CN111603161A - 一种脑电分类方法 - Google Patents

一种脑电分类方法 Download PDF

Info

Publication number
CN111603161A
CN111603161A CN202010466657.2A CN202010466657A CN111603161A CN 111603161 A CN111603161 A CN 111603161A CN 202010466657 A CN202010466657 A CN 202010466657A CN 111603161 A CN111603161 A CN 111603161A
Authority
CN
China
Prior art keywords
electroencephalogram
classification
algorithm
model
catboost
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
CN202010466657.2A
Other languages
English (en)
Inventor
张跃春
丁衍
曾瑜
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.)
Suzhou Xiaolan Medical Technology Co ltd
Original Assignee
Suzhou Xiaolan Medical Technology Co ltd
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 Suzhou Xiaolan Medical Technology Co ltd filed Critical Suzhou Xiaolan Medical Technology Co ltd
Priority to CN202010466657.2A priority Critical patent/CN111603161A/zh
Publication of CN111603161A publication Critical patent/CN111603161A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
    • A61B2576/026—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the brain

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Physiology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Psychiatry (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Power Engineering (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种脑电分类方法，包括如下步骤：S1：对脑电数据进行分析处理，获得特征值；S2：建立catboost分类模型，使用优化算法对catboost分类模型进行优化，得到最优模型；S3：将得到的特征值带入到最优模型中进行分类。本发明利用优化算法改进了catboost算法，解决了现有脑电信号分类方法中的分类准确率和效率低的问题，为脑电信号技术的实现和发展提供有力的技术支持。

Description

一种脑电分类方法
技术领域
本发明涉及脑电数据分类识别技术领域，具体地是涉及一种脑电分类方法。
背景技术
脑部疾病如癫痫和惊厥会导致是短暂和意外的脑电紊乱，严重影响人类健康。脑电信号是非线性、非平稳的时序信号，可通过头皮上电极的传感器检测，这些信号是神经元膜电位非常丰富的外部表现。准确评估、术前评估、脑部疾病预防以及紧急警报都依赖于脑电的快速检测。医生可通过监测脑电信号评估大脑的状态，但是由于大量的脑电图数据和不同神经学专家的临床判断标准不同，诊断可能不准确。因此开发高效的数学模型来辅助医生做出判断十分紧迫，具有重要的实际意义。
在医疗领域，数据质量差和数据量低是常态。同时，当给出诊断结果时，有必要提供合理的解释，因此通过海量数据进行分析是不现实的。我们需要预测结果尽可能稳定，并且不要追求当前数据集的极值，因为当前数据集的极值通常都会发生过拟合。现有的脑电分类方法有支持向量机，随机森林，AdBoost等，这些算法分类准确率都不高。
因此，本发明的发明人亟需构思一种新技术以改善其问题。
发明内容
本发明旨在提供一种脑电分类方法，其可以解决现有脑电信号分类方法中的分类准确率和效率低的问题。
为解决上述技术问题，本发明的技术方案是：
一种脑电分类方法，包括如下步骤：
S1：对脑电数据进行分析处理，获得特征值；
S2：建立catboost分类模型，使用优化算法对catboost分类模型进行优化，得到最优模型；
S3：将得到的特征值带入到最优模型中进行分类。
优选地，所述步骤S2中的优化算法为灰狼优化算法，通过灰狼优化算法对catboost分类模型中的模型参数进行智能寻优，获取最优参数。
优选地，所述优化算法具体包括如下步骤：
ST1：初始化catboost算法的模型参数的取值范围，并设置相关数据，该相关数据包括但不限于狼群数量N以及最大迭代次数G；
ST2：根据之前设置的狼群数量，随机生成灰狼群，每个灰狼个体代表一个可行解；
ST3：根据适应度值更新狼群位置，最终保留适应度值最优的个体；
ST4：当迭代次数大于G时，训练结束，输出最优解，即为catboost算法中的最优参数。
优选地，所述步骤S2中通过Categorical features算法和Ordered boosting算法建立catboost分类模型。
优选地，所述步骤S1具体包括：
S11：对脑电数据进行预处理去除噪声，得到有效的脑电信号；
S12：对预处理后的脑电信号进行特征提取，得到特征值。
优选地，所述步骤S11具体包括：
S111：对脑电信号进行工频干扰去除，得到初始滤波信号；
S112：对初始滤波信号进行伪迹消除，消除眼电和肌电的干扰，得到滤干扰信号；
S113：对滤干扰信号进行去除基线漂移处理；
S114：对消除基线漂移的信号进行滤波，得到有效的脑电信号。
优选地，所述步骤S12对脑电信号进行特征提取方法包括但不限于基于时频域分析的脑电特征提取方法。
优选地，所述步骤S12中基于时频域分析的脑电特征提取方法包括但不限于离散小波变换、共空间模式和经验模态分解。
优选地，所述模型参数包括但不限于迭代次数、学习率和树的深度。
采用上述技术方案，本发明至少包括如下有益效果：
本发明所述的脑电分类方法，利用优化算法改进了catboost算法，解决了现有脑电信号分类方法中的分类准确率和效率低的问题，为脑电信号技术的实现和发展提供有力的技术支持。
附图说明
图1为本发明所述的脑电分类方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，为符合本发明的一种脑电分类方法，包括如下步骤：
S1：对脑电数据进行分析处理，获得特征值；
S2：建立catboost分类模型，使用优化算法对catboost分类模型进行优化，得到最优模型；
S3：将得到的特征值带入到最优模型中进行分类。
优选地，所述步骤S2中的优化算法为灰狼优化算法，通过灰狼优化算法对catboost分类模型中的模型参数进行智能寻优，获取最优参数。
优选地，所述优化算法具体包括如下步骤：
ST1：初始化catboost算法的模型参数的取值范围，并设置相关数据，该相关数据包括但不限于狼群数量N以及最大迭代次数G；
ST2：根据之前设置的狼群数量，随机生成灰狼群，每个灰狼个体代表一个可行解；
ST3：根据适应度值更新狼群位置，最终保留适应度值最优的个体；
ST4：当迭代次数大于G时，训练结束，输出最优解，即为catboost算法中的最优参数。
优选地，所述步骤S2中通过Categorical features算法和Ordered boosting算法建立catboost分类模型。
优选地，所述步骤S1具体包括：
S11：对脑电数据进行预处理去除噪声，得到有效的脑电信号；
S12：对预处理后的脑电信号进行特征提取，得到特征值。
优选地，所述步骤S11具体包括：
S111：对脑电信号进行工频干扰去除，得到初始滤波信号；
S112：对初始滤波信号进行伪迹消除，消除眼电和肌电的干扰，得到滤干扰信号；
S113：对滤干扰信号进行去除基线漂移处理；
S114：对消除基线漂移的信号进行滤波，得到有效的脑电信号。
优选地，所述步骤S12对脑电信号进行特征提取方法包括但不限于基于时频域分析的脑电特征提取方法。
优选地，所述步骤S12中基于时频域分析的脑电特征提取方法包括但不限于离散小波变换、共空间模式和经验模态分解。
优选地，所述模型参数包括但不限于迭代次数、学习率和树的深度。
本实施例中，CatBoost是一种支持类别特征及字符串类型特征，基于梯度提升树的机器学习框架。梯度提升是一种强大的机器学习技术，是解决具有异构特征、噪声数据和复杂依赖关系的问题的主要方法。CatBoost中的梯度提升实现使用决策树作为基本预测因子。决策树适用于处理数值特征，但在实际应用中，许多数据集包括分类特征，类别特征是离散的值的特征，这对于预测也很重要。CatBoost能够在训练过程中处理分类特征；在为当前树构造新的分割点时CatBoost会使用贪婪策略来考虑组合以提高分类准确度；另外该算法克服梯度偏可以有效避免过拟合。
CatBoost算法主要提出了两种关键的方法，一个是用于处理分类特征的算法，另一个是排序提升算法—Ordered boosting。
(1)Categorical features分类特征
通常在建模前，我们需要对分类特征进行处理，常用的方法有标签编码、独热编码等，而CatBoost算法可以直接使用分类特征进行建模，它使用有关分类特征及分类和数字特征组合的各种统计数据,将分类特征值转换为数字,不需要任何明确的预处理就可以将类别转换为数字。具体处理方法如下所示：
1.对输入的样本集合随机排序，并生成多组随机排列；
2.给定一个序列，针对每个例子，对于相同类别的例子计算其平均样本值；
3.将所有的分类特征值根据以下公式转化为数值结果。
记σ＝(σ1，…，σn)为一个排列，则
Figure BDA0002512874690000052
可以代替为：
Figure BDA0002512874690000051
其中P是先验项，a是大于0的权重系数。
(2)Ordered Boosting(排序提升算法)
传统的GBDT(GradientBoostingDecisionTree，梯度提升迭代决策树)在每次迭代时，针对同一个数据集计算损失函数对于目前模型的梯度，然后基于此梯度进行训练得到基学习器，但是这种方法会使逐点梯度产生估计偏差，最终导致模型过拟合，CatBoost算法提出使用Ordered boosting方法改变传统算法中的梯度估计方式，从而得到梯度的无偏估计，降低估计偏差的影响，提高模型泛化能力。
CatBoost算法首先对所有的数据进行随机排列，然后在计算第i步残差时候的模型只利用了随机排列中前i-1个样本。通过对每个样本xi训练一个单独的模型Mi，然后使用模型Mi对样本的梯度进行估计，最后使用此梯度训练基学习器学得最终模型。
catboost算法中，迭代次数(iterations)、学习率(learning_rate)和树的深度(depth)参数的选取尤为关键，因此使用优化算法选取最优的参数。优化算法步骤如下：
在灰狼优化算法的数学模型中，最优解称为α。相应地，第二和第三优解分别称为β和δ，其余的解称为ω。捕猎行为由α、β和δ主导，ω跟随上述三个阶层。
狼群为了捕杀猎物会首先包围目标，可按照以下数学模型对狼群的包围行为进行建模：
D＝|C·Xp(t)-X(t)|
X(t+1)＝Xp(t)＝A·D
A＝2ar1-a
C＝2·r2
Figure BDA0002512874690000061
式中：A和C表示系数矢量；t为当前的迭代次数，是一个从0到Max_iter之间的一个整数；XP代表猎物的位置矢量；X代表灰狼的位置矢量；a从2线性递减到0；r1和r2是[0,1]中的随机矢量。
捕猎行为一般由α指挥，β和δ偶尔也会参与到捕猎行动中。为了对灰狼群的捕猎行为进行数学仿真，假设α(候选最优解)、β和δ已掌握了潜在猎物位置的先验知识。算法首先确定当前狼群最优解中的前三名，之后强制其他成员向占据最优位置的成员移动、更新自己的位置。该阶段狼群位置更新表达式为：
Figure BDA0002512874690000071
Figure BDA0002512874690000072
Figure BDA0002512874690000073
式中：Dα，Dβ，Dδ为其他灰狼与α，β，δ的距离；X(t+1)为更新后灰狼的位置。
灰狼在攻击猎物时，通过不断减小参数a，A也在范围[-2a,2a]取任意值。当|A|≤1时，狼群则集中攻击猎物，当|A|>1时，灰狼则抛弃此猎物寻找其他的猎物即局部最优解。
本实施例采用GWO(Grey wolf optimization algorithm，灰狼优化算法)对catboost中的迭代次数(iterations)、学习率(learning_rate)和树的深度(depth)智能寻优，以期获得最优iterations、learning_rate和depth。
具体寻优过程如下：
(1)初始化catboost算法的参数iterations、learning_rate和depth的取值范围，并设置GWO的相关参数(狼群数量N以及最大迭代次数G)。其中，c和g的取值范围均为0.01～100，N取值为30，G取值为500；
(2)根据之前设置的狼群数量，随机生成灰狼群，每个灰狼个体代表一个可行解(iterations、learning_rate和depth；
(3)GWO根据适应度值更新狼群位置，最终保留适应度值最优的个体；
(4)当迭代次数大于G时，训练结束，输出最优解，即为catboost算法中iterations、learning_rate和depth的最优值。
所述步骤S3中将得到的特征值带入到最优模型中进行分类，具体可以采取:
1.将catboost算法中iterations、learning_rate和depth参数的值设置为最优值，从而得到最优模型；
2.将提取出的脑电特征值作为输入数据输入到catboost最优模型中进行分类；
3.得到脑电的分类结果。
另外本实施例中基于时频域分析的脑电特征提取包括离散小波变换、共空间模式和经验模态分解。具体过程如下：
(1)离散小波变换
离散小波变换采用子带分解算法实现多分辨率分析，将信号分解成近似信息和细节信息。选择母小波为db4、分解层数为5层，进行脑电数据的离散小波变换，得到近似系数A5和细节系数D1-D5，并对各成分系数进行逆小波变换重构得到不同频带的脑电信号。分别对重构的各频带脑电信号求取绝对均值、平均功率以及标准差作为提取的脑电特征。
(2)共空间模式(CSP)
基本原理是对两个协方差矩阵同时对角化，并提取两种任务的空间成分，构建两类空间滤波器，使两类差异最大化。实现步骤如下：
分别计算两类信号的协方差矩阵：
Figure BDA0002512874690000081
其中，Ei表示数据矩阵，
Figure BDA0002512874690000082
为迹，表示矩阵对角线元素之和。
计算每一类的平均协方差矩阵
Figure BDA0002512874690000083
以构成混合空间的复合协方差矩阵。两类平均协方差矩阵之和为：
Figure BDA0002512874690000084
对
Figure BDA0002512874690000091
进行特征值分解，即
Figure BDA0002512874690000092
其中入为特征值对角线矩阵，U为对应的特征向量矩阵。
进行白化处理，构建白化矩阵P：
Figure BDA0002512874690000093
利用P使得Ci变成如下形式：
Figure BDA0002512874690000094
由于S1和S2具有相同的特征向量，再次特征值分解，得到：
S1＝Bλ1BT，S2＝Bλ2BT
其中，B为两者共同的特征向量，且λ1+λ2＝I(工为单位矩阵)，也就是当其中一类特征值最大时，另一类特征值必为最小。
按照特征值大小将对应特征向量从大到小排序，取前m个特征向量组成矩阵B1，其余为B2，则构成一对空间滤波器W＝[W1，W2]，分别为：
W1＝(B1 TP)T，W2＝(B2 TP)T
利用它对EEG矩阵Ei滤波，则Ei被变换为Zi＝Wi×Ei
将Zi作如下运算作为特征值：
Figure BDA0002512874690000095
其中，P＝1，2…，2m(2m＜n)。将所有fP构成最终特征值矩阵F＝{f1，f2…，f2m}，即为一组脑电特征。
(3)经验模态分解(EMD)
1.确定x(t)的所有局部极值点，用三次样条插值函数进行拟合，由局部极大值和极小值点分别形成x(t)的上包络线m+(t)和下包络线m-(t)，并计算两包络线的均值为：
Figure BDA0002512874690000096
2.用x(t)减去均值
Figure BDA0002512874690000101
得到的差值即信号分量h1(t)。判断h1(t)是否满足IMF的两个条件，若满足，则h1(t)可作为第一阶IMF分量c1(t)；若不满足，则以h1(t)代替x(t)重复上述步骤，直至满足条件为止，获得c1(t)。
3.计算x(t)减去c1(t)后的残差r1(t)，将r1(t)作为新序列，重复步骤(1)和步骤(2)，可依此得到第二阶、第三阶IMF分量等，即c2(t)，c3(t)，…，cn(t)，直至rn(t)为单调函数且无法继续从中提取分量，分解则结束。此时，可将x(t)表示为所有IMF分量和残差之和，即：
Figure BDA0002512874690000102
其中，n为得到的IMF个数。
EEG信号被分解成一系列IMF后，突出了不同时间尺度的局部特征，且随阶数增大所代表的频率逐渐降低。一般分解EEG后的IMF数目为5～8个，但并非所有都包含重要信息，只需选择部分IMF即可。
当然，本实施例中所述步骤S12对预处理后的脑电信号提取还可以基于时域分析和基于熵理论与复杂度的脑电特征得到脑电信号的特征值。
优选地，所述步骤S12中基于时域分析的脑电特征提取包括但不限于提取统计参数和Hjorth参数。
优选地，所述步骤S12中基于熵理论与复杂度的脑电特征提取包括但不限于谱熵、近似熵、模糊熵以及LZ复杂度。
(1)统计参数
对一段时间序列求取最小值(Minimum value，MinV)、最大值(Maximum va]ue，MaxV)、算数平均值(Arithmetic mean，AM)、中值(Median)、标准差(Standarddeviation，SD)、偏度(Skewness)，峰度(Kurtosis)7种特征，构成脑电特征数据集。
偏度和峰度的计算公式如下：
Figure BDA0002512874690000111
Figure BDA0002512874690000112
其中，μ和σ分别是时间序列xn的均值和标准差。αi是时间序列xn的第i个特征。
(2)Hjorth参数
Hjorth参数由三个描述符组成，分别为活动性(Activity)，移动性(Mobility)和复杂性(Complexity)。计算公式如下：
Figure BDA0002512874690000113
Mobility＝σ1/σ0
Figure BDA0002512874690000114
其中，σ0，σ1，σ2分别代表时间序列xn的标准差，时间序列xn一阶导数
Figure BDA0002512874690000117
的标准差和时间序列xn二阶导数
Figure BDA0002512874690000115
的标准差。
(3)谱熵(Spectral Entropy，SEn)
谱熵利用给定信号的功率谱的幅值分量作为熵的计算概率，定义如下：
Figure BDA0002512874690000116
其中，Pj＝Sj/S，S为总的谱功率，Sj为各频率下的幅值分量。
(4)近似熵(ApproximateEntropy，ApEn)
近似熵算法的计算步骤如下：
1.设时间序列{X(n)＝Xi，i＝1，…，N}，N为数据长度
2.将时间序列嵌入到一个m维空间中得：
X(i)＝[x(i)，x(i+1)，…，x(i+m-1)]
其中i的取值范围为[1：N-m+1]。
3.定义任意两个元素X(i)，X(j)间的距离为d[X(i)，X(j)]，其代表两者对应元素中差值最大的一个，即：
d[X(i)，X(i)]＝maxk＝0～m-1[|x(i+k)-x(j+k)|]
此时X(i)，X(j)中其他元素间的差值都小于d。对每一个i值，计算X(i)与X(j)(j＝1～N-m+1，且j≠i)间的距离d[X(i)，X(j)]。
4.给定阈值r，对每一个i值统计d[X(i)，X(j)]小于r的数目，计算此数目与距离总数N-m的比值记作
Figure BDA0002512874690000121
可得：
Figure BDA0002512874690000122
5.对
Figure BDA0002512874690000123
取对数，再求其平均值，记作
Figure BDA0002512874690000124
6.维数加1，变为m+1，重复以上步骤求m+1维空间的值，此时得到
Figure BDA0002512874690000125
和
Figure BDA0002512874690000126
7.则序列X(n)的近似熵值可表示为：
Figure BDA0002512874690000127
其中，公式中的表示序列的嵌入维数，即序列选取的的固有模式长度；r表示相似的容限，即判别时间序列与固有模式匹配度的阈值；N为时间序列的总长度。
(5)模糊熵(Fuzzy Entropy，FuzzyEn)
步骤如下：
1.设原始数据为{x(i)，1≤i≤N}
2.相空间中构建一组m维矢量，即
Figure BDA0002512874690000131
其中，i＝1，2，…，N-m+1，x0(i)为m维数据的平均值，即
Figure BDA0002512874690000132
3.使用模糊隶属函数
Figure BDA0002512874690000133
其中，r为相似容限度。
对于i＝1，2，…，N-m+1，计算
Figure BDA0002512874690000134
且j≠i
其中，
Figure BDA0002512874690000135
为窗口向量X(i)和X(j)之间的最大距离。
4.针对每个i，求其平均值，得到
Figure BDA0002512874690000136
5.原时间序列的模糊熵(FuzzyEn)为
Figure BDA0002512874690000137
其中，
Figure BDA0002512874690000138
6.针对有限数据集，模糊熵估计为FuzzyEn(m，r，N)＝lnΦm(r)-lnΦm+1(r)
(6)LZ复杂度(LZ-complexity，LZC)。
1.对时间序列x(n)二值化处理得到字符串。构造字符串S(S1，S2，…，Sn)和Q(q1，q2，…，qn)，SQ表示S和Q是级联的，即SQ＝(S1，S2，…，Sn，q1，q2，…，qn)。令SQv为SQ删除最后一个字符所得。
2.判断Q是否为SQv的一个子串，如果是，说明Q中的字符是可从S复制，把S的下一个字符级联到Q；如果不是，则表示Q是插入字符，把Q级联到S＝SQ，重新构造Q。
3.重复以上过程，直到Q取待序列的最后一位。每次Q级联到S，表明出现一种新模式，用c表示一个字符串中新模式的数量。
根据公式b(n)＝n/log2(n)计算b(n)，最终根据公式LZC＝c(n)/b(n)计算得到LZ复杂度。
本发明所述的脑电分类方法，利用优化算法改进了catboost算法，解决了现有脑电信号分类方法中的分类准确率和效率低的问题，为脑电信号技术的实现和发展提供有力的技术支持。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种脑电分类方法，其特征在于，包括如下步骤：
S1：对脑电数据进行分析处理，获得特征值；
S2：建立catboost分类模型，使用优化算法对catboost分类模型进行优化，得到最优模型；
S3：将得到的特征值带入到最优模型中进行分类。
2.如权利要求1所述的脑电分类方法，其特征在于：所述步骤S2中的优化算法为灰狼优化算法，通过灰狼优化算法对catboost分类模型中的模型参数进行智能寻优，获取最优参数。
3.如权利要求2所述的脑电分类方法，其特征在于，所述优化算法具体包括如下步骤：
ST1：初始化catboost算法的模型参数的取值范围，并设置相关数据，该相关数据包括但不限于狼群数量N以及最大迭代次数G；
ST2：根据之前设置的狼群数量，随机生成灰狼群，每个灰狼个体代表一个可行解；
ST3：根据适应度值更新狼群位置，最终保留适应度值最优的个体；
ST4：当迭代次数大于G时，训练结束，输出最优解，即为catboost算法中的最优参数。
4.如权利要求1-3任一所述的脑电分类方法，其特征在于：所述步骤S2中通过Categorical features算法和Ordered boosting算法建立catboost分类模型。
5.如权利要求1-4任一所述的脑电分类方法，其特征在于，所述步骤S1具体包括：
S11：对脑电数据进行预处理去除噪声，得到有效的脑电信号；
S12：对预处理后的脑电信号进行特征提取，得到特征值。
6.如权利要求5所述的脑电分类方法，其特征在于，所述步骤S11具体包括：
S111：对脑电信号进行工频干扰去除，得到初始滤波信号；
S112：对初始滤波信号进行伪迹消除，消除眼电和肌电的干扰，得到滤干扰信号；
S113：对滤干扰信号进行去除基线漂移处理；
S114：对消除基线漂移的信号进行滤波，得到有效的脑电信号。
7.如权利要求5所述的脑电分类方法，其特征在于：所述步骤S12对脑电信号进行特征提取方法包括但不限于基于时频域分析的脑电特征提取方法。
8.如权利要求7所述的脑电分类方法，其特征在于：所述步骤S12中基于时频域分析的脑电特征提取方法包括但不限于离散小波变换、共空间模式和经验模态分解。
9.如权利要求2所述的脑电分类方法，其特征在于：所述模型参数包括但不限于迭代次数、学习率和树的深度。
CN202010466657.2A 2020-05-28 2020-05-28 一种脑电分类方法 Pending CN111603161A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010466657.2A CN111603161A (zh) 2020-05-28 2020-05-28 一种脑电分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010466657.2A CN111603161A (zh) 2020-05-28 2020-05-28 一种脑电分类方法

Publications (1)

Publication Number Publication Date
CN111603161A true CN111603161A (zh) 2020-09-01

Family

ID=72196466

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010466657.2A Pending CN111603161A (zh) 2020-05-28 2020-05-28 一种脑电分类方法

Country Status (1)

Country Link
CN (1) CN111603161A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115713249A (zh) * 2022-10-10 2023-02-24 重庆移通学院 基于数据安全与隐私保护的政务满意度评价系统及方法
WO2023116263A1 (zh) * 2021-12-24 2023-06-29 南京邮电大学 一种基于脑电图的眨眼咬牙判断方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105930864A (zh) * 2016-04-15 2016-09-07 杭州电子科技大学 一种基于abc-svm的脑电信号特征分类方法
CN108520272A (zh) * 2018-03-22 2018-09-11 江南大学 一种改进苍狼算法的半监督入侵检测方法
CN109816000A (zh) * 2019-01-09 2019-05-28 浙江工业大学 一种新的特征选择与参数优化方法
CN110120265A (zh) * 2019-04-29 2019-08-13 天津大学 基于多维特征和模型融合的提高预测血尿酸精度的方法
CN110132596A (zh) * 2019-04-24 2019-08-16 昆明理工大学 一种基于小波包和gwo-svm的滚动轴承故障诊断的方法
CN110123367A (zh) * 2019-04-04 2019-08-16 平安科技（深圳）有限公司 计算机设备、心音识别装置、方法、模型训练装置及存储介质
CN110246577A (zh) * 2019-05-31 2019-09-17 深圳江行联加智能科技有限公司 一种基于人工智能辅助妊娠期糖尿病遗传风险预测的方法
WO2019183612A1 (en) * 2018-03-23 2019-09-26 Koniku Inc. Methods of predicting emotional response to sensory stimuli based on individual traits
CN110333462A (zh) * 2019-08-08 2019-10-15 首都师范大学 一种在随机放电环境下基于dgwo-elm的锂离子电池寿命预测方法
CN110432898A (zh) * 2019-07-04 2019-11-12 北京大学 一种基于非线性动力学特征的癫痫发作脑电信号分类系统
CN110890137A (zh) * 2019-11-18 2020-03-17 上海尔云信息科技有限公司 一种化合物毒性预测模型建模方法、装置及其应用

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105930864A (zh) * 2016-04-15 2016-09-07 杭州电子科技大学 一种基于abc-svm的脑电信号特征分类方法
CN108520272A (zh) * 2018-03-22 2018-09-11 江南大学 一种改进苍狼算法的半监督入侵检测方法
WO2019183612A1 (en) * 2018-03-23 2019-09-26 Koniku Inc. Methods of predicting emotional response to sensory stimuli based on individual traits
US20210256542A1 (en) * 2018-03-23 2021-08-19 Koniku Inc. Methods of predicting emotional response to sensory stimuli based on individual traits
CN109816000A (zh) * 2019-01-09 2019-05-28 浙江工业大学 一种新的特征选择与参数优化方法
CN110123367A (zh) * 2019-04-04 2019-08-16 平安科技（深圳）有限公司 计算机设备、心音识别装置、方法、模型训练装置及存储介质
CN110132596A (zh) * 2019-04-24 2019-08-16 昆明理工大学 一种基于小波包和gwo-svm的滚动轴承故障诊断的方法
CN110120265A (zh) * 2019-04-29 2019-08-13 天津大学 基于多维特征和模型融合的提高预测血尿酸精度的方法
CN110246577A (zh) * 2019-05-31 2019-09-17 深圳江行联加智能科技有限公司 一种基于人工智能辅助妊娠期糖尿病遗传风险预测的方法
CN110432898A (zh) * 2019-07-04 2019-11-12 北京大学 一种基于非线性动力学特征的癫痫发作脑电信号分类系统
CN110333462A (zh) * 2019-08-08 2019-10-15 首都师范大学 一种在随机放电环境下基于dgwo-elm的锂离子电池寿命预测方法
CN110890137A (zh) * 2019-11-18 2020-03-17 上海尔云信息科技有限公司 一种化合物毒性预测模型建模方法、装置及其应用

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JOAO M.C.: "Heuristic Active Learning for the Prediction of Epileptic Seizures Using Single EEG channel", 《2018 IEEE INTERNATIONAL CONFERENCE ON BIOINFORMATICS AND BIOMEDICINE》 *
MINGGANG SHAO: "A Wearable Electrocardiogram Telemonitoring System for Atrial Fibrillantion Detection", 《SENSOORS》 *
魏雪: "分段复合多尺度模糊熵和IGWO-SVM的脑电情感识别", 《计算机应用研究》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023116263A1 (zh) * 2021-12-24 2023-06-29 南京邮电大学 一种基于脑电图的眨眼咬牙判断方法及系统
CN115713249A (zh) * 2022-10-10 2023-02-24 重庆移通学院 基于数据安全与隐私保护的政务满意度评价系统及方法
CN115713249B (zh) * 2022-10-10 2023-06-13 重庆移通学院 基于数据安全与隐私保护的政务满意度评价系统及方法

Similar Documents

Publication Publication Date Title
Cichocki et al. Non-negative matrix factorization with α-divergence
CN110367967B (zh) 一种基于数据融合的便携型轻量化人脑状态检测方法
Martis et al. Automated screening of arrhythmia using wavelet based machine learning techniques
CN111310570B (zh) 一种基于vmd和wpd的脑电信号情感识别方法及系统
Majumdar et al. Robust greedy deep dictionary learning for ECG arrhythmia classification
Upadhyay et al. A comparative study of feature ranking techniques for epileptic seizure detection using wavelet transform
Şen et al. Novel approaches for automated epileptic diagnosis using FCBF selection and classification algorithms
CN111214226A (zh) 一种脑电特征提取和选择方法
CN111603161A (zh) 一种脑电分类方法
CN111460951A (zh) 一种基于深度学习的心电信号自动分析方法
CN117009780A (zh) 一种基于对比学习的时空频域有效通道注意力运动想象脑电解码方法
Andrysiak Machine learning techniques applied to data analysis and anomaly detection in ECG signals
Kong et al. Use of modified sample entropy measurement to classify ventricular tachycardia and fibrillation
Özçelik et al. A comparative analysis of artificial intelligence optimization algorithms for the selection of entropy-based features in the early detection of epileptic seizures
Übeyli Statistics over features of ECG signals
CN112259228B (zh) 一种动态注意力网络非负矩阵分解的抑郁症筛选方法
CN114091529A (zh) 一种基于生成对抗网络数据增强的脑电情感识别方法
Singhal et al. Gsmd-srst: Group sparse mode decomposition and superlet transform based technique for multi-level classification of cardiac arrhythmia
Gürkan et al. EEG signal compression based on classified signature and envelope vector sets
Rahuja et al. A comparative analysis of deep neural network models using transfer learning for electrocardiogram signal classification
CN115281676B (zh) 基于gru神经网络和ecg信号的疲劳检测方法
Rahman et al. Mental task classification scheme utilizing correlation coefficient extracted from interchannel intrinsic mode function
CN115017960B (zh) 一种基于时空联合mlp网络的脑电信号分类方法及应用
Dao et al. Quantitative comparison of EEG compressed sensing using Gabor and K-SVD dictionaries
Mitrokhin et al. Deep learning approach for QRS wave detection in ECG monitoring

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200901