测模型并预测脑电信号
将步骤(1)中分析帧的混沌脑电信号用教与学优化方法确定混沌脑电信号所对应的延迟时间τ、记忆长度m、模型的核h1(i)、模型的核h2(i,j),采用代理模型的径向基神经网络作为近似适应度函数,近似适应度函数为:
式中k(||x-ci||)为所使用的核函数,ai为所要评估的值,ci为径向基神经网络的中心点,选择延迟时间τ、记忆长度m、模型的核h1(i)以及h2(i,j)采用预测值与实际值之间的均方误差作为原始适应度函数,采用贪婪选择方法,得到最佳延迟时间τ、记忆长度m、模型的核h1(i)以及h2(i,j),代入上述式(1),完成混沌脑电信号的预测;
所述的教与学优化方法为:
教阶段:按(3)式进行教学
Xnew,i=Xold,i+Difference_mean (3)
Difference_mean=ri(Xteacher-TFMean) (4)
式中Xnew,i是学生学习后的值,Xold,i是学生学习前的值;Mean是所有学生的平均值,Xteacher是教师教学的值;ri是学习步长,取值范围为[0,1],i代表班级中第i个学生,i为1,2,...,n,TF是教学因子,由(5)式确定:
TF=round[1+rand(0,1)] (5)
教学结束,学生学习值进行更新,采用Rastrigin函数对学习值评估,如果学习后的值大于学习前的值,将Xnew,i赋值于Xold,i;
学阶段:学阶段按(6)式进行学习
式中f(X)为Rastrigin函数,执行教与学阶段的迭代,迭代次数为1500时,终止迭代,输出最优值Xnew,i;
所述的步骤延迟时间τ为4~12、记忆长度m为8~16、模型的核h1(i)计算值为-1~1,模型的核h2(i,j)计算为-1~1;Xteacher是教师教学的值为0.5~1;
(4)编码解码
将步骤(3)中的预测值与实际值对比,得到误差值,完成混沌脑电信号的编码,根据编码后的数据,按照常规方法进行解码。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811566452.0A CN109745044B (zh) | 2018-12-19 | 2018-12-19 | 基于代理模型Volterra建模的脑电信号编码解码方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811566452.0A CN109745044B (zh) | 2018-12-19 | 2018-12-19 | 基于代理模型Volterra建模的脑电信号编码解码方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109745044A CN109745044A (zh) | 2019-05-14 |
CN109745044B true CN109745044B (zh) | 2022-02-22 |
Family
ID=66403766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811566452.0A Expired - Fee Related CN109745044B (zh) | 2018-12-19 | 2018-12-19 | 基于代理模型Volterra建模的脑电信号编码解码方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109745044B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1999032989A1 (en) * | 1997-12-19 | 1999-07-01 | Medical Research Council | Method and apparatus for obtaining evoked otoacoustic emissions |
CN102654793A (zh) * | 2012-01-16 | 2012-09-05 | 中国人民解放军国防科学技术大学 | 基于双模校验机制的脑电驱动高可靠操控系统 |
CN108417220A (zh) * | 2018-02-11 | 2018-08-17 | 陕西师范大学 | 基于代理模型Volterra建模的语音信号编码和解码方法 |
CN108803330A (zh) * | 2018-06-20 | 2018-11-13 | 南京航空航天大学 | 一种基于性格系数调节的教与学优化滑模控制方法 |
CN108830248A (zh) * | 2018-06-25 | 2018-11-16 | 中南大学 | 一种行人局部特征大数据混合提取方法 |
-
2018
- 2018-12-19 CN CN201811566452.0A patent/CN109745044B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1999032989A1 (en) * | 1997-12-19 | 1999-07-01 | Medical Research Council | Method and apparatus for obtaining evoked otoacoustic emissions |
CN102654793A (zh) * | 2012-01-16 | 2012-09-05 | 中国人民解放军国防科学技术大学 | 基于双模校验机制的脑电驱动高可靠操控系统 |
CN108417220A (zh) * | 2018-02-11 | 2018-08-17 | 陕西师范大学 | 基于代理模型Volterra建模的语音信号编码和解码方法 |
CN108803330A (zh) * | 2018-06-20 | 2018-11-13 | 南京航空航天大学 | 一种基于性格系数调节的教与学优化滑模控制方法 |
CN108830248A (zh) * | 2018-06-25 | 2018-11-16 | 中南大学 | 一种行人局部特征大数据混合提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109745044A (zh) | 2019-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104869126B (zh) | 一种网络入侵异常检测方法 | |
CN112508243B (zh) | 电力信息系统多故障预测网络模型的训练方法及装置 | |
CN109840595B (zh) | 一种基于群体学习行为特征的知识追踪方法 | |
CN110414442B (zh) | 一种压力时序数据分段特征值预测方法 | |
CN110111266B (zh) | 一种基于深度学习去噪的近似信息传递算法改进方法 | |
CN112651360B (zh) | 一种小样本下骨架动作识别方法 | |
CN111564179A (zh) | 一种基于三元组神经网络的物种生物学分类方法及系统 | |
CN115510963A (zh) | 一种增量式设备故障诊断方法 | |
CN113377964A (zh) | 知识图谱链接预测方法、装置、设备及存储介质 | |
CN114625881A (zh) | 一种基于图注意力机制的经济领域知识图谱补全算法 | |
CN112182257A (zh) | 一种基于神经网络的人工智能数据清洗方法 | |
CN109745044B (zh) | 基于代理模型Volterra建模的脑电信号编码解码方法 | |
CN111709488A (zh) | 一种动态标签深度学习算法 | |
CN110634574A (zh) | 一种基于等值排列的心率动态时间不可逆性分析方法 | |
CN116561664A (zh) | 基于tcn网络的雷达辐射源脉间调制模式识别方法 | |
CN114925699B (zh) | 一种基于风格变换的高迁移性对抗文本生成方法 | |
CN116527346A (zh) | 基于深度学习图神经网络理论的威胁节点感知方法 | |
CN110569966A (zh) | 一种数据处理方法、装置及电子设备 | |
CN110852451B (zh) | 基于核函数的递归核自适应滤波方法 | |
CN114841021A (zh) | 数字孪生模型的修正方法、装置、电子设备和存储介质 | |
CN113435321A (zh) | 一种主轴轴承状态评估方法、系统、设备及可读存储介质 | |
Abbas et al. | Volterra system identification using adaptive genetic algorithms | |
CN114492112A (zh) | 基于采样分位数回归的卫星框架结构可靠性分析方法 | |
CN115204381A (zh) | 弱监督模型训练方法及装置、电子设备 | |
CN110889396A (zh) | 能源互联网扰动分类方法、装置、电子设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220222 |