CN111582050A - 一种基于csp-pso的癫痫脑电信号特征提取方法 - Google Patents
一种基于csp-pso的癫痫脑电信号特征提取方法 Download PDFInfo
- Publication number
- CN111582050A CN111582050A CN202010300070.4A CN202010300070A CN111582050A CN 111582050 A CN111582050 A CN 111582050A CN 202010300070 A CN202010300070 A CN 202010300070A CN 111582050 A CN111582050 A CN 111582050A
- Authority
- CN
- China
- Prior art keywords
- csp
- particles
- feature extraction
- particle
- pso
- 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
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 18
- 239000002245 particle Substances 0.000 claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 230000001037 epileptic effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000002618 waking effect Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 206010015037 epilepsy Diseases 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000510672 Cuminum Species 0.000 description 1
- 235000007129 Cuminum cyminum Nutrition 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种基于CSP‑PSO的癫痫脑电信号特征提取方法，包括下列步骤：第一步，对患者的脑电信号进行采集；第二步，对原始脑电信号进行预处理，以消除噪声、运动伪影、肌电信号的干扰；第三步，CSP滤波器具有上下频带，将PSO算法中粒子个数设为2，这两个粒子分别代表所寻找的上下频带取值，采用粒子群PSO算法优化CSP频带特征提取的方法对纯净的脑电数据进行特征提取。
Description
技术领域
本发明涉及癫痫脑电信号的特征提取方法，属于医学信号与图像处理领域。
背景技术
长时间以来，癫痫疾病一直是医学领域一个棘手的疾病。因为它发病急，难以预防和预测，在临床研究中常常需要花费大量时间进行检测。如何提高癫痫检测的效率，并且提高检测的准确度，是医学信号与图像处理领域一直在孜孜不倦探求的问题。
为了提高准确性和效率，可以在特征提取和模式匹配模块进行一定程度的优化。现有的技术，在提取特征模块，如果单独使用CSP(共空间模式)方法，就会使提取出的特征值缺少时频特性，相应地仅仅采用小波变换等方法，也会使提取出的特征值缺少空域特性，这样会降低检测准确性。
本特征提取方法中采用PSO与CSP相结合的目的就是降低维度，便于接下来的分类。共空间模式(CSP)算法可以将EEG信号放入低维子空间中进行运算，靠的是矩阵映射的运算规则，这样可将不同情况下癫痫脑电信号所具有的空域差异最大化。PSO即粒子群算法，粒子群算法具有全局搜索能力强，可以快速提供全局最优解的特性，经过PSO优化的CSP算法可以避免陷入局部最优的困境中，大大提高了学习效率。
本发明将PSO-CSP算法应用于癫痫脑电信号的特征提取中，可以加快对癫痫疾病的诊断和预测，提高诊断效率。
发明内容
本发明的目的是提供一种效率较高，可以用于信号模式识别的癫痫脑电信号的特征提取方法。技术方案如下：
一种基于CSP-PSO的癫痫脑电信号特征提取方法，包括下列步骤：
第一步，对患者的脑电信号进行采集；
第二步，对原始脑电信号进行预处理，以消除噪声、运动伪影、肌电信号的干扰。
第三步，CSP滤波器具有上下频带fhigh和flow，将PSO算法中粒子个数设为2，这两个粒子分别代表所寻找的上下频带取值，采用粒子群PSO算法优化CSP频带特征提取的方法对纯净的脑电数据进行特征提取，方法如下：
(1)初始化两个粒子Ea和Eb，并初始化它们的速度va和vb。
(2)计算每个粒子自适应度，使用5折交叉验证计算分类正确率Uij，ij在1到5之间，CSP提取特征向量，输入支持向量机分类器，取平均分类正确率为第i个粒子的适应度，
(3)更新粒子最佳位置，实时将每个粒子的位置与Ei做比较，如果优于则保留此时的实时位置，并更新Pi，如果劣于则不保留。
(4)更新全局最优位置Pg：计算第i个粒子在Pi的适应度并与该粒子的全局最优适应度Pg比较，适应度最优的更新为全局Pg值。
(5)更新每个粒子速度与位置vid＝wvid+c1r1(pid-xid)+c2r2(pgd-xid)
xid＝xid+vid
(6)判断截止条件：当进化代数大于最大进化代数，或者当适应度满足收敛精度，则停止迭代，Pg为最优解，否则返回步骤2)，优化后的CSP滤波器拥有新的频带值，即所设定的两个粒子的最佳位置。
本发明采用PSO优化过的CSP算法和小波变换对预处理过的癫痫脑电信号进行预处理和特征提取，即将PSO粒子群算法应用在CSP滤波器频带的选择和频带特征提取这一步骤上。PSO算法中设定的两个粒子分别代表CSP滤波器的上下频带值，在计算中不断更新其自身速度和位置，最终找到的两个粒子各自的最佳位置最优解即为CSP滤波器的上下频带值。将PSO算法应用在频带选取的过程中，提高了全局搜索能力，为提取EEG信号的空域特征提高了效率。
附图说明
图1粒子群优化CSP频带流程图
图2识别结果混淆矩阵图
图3两名患者同一通道下发病状态与清醒状态脑电信号对比
具体实施方式
为使本发明的技术方案更加清楚，下面结合附图对本发明做进一步阐述.。本发明按以下步骤具体实现：
第一步，在脑电信号采集模块，需要对患者的脑电信号进行采集，我们采集了多个癫痫患者在清醒状态下和病情发作状态下的多种脑电波。采样频率为1024hz，每个通道都有2048个采样点，在图中可以看到清醒时脑电信号与发病时癫痫脑电信号随机选取的两个通道信号图。肉眼可以看出两类信号所绘曲线在参数上具有分类特征，这给了我接下来进行分类的思路。
第二步，在预处理模块，对原始脑电信号进行预处理，这一步的目的是消除噪声、运动伪影、肌电信号等的干扰。在这一模块采用到了中值滤波器，低频滤波0.1hz，高频滤波70hz，采用单极性蒙太奇处理，可以最大程度上减少耳部信号对脑电的影响。再加上ICA独立成分分析多次重复去除运动伪影，所得数据无用干扰成分大大减少，便于识别。
第三步，在特征提取模块，对纯净的脑电数据进行特征提取，因为即便去除了大量干扰，得到的脑电数据量仍旧非常庞大，需要提取特征，来实现降低维度的目的。这一步要进行多种特征的提取工作
粒子群PSO算法优化CSP频带特征提取：因为CSP滤波器有上下频带fhigh和flow，因此PSO算法中粒子个数为2，这两个粒子分别代表所寻找的上下频带取值。
1)初始化两个粒子Ea和Eb，并初始化它们的速度va和vb。
2)计算每个粒子自适应度，使用5折交叉验证计算分类正确率Uij，ij在1到5之间，CSP提取特征向量，输入支持向量机分类器，取平均分类正确率为第i个粒子的适应度。
3)更新粒子最佳位置，实时将每个粒子的位置与Ei做比较，如果优于则保留此时的实时位置，并更新Pi，如果劣于则不保留。
4)更新全局最优位置Pg：计算第i个粒子在Pi的适应度并与该粒子的全局最优适应度Pg比较，适应度最优的更新为全局Pg值。
5)更新每个粒子速度与位置vid＝wvid+c1r1(pid-xid)+c2r2(pgd-xid)
xid＝xid+vid
6)截止条件：当进化代数大于最大进化代数，或者当适应度满足收敛精度，则停止迭代，Pg为最优解，否则返回步骤2)。
7)优化后的CSP滤波器拥有新的频带值，即所设定的两个粒子的最佳位置。
第四步，在提取特征后，进行相应的分类识别工作，对识别分类后的信号准确性进行测试，采用混淆矩阵进行直观的观察与分析。如图2所示。
Claims (1)
1.一种基于CSP-PSO的癫痫脑电信号特征提取方法，包括下列步骤：
第一步，对患者的脑电信号进行采集；
第二步，对原始脑电信号进行预处理，以消除噪声、运动伪影、肌电信号的干扰。
第三步，CSP滤波器具有上下频带fhigh和flow，将PSO算法中粒子个数设为2，这两个粒子分别代表所寻找的上下频带取值，采用粒子群PSO算法优化CSP频带特征提取的方法对纯净的脑电数据进行特征提取，方法如下：
(1)初始化两个粒子Ea和Eb，并初始化它们的速度va和vb。
(2)计算每个粒子自适应度，使用5折交叉验证计算分类正确率Uij，ij在1到5之间，CSP提取特征向量，输入支持向量机分类器，取平均分类正确率为第i个粒子的适应度，
(3)更新粒子最佳位置，实时将每个粒子的位置与Ei做比较，如果优于则保留此时的实时位置，并更新Pi，如果劣于则不保留。
(4)更新全局最优位置Pg：计算第i个粒子在Pi的适应度并与该粒子的全局最优适应度Pg比较，适应度最优的更新为全局Pg值。
(5)更新每个粒子速度与位置vid＝wvid+c1r1(pid-xid)+c2r2(pgd-xid)
xid＝xid+vid
(6)判断截止条件：当进化代数大于最大进化代数,或者当适应度满足收敛精度，则停止迭代,Pg为最优解,否则返回步骤2)，优化后的CSP滤波器拥有新的频带值，即所设定的两个粒子的最佳位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010300070.4A CN111582050A (zh) | 2020-04-16 | 2020-04-16 | 一种基于csp-pso的癫痫脑电信号特征提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010300070.4A CN111582050A (zh) | 2020-04-16 | 2020-04-16 | 一种基于csp-pso的癫痫脑电信号特征提取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111582050A true CN111582050A (zh) | 2020-08-25 |
Family
ID=72111589
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010300070.4A Pending CN111582050A (zh) | 2020-04-16 | 2020-04-16 | 一种基于csp-pso的癫痫脑电信号特征提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111582050A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105740887A (zh) * | 2016-01-26 | 2016-07-06 | 杭州电子科技大学 | 一种基于pso-svm的脑电信号特征分类方法 |
| CN108229401A (zh) * | 2018-01-05 | 2018-06-29 | 杭州电子科技大学 | 一种基于afsa-svm的多模态信号分类方法 |
| CN110018739A (zh) * | 2019-03-11 | 2019-07-16 | 中南大学 | 一种基于降维机制的脑电信号特征优选方法 |
| CN110399805A (zh) * | 2019-07-02 | 2019-11-01 | 成都信息工程大学 | 半监督学习优化svm的运动想象脑电信号分类方法 |
-
2020
- 2020-04-16 CN CN202010300070.4A patent/CN111582050A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105740887A (zh) * | 2016-01-26 | 2016-07-06 | 杭州电子科技大学 | 一种基于pso-svm的脑电信号特征分类方法 |
| CN108229401A (zh) * | 2018-01-05 | 2018-06-29 | 杭州电子科技大学 | 一种基于afsa-svm的多模态信号分类方法 |
| CN110018739A (zh) * | 2019-03-11 | 2019-07-16 | 中南大学 | 一种基于降维机制的脑电信号特征优选方法 |
| CN110399805A (zh) * | 2019-07-02 | 2019-11-01 | 成都信息工程大学 | 半监督学习优化svm的运动想象脑电信号分类方法 |
Non-Patent Citations (1)
| Title |
|---|
| 段锁林等: "基于小波⁃共空间模式的脑电信号特征提取", 《现代电子技术》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ozdemir et al. | Epileptic eeg classification by using time-frequency images for deep learning | |
| CN110811609B (zh) | 基于自适应模板匹配与机器学习算法融合的癫痫棘波智能检测装置 | |
| CN108256629B (zh) | 基于卷积网络和自编码的eeg信号无监督特征学习方法 | |
| Mahajan et al. | Classification of EEG using PCA, ICA and Neural Network | |
| CN110840432A (zh) | 基于一维cnn-lstm的多通道脑电图癫痫自动检测装置 | |
| CN112674782B (zh) | 癫痫患者发作间期痫样电活动检测装置和方法 | |
| CN103190904A (zh) | 基于缺项特征的脑电图分类检测装置 | |
| CN108647584B (zh) | 基于稀疏表示和神经网络的心律不齐识别分类方法 | |
| Vijaya Arjunan | ECG signal classification based on statistical features with SVM classification | |
| CN113536882A (zh) | 一种多类运动想象脑电信号特征提取及分类方法 | |
| CN113116361A (zh) | 一种基于单导脑电的睡眠分期方法 | |
| CN114595725B (zh) | 一种基于加法网络和监督对比学习的脑电信号分类方法 | |
| CN107045624B (zh) | 一种基于最大加权团的脑电信号预处理与分类方法 | |
| CN109254654B (zh) | 一种结合PCA和PCANet的驾驶疲劳特征提取方法 | |
| Fathima et al. | Wavelet based features for classification of normal, ictal and interictal EEG signals | |
| CN111990991A (zh) | 一种基于复杂网络的脑电信号分析方法及应用 | |
| CN114861738B (zh) | 一种基于脑电溯源和偶极子选择的运动想象分类方法 | |
| CN111582050A (zh) | 一种基于csp-pso的癫痫脑电信号特征提取方法 | |
| CN113712574B (zh) | 一种脑电生物反馈得康复方法及系统 | |
| CN114532994A (zh) | 一种基于卷积变分自编码器的无监督脑电高频振荡信号自动检测方法 | |
| CN112784686A (zh) | 一种基于连续多变量变分模态分解的自适应信号分析方法 | |
| Abidi et al. | Parallel Implementation on GPU for EEG Artifact Rejection by Combining FastICA and TQWT | |
| CN112270314B (zh) | 棘波识别方法、装置、电子设备及计算机可读存储介质 | |
| CN114266276B (zh) | 一种基于通道注意力和多尺度时域卷积的运动想象脑电信号分类方法 | |
| Duque-Muñoz et al. | Stochastic relevance analysis of epileptic EEG signals for channel selection and classification |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200825 |