CN112426161A - 一种基于领域自适应的时变脑电特征提取方法 - Google Patents

Abstract

本发明公开了一种基于领域自适应的时变脑电特征提取方法，包括：(1)获取待处理脑电数据和训练用脑电数据，划分为若干数据段；将每个数据段划分为若干时间片；(2)对每个时间片提取功率谱、时域方差、时域通道间相关性矩阵、频域通道间相关性矩阵及特征值特征；(3)构建卷积神经网络，其损失函数包括基于交叉熵的脑电状态分类器和领域自适应正则项；(4)利用训练用脑电数据的数据段特征矩阵训练卷积神经网络模型，并利用待处理脑电数据和训练用脑电数据的数据段特征矩阵约束领域自适应正则项；(5)利用训练好卷积神经网络进行待处理脑电数据的特征提取。利用本发明，可以解决脑信号发生变化时特征提取失效的问题。

Description

一种基于领域自适应的时变脑电特征提取方法

技术领域

本发明属于脑电数据分析领域，尤其是涉及一种基于领域自适应的时变脑电特征提取方法。

背景技术

脑电数据信号是携带大脑状态的信息载体，由于脑电数据通常是高维度、高通量的复杂信号，通常需要通过脑电信号特征提取技术获取脑电信号中的有效信息。基于脑电信号提取技术，能够对大脑疲劳、情感等状态进行分析，对于癫痫、帕金森等脑神经系统疾病的诊疗也有重要的研究和临床应用意义。

申请号为200910196746.3的中国专利文献公开了一种脑电分析方法，应用时频域分析和主成份分析方法解决脑电信号特征提取的难题，提取了与人体紧张、疲劳与放松息息相关的时频域参数，并且将其映射到主成分空间中；进一步运用支持向量机在主成份空间中分析非线性关系，提高了判读的精确性和有效性。

申请号为200710163302.0的中国专利文献公开了一种脑电分析方法，通过对0.5-50Hz范围内的脑电波进行分析，提取其中超慢波并分析超慢谱系功率，以反映所对应的脑神经递质的功能状况，并进一步提取脑电特征。

上述方法尽管能够一定程度上实现脑电特征提取，但是脑电信号会随着人自身状态和周围环境的变化而产生变化，当信号发生变化时，上述方法会出现特征失效的问题。

发明内容

为解决脑信号发生变化时特征提取失效的问题，本发明提供了一种基于领域自适应的时变脑电特征提取方法。

一种基于领域自适应的时变脑电特征提取方法，其特征在于，包括以下步骤：

(1)获取待处理脑电数据和训练用脑电数据，将待处理脑电数据和训练用脑电数据划分为若干数据段；针对每个数据段，通过滑动时间窗将其划分为连续时间的若干时间片；

(2)对于步骤(1)得到的数据段的每个时间片，分别提取功率谱、时域方差、时域通道间相关性矩阵、频域通道间相关性矩阵及特征值特征，构成一个特征向量；每个数据段得到一个n*k的特征矩阵，其中，n为数据段中的时间片数，k为特征数量；

(3)构建带有领域自适应损失函数的卷积神经网络，其损失函数包括一个基于交叉熵的脑电状态分类器和一个领域自适应正则项；

(4)利用步骤(2)得到的训练用脑电数据的数据段特征矩阵训练卷积神经网络模型，并利用待处理脑电数据和训练用脑电数据的数据段特征矩阵约束步骤(3)中领域自适应正则项，确定卷积神经网络中的所有参数；

(5)利用步骤(4)中训练得到的卷积神经网络进行待处理脑电数据的特征提取。

2、根据权利要求1所述的基于领域自适应的时变脑电特征提取方法，其特征在于，步骤(2)中，分别提取功率谱、时域方差、时域通道间相关性矩阵、频域通道间相关性矩阵及特征值特征的具体过程如下：

(2-1)功率谱特征：功率谱通过对信号进行傅里叶变换，然后求平方得到；其中对于包含N个点的信号s，傅立叶变换公式为：

对变换后的结果求平方，得到功率谱：

得到的功率谱P_s(e^jw)表征了每个频段的功率；对功率谱特征取对数，以降低不同频段之间功率的差异：

P_s(e^jw)＝log[P_s(e^jw)]

作为优选，取1HZ，4HZ，8HZ，16HZ，32HZ，64HZ，128HZ共七个频段的功率谱特征。

(2-2)时域方差特征：每个通道计算一个方差值，将多个通道的方差值拼接为一个向量构成方差特征。

(2-3)时域通道间相关性矩阵：时域通道间相关性矩阵通过计算每小段信号在时域上，通道之间的相关性得到；得到的相关性矩阵是对角矩阵，取用对角阵的上三角部分，将其特征达为一个向量，作为时域通道间的相关性矩阵特征。

(2-4)频域通道间相关性矩阵：首先对小段信号在每个通道上进行傅里叶变换，然后在频域上计算通道之间的相关性矩阵，将对角矩阵的上三角部分作为相关性矩阵特征。

(2-5)频域通道间相关性矩阵特征值特征：对于步骤(2-4)得到的频域通道间相关性矩阵，将矩阵的特征值作为特征值特征，拼接为一个向量，作为最终的特征。

步骤(3)中，所述的卷积神经网络包含一个卷基层、一个池化层和一个全连接层。

所述的卷积层为多尺度一维卷积，作用在时间片维度n上，卷积核尺度为t*k，其中t＝1，2，3，...，网络结构每层神经元数量依据数据决定。

所述的领域自适应正则项基于Wasserstein距离进行度量。Wasserstein距离的定义如下：

其中，训练数据分布为P₁，待处理数据分布为P₂，W(P₁,P₂)是训练数据和待处理数据的Wasserstein距离，Π(P₁,P₂)是P₁和P₂联合分布的集合，对于任一个联合分布γ，可以计算两个样本x和y在联合分布下的距离期望的下界，即是Wasserstein距离正则项。

步骤(3)中，损失函数L包括分类损失函数L_c和Wasserstein距离损失函数L_w两部分，公式为：

L＝L_c+a*L_w，

其中，a是调节两部分比重的系数，通过人为设定；基于反向传播方法最小化损失函数L，确定卷积神经网络中的所有参数。

本发明考虑到脑电信号会随着人自身状态和周围环境的变化而产生变化，而脑信号的变化会导致特征提取方法失效，于是在用卷积神经网络学习脑电信号特征的同时，加入了基于领域自适应的度量，约束网络能够学习到一种域不变的特征，结果证明该约束让神经网络学习到了更加鲁棒的特征表示，解决了脑信号发生变化时特征提取失效的问题。

附图说明

图1为本发明实施例中癫痫患者脑电信号三个阶段的示意图；

图2为本发明一种基于领域自适应的时变脑电特征提取方法的网络结构示意图。

具体实施方式

下面结合附图和实施例对本发明做进一步详细描述，需要指出的是，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。

本实施例采用的数据集为Freiburg(Freiburg Seizure Prediction EEG，FSPEEG)数据集，该数据集是用于癫痫预测的皮层脑电公开数据集，采集于德国弗莱堡大学医院癫痫中心，通过颅内网格、条状和深度电极对21个患有药物难治性局灶癫痫的患者进行记录。该脑电信号由16位模拟-数字转换器的Neurofile NT数字视频脑电图系统记录得到，含256个通道，采样率为256HZ。针对每个病人，由癫痫学家选出最终的6个通道，形成最后的数据集，其中3个通道处于癫痫灶点区域，剩下3个通道处于非灶点区域或发作传播区域。该数据集中，每个病人记录了2到5次的癫痫发作，针对每次发作，均有至少50分钟的发作前期信号。除此之外，每个病人均有至少24小时的间期数据。在本实例中，为了保证有足够的前期数据，我们仅选择含有5次发作记录的病人进行实验，以发作前5分钟作为间隔，前5分钟至前65分钟共60分钟作为前期数据，若前期数据不足60分钟，则取50分钟作为前期数据。从每段所提供的间期数据中，取前60分钟使用。图1为癫痫患者脑电信号三个阶段的示意图。

本发明提出的基于领域自适应的时变脑电特征提取方法，包括以下步骤：

步骤1，获取待处理脑电数据和训练脑电数据，将待处理脑电数据和训练脑电数据划分为若干数据段；针对每个数据段，通过滑动时间窗将其划分为连续时间若干时间片。

具体来说，将脑电数据以长度为240秒，步长为20秒的滑动时间窗进行分割，得到若干长度为240秒的数据段，针对每个数据段，通过长度为2秒，步长为1秒的滑动时间窗进行时间片分割，因而每个数据段含有239个时间片。

步骤2，提取步骤1中数据段的每个时间片，提取功率谱、时域方差、时域通道间相关性矩阵、频域通道间相关性矩阵及特征值特征，构成一个特征向量；那么，假设时间片数为n，特征数量为k，每个数据段得到一个n*k的特征矩阵。

具体而言，对于每个时间片，每个特征的计算方法具体如下：

2-1，功率谱特征：功率谱反应了脑电信号的功率随频率的变化。功率谱通过对信号进行傅里叶变换，然后求平方得到。其中对于包含N个点的信号s，傅立叶变换公式为：

上式得到的S(e^jw)是经过离散傅里叶变换后的结果，对变换后的结果求平方，便能得到功率谱：

得到的功率谱P_s(e^jw)表征了每个频段的功率，在一定频段范围内求和，可得到该频段范围的功率。得到特征后，我们对功率谱特征取对数，以降低不同频段之间功率的差异：

P_s(e^jw)＝log[P_s(e^jw)]

在本实例中，提取傅里叶基本频段，1HZ，4HZ，8HZ，16HZ，32HZ，64HZ，128HZ和尼奎斯特(Nyquist)频率之间的功率作为功率谱，由于每个通道都能得到一组功率谱特征，本实例将多个通道的功率谱特征拼接成为一个向量，故可以得到6*8＝48维的功率谱特征。

2-2，时域方差特征：时域方差反应小段信号在该时间段内的变化情况，每个通道计算一个方差值，将多个通道的方差值拼接为一个向量构成方差特征，故可以得到6维的时域方差特征。

2-3，时域通道间相关性矩阵：时域通道间相关性矩阵通过计算每小段信号在时域上，通道之间的相关性得到。得到的相关性矩阵是对角矩阵，我们仅取用对角阵的上三角部分，将其特征达为一个向量，作为时域通道间的相关性矩阵特征，故可以得到15维的时域通道间相关性矩阵特征。

2-4，频域通道间相关性矩阵：频域通道间相关性矩阵及特征值，首先对小段信号在每个通道上进行傅里叶变换，然后在频域上计算通道之间的相关性矩阵，将对角矩阵的上三角部分作为相关性矩阵特征，故可以得到15维的频域通道间相关性矩阵特征。

2-5，频域通道间相关性矩阵特征值特征：对于2-4频域通道间相关性矩阵，将矩阵的特征值作为特征值特征，拼接为一个向量，故可以得到6维的频域通道间相关性矩阵特征值特征。

因此，本实例中每个数据段含有239个时间片，每个时间片含有48+6+15+15+6＝90维特征，即每个数据段可提取为一个239*90的特征矩阵。

步骤3，建立带有领域自适应损失函数卷积神经网络，其损失函数包括一个基于交叉熵的脑电状态分类器、一个领域自适应正则项。

3-1，带有领域自适应损失函数的卷积神经网络包含一个卷基层、一个池化层和一个全连接层，卷积层为多尺度一维卷积，作用在时间片维度n上，卷积核尺度为t*k，其中t＝1，2，3，...，网络结构每层神经元数量依据数据决定。

在本实例中，采用的网络结构为:一个卷积层，其卷积核个数为18，前6个卷积核的尺度2*90，中间6个卷积核尺度为3*90，剩余6个卷积核尺度为4*90；一个池化层，类型为均值池化，池化层的时间步跨度为2，步长为2；一个全连接层，节点个数为12；网络的学习率设置为0.0005，L2正则化系数weight-decay设为0.0005，minibatch大小设置为64，网络迭代次数设置为5000。

3-2，带有领域自适应损失函数的卷积神经网络的领域自适应正则项基于Wasserstein距离进行度量。具体而言，计算训练数据和待处理数据的Wasserstein距离，假设训练数据分布为P₁，待处理数据分布为P₂，则训练数据和待处理数据的Wasserstein距离定义如下：

其中，Π(P₁,P₂)是P₁和P₂联合分布的集合，对于任一个联合分布γ，可以计算两个样本x和y在联合分布下的距离期望的下界，即是Wasserstein距离正则项。

在本实例中，通过学习一个域衡量网络来估计训练数据特征分布和测试数据特征分布之间的Wasserstein距离，具体来说：域衡量网络将学习一个映射函数f_w，将卷积神经网络提取到的特征映射为一个实数值，其网络参数用θ_w表示。那么两个数据特征表达h_s＝f_g(x^s)和h_t＝f_g(x^t)的各自的分布

和

之间的Wasserstein距离可以写成

参数化域衡量网络的映射函数，得到其映射函数f_w的参数化家族{f_w}，若{f_w}均满足1-Lipschitz约束，那么两个域的特征表达的Wasserstein距离则可通过优化参数θ_w以最大化域衡量损失L_w来近似得到

为了满足Lipschitz约束：每次网络训练梯度更新后，需要修剪域衡量网络的权重于[-c,c]的范围内。但该种梯度修剪的方式可能导致梯度消失或爆炸的问题，故可以通过对域衡量网络的参数θ_w增加一个梯度惩罚项L_grand来避免这个问题

其中的

表示三个向量：训练数据特征表达、测试数据特征表达、位于训练数据与测试数据所形成的直线上的一个随机点。增加梯度惩罚项之后，训练数据特征分布和测试数据特征分布之间的Wasserstein距离可以写成

其中,γ为衡量距离和梯度，可以人工设定。

在本实例中，域衡量网络具有一层全连接层，节点个数为12，网络迭代次数设置为10，平衡系数γ设置为0.1，学习率设置为0.0005。

3-3，带有领域自适应损失函数的卷积神经网络，其损失函数L包括分类损失函数L_c和Wasserstein距离损失函数L_w两部分：L＝L_c+a*L_w，其中，a是调节两部分比重的系数，可以人工设定，本实例中设置为0.01。

在本实例中，分类损失函数L_c采用交叉熵损失函数

步骤4，利用步,2中训练脑电数据段特征矩阵训练步骤2中卷积神经网络模型，并利用步骤2中待处理脑电数据和训练脑电数据的数据段特征矩阵约束步骤3中领域自适应正则项，基于反向传播方法最小化损失函数L，确定卷积神经网络中的所有参数。

结合实例具体来说，将训练数据和测试数据的特征矩阵放入卷积神经网络中，设定最大轮次数为5000，在每轮次训练中，按照minibatch的大小随机取样放入网络中，前向经过卷积神经网络提取共空间特征后，将提取到的特征放入域均衡网络中，基于反向传播方法最小化域间距离L_w，迭代更新域均衡网络的参数，迭代10次后固定域均衡网络参数，后基于反向传播方法最小化损失函数L，更新卷积神经网络的参数。在到达最大轮次数后，得到最终的网络参数。

步骤5，利用步骤4中得到的卷积神经网络进行待处理脑电数据的特征提取。

为了说明本发明提出的基于领域自适应损失函数的卷积神经网络的有效性，对比了不加域适应函数的相同结构的卷积神经网络的性能如表1所示。可以看出，域适应模型相较于非域适应模型在数据集上的性能提升十分明显，在F1-score提升7.62％，recall提升8.31％，也即说明对前期数据的分类上，准确率有明显的提升。

表1

以上所述的实施例对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的具体实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于领域自适应的时变脑电特征提取方法，其特征在于，包括以下步骤：

(1)获取待处理脑电数据和训练用脑电数据，将获取的数据划分为若干数据段；针对每个数据段，通过滑动时间窗将其划分为连续时间的若干时间片；

(2)对于得到的数据段的每个时间片，分别提取功率谱、时域方差、时域通道间相关性矩阵、频域通道间相关性矩阵及特征值特征，构成一个特征向量；每个数据段得到一个n*k的特征矩阵，其中，n为数据段中的时间片数，k为特征数量；

(3)构建带有领域自适应损失函数的卷积神经网络，其损失函数包括一个基于交叉熵的脑电状态分类器和一个领域自适应正则项；

(4)利用步骤(2)得到的训练用脑电数据的数据段特征矩阵训练卷积神经网络模型，并利用待处理脑电数据和训练用脑电数据的数据段特征矩阵约束步骤(3)中领域自适应正则项，确定卷积神经网络中的所有参数；

(5)利用步骤(4)中训练得到的卷积神经网络进行待处理脑电数据的特征提取。

2.根据权利要求1所述的基于领域自适应的时变脑电特征提取方法，其特征在于，步骤(2)中，分别提取功率谱、时域方差、时域通道间相关性矩阵、频域通道间相关性矩阵及特征值特征的具体过程如下：

(2-1)功率谱特征：功率谱通过对信号进行傅里叶变换，然后求平方得到；其中对于包含N个点的信号s，傅立叶变换公式为：

对变换后的结果求平方，得到功率谱：

得到的功率谱P_s(e^jw)表征了每个频段的功率；对功率谱特征取对数，以降低不同频段之间功率的差异：

P_s(e^jw)＝log[P_s(e^jw)]

(2-2)时域方差特征：每个通道计算一个方差值，将多个通道的方差值拼接为一个向量构成方差特征；

(2-3)时域通道间相关性矩阵：时域通道间相关性矩阵通过计算每小段信号在时域上，通道之间的相关性得到；得到的相关性矩阵是对角矩阵，取用对角阵的上三角部分，将其特征达为一个向量，作为时域通道间的相关性矩阵特征；

(2-4)频域通道间相关性矩阵：首先对小段信号在每个通道上进行傅里叶变换，然后在频域上计算通道之间的相关性矩阵，将对角矩阵的上三角部分作为相关性矩阵特征；

(2-5)频域通道间相关性矩阵特征值特征：对于步骤(2-4)得到的频域通道间相关性矩阵，将矩阵的特征值作为特征值特征，拼接为一个向量，作为最终的特征。

3.根据权利要求2所述的基于领域自适应的时变脑电特征提取方法，其特征在于，步骤(2-1)中，取1HZ，4HZ，8HZ，16HZ，32HZ，64HZ，128HZ共七个频段的功率谱特征。

4.根据权利要求1所述的基于领域自适应的时变脑电特征提取方法，其特征在于，步骤(3)中，所述的卷积神经网络包含一个卷基层、一个池化层和一个全连接层。

5.根据权利要求4所述的基于领域自适应的时变脑电特征提取方法，其特征在于，所述的卷积层为多尺度一维卷积，作用在时间片维度n上，卷积核尺度为t*k，其中t＝1，2，3，...，网络结构每层神经元数量依据数据决定。

6.根据权利要求1所述的基于领域自适应的时变脑电特征提取方法，其特征在于，步骤(3)中，所述的领域自适应正则项基于Wasserstein距离进行度量。

7.根据权利要求6所述的基于领域自适应的时变脑电特征提取方法，其特征在于，Wasserstein距离的定义如下：

其中，训练数据分布为P₁，待处理数据分布为P₂，W(P₁,P₂)是训练数据和待处理数据的Wasserstein距离，Π(P₁,P₂)是P₁和P₂联合分布的集合，对于任一个联合分布γ，可以计算两个样本x和y在联合分布下的距离期望的下界，即是Wasserstein距离正则项。

8.根据权利要求1所述的基于领域自适应的时变脑电特征提取方法，其特征在于，步骤(3)中，损失函数L包括分类损失函数L_c和Wasserstein距离损失函数L_w两部分，公式为：

L＝L_c+a*L_w，

其中，a是调节两部分比重的系数，通过人为设定；基于反向传播方法最小化损失函数L，确定卷积神经网络中的所有参数。

Images