CN113100785A - 一种基于凸合作博弈的脑电信号聚类方法 - Google Patents

一种基于凸合作博弈的脑电信号聚类方法 Download PDF

Info

Publication number
CN113100785A
CN113100785A CN202110399644.2A CN202110399644A CN113100785A CN 113100785 A CN113100785 A CN 113100785A CN 202110399644 A CN202110399644 A CN 202110399644A CN 113100785 A CN113100785 A CN 113100785A
Authority
CN
China
Prior art keywords
electroencephalogram
time offset
offset position
signals
convex
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
CN202110399644.2A
Other languages
English (en)
Inventor
代成龙
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.)
Jiangnan University
Original Assignee
Jiangnan University
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 Jiangnan University filed Critical Jiangnan University
Priority to CN202110399644.2A priority Critical patent/CN113100785A/zh
Publication of CN113100785A publication Critical patent/CN113100785A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种基于凸合作博弈的脑电信号聚类方法，涉及脑电信号处理领域，包括：根据每两条脑电信号的各个数据点得到每两条脑电信号之间的相似度；对所有的N个脑电信号进行全排列得到多个排序组，并分别确定每个排序组对应的N个凸合作博弈联盟，根据每个凸合作博弈联盟中脑电信号之间的相似度计算得到凸合作博弈联盟的效益值，根据每个排序组中的N个凸合作博弈联盟的效益值确定N个脑电信号对排序组的贡献度；将最大贡献度的脑电信号作为聚类中心脑电信号；筛选出其他脑电信号中与聚类中心脑电信号的相似度在相似度范围内的脑电信号，将具有相近联盟贡献度的脑电信号划分到同一聚类中，得到高质量的脑电信号聚类结果。

Description

一种基于凸合作博弈的脑电信号聚类方法
技术领域
本发明涉及脑电信号处理领域，尤其是一种基于凸合作博弈的脑电信号聚类方法。
背景技术
脑电信号是一种人体大脑的状态信号，不仅能够反映大脑的当前功能状态，也能够反馈人体的身体机能，因此被广泛应用在脑机接口和脑部疾病诊断治疗等领域，例如，脑电信号为身体残疾人士提供了一种通过脑电信号控制外界设备的新途径，从而改善残疾人士的生活质量，同时脑电信号也能够辅助诊断帕金森综合症、癫痫、脑卒中和渐冻症等疾病。
随着脑机接口和脑部疾病诊断治疗的不断发展壮大，无标签、误标记的脑电信号日益增长，这些杂质脑电信号不仅对于后续疾病的诊断没有帮助，反而会进一步影响诊断结果的正确性，但由于脑电信号是一种高振荡、高非线性、高纬度和低信噪比的信号，这些都使得脑电信号相比于现有的信号来说更为复杂，因此对于脑电信号的聚类也比较困难，而现有技术中通过有监督的分析方法(如分类方法)对于这类脑电信号的聚类并不准确，从而会对后续的研究造成一定的影响。
发明内容
本发明人针对上述问题及技术需求，提出了一种基于凸合作博弈的脑电信号聚类方法，本发明的技术方案如下：
一种基于凸合作博弈的脑电信号聚类方法，其特征在于，所述方法包括以下步骤：
获取所有脑电信号，根据每两条脑电信号的各个数据点得到每两条脑电信号之间的相似度；
对所有的N个脑电信号进行全排列得到多个排序组，并分别确定每个排序组对应的N个凸合作博弈联盟，每个排序组对应的第i个凸合作博弈联盟包括所述排序组中的第一个脑电信号至第i个脑电信号，1≤i≤N；
根据每个凸合作博弈联盟中包含的所有脑电信号之间的相似度计算得到所述凸合作博弈联盟的效益值，根据每个排序组中的N个凸合作博弈联盟的效益值确定N个脑电信号对所述排序组的贡献度；
将计算得到的N个脑电信号对所有排序组的贡献度中最大贡献度的脑电信号作为聚类中心脑电信号；
设定相似度范围，并筛选出其他脑电信号中与所述聚类中心脑电信号的相似度在所述相似度范围内的脑电信号。
其进一步的技术方案为，所述根据每两条脑电信号的各个数据点得到每两条脑电信号之间的相似度，包括对于任意两条分别包含m个数据点的脑电信号：
根据所述两条脑电信号在第T个时间偏移位置时的两条子序列中的数据点确定所述两条脑电信号在第T个时间偏移位置时的互相关距离，1≤T≤2m-1；
确定T个互相关距离中最大值对应的时间偏移位置为最优时间偏移位置，根据所述两条脑电信号在所述最优时间偏移位置时的两条子序列中的数据点计算所述两条脑电信号在所述最优时间偏移位置时的局部相关性；
根据所述两条脑电信号在所述最优时间偏移位置时的互相关距离和局部相关性确定所述两条脑电信号的相似度。
其进一步的技术方案为，每个脑电信号包括按照时间顺序依次排列的第一个数据点至第m个数据点的共m个数据点；
当1≤T≤m时，第一脑电信号在第T个时间偏移位置时的子序列包括所述第一脑电信号中的第m+1-T个数据点到第m个数据点的共T个数据点，第二脑电信号在第T个时间偏移位置时的子序列包括所述第二脑电信号中的第一个数据点到第T个数据点的共T个数据点；
当m+1≤T≤2m-1时，第一脑电信号在第T个时间偏移位置时的子序列包括所述第一脑电信号中的第一个数据点到第2m-T个数据点的共2m-T个数据点，所述第二脑电信号在第T个时间偏移位置时的子序列包括所述第二脑电信号中的第T+1-m个数据点到第m个数据点的共2m-T个数据点。
其进一步的技术方案为，所述第一脑电信号ex和所述第二脑电信号ey在第T个时间偏移位置时的互相关距离CCT(ex,ey)为：
Figure BDA0003019931230000031
其中，
Figure BDA0003019931230000032
和
Figure BDA0003019931230000033
分别表示第一脑电信号ex的第r+m-T个和第2m-j个的数据点，
Figure BDA0003019931230000034
和
Figure BDA0003019931230000035
分别表示第二脑电信号ey的第r个和第T+m-j个数据点，r和j为参数。
其进一步的技术方案为，所述两条脑电信号在最优时间偏移位置时的局部相关性
Figure BDA0003019931230000036
的计算公式为：
Figure BDA0003019931230000037
其中，q表示预设参数且q≤p-1，
Figure BDA0003019931230000038
表示第一脑电信号ex在所述最优时间偏移位置时的子序列
Figure BDA0003019931230000039
中的第u+q个数据，
Figure BDA00030199312300000310
表示子序列
Figure BDA00030199312300000311
中的第u个数据；
Figure BDA00030199312300000312
表示第二脑电信号ey在所述最优时间偏移位置时的子序列
Figure BDA00030199312300000313
的第u+q个数据，
Figure BDA00030199312300000314
表示子序列
Figure BDA00030199312300000315
的第u个数据，u为参数，子序列
Figure BDA00030199312300000316
和子序列
Figure BDA00030199312300000317
中分别包括p个数据。
其进一步的技术方案为，所述确定T个互相关距离中最大值对应的时间偏移位置为最优时间偏移位置，包括：
分别对T个互相关距离进行归一化处理得到对应的归一化值，选取T个归一化值中最大值对应的时间偏移位置为所述最优时间偏移位置；
则根据所述两条脑电信号在所述最优时间偏移位置时的互相关距离和局部相关性确定所述两条脑电信号的相似度，包括：根据所述两条脑电信号在所述最优时间偏移位置时的互相关距离的归一化值和局部相关性确定所述两条脑电信号的相似度。
其进一步的技术方案为，所述分别对T个互相关距离进行归一化处理得到对应的归一化值，包括任意两个脑电信号ex和ey在第T个时间偏移位置时的互相关距离CCT(ex,ey)对应的归一化值为：
Figure BDA0003019931230000041
其中，CCT(ex,ey)表示第T次比较的两条脑电信号ex和ey的互相关距离，
Figure BDA0003019931230000042
其中，s为参数，
Figure BDA0003019931230000043
表示第一脑电信号ex的第s个的数据点，
Figure BDA0003019931230000044
表示第二脑电信号ey的第s个的数据点。
其进一步的技术方案为，所述根据所述两条脑电信号在所述最优时间偏移位置时的互相关距离的归一化值和局部相关性确定所述两条脑电信号的相似度，包括：
Figure BDA0003019931230000045
其中，ex和ey表示两条脑电信号，
Figure BDA0003019931230000046
表示两条脑电信号在最优时间偏移位置To上的距离衡量值，其计算公式为：
Figure BDA0003019931230000047
其中，
Figure BDA0003019931230000048
表示两条脑电信号ex和ey在最优时间偏移位置To上的归一化值，
Figure BDA0003019931230000049
表示两条脑电信号在最优时间偏移位置To上的局部相关性，α和β为预设权重。
其进一步的技术方案为，所述根据每个凸合作博弈联盟中包含的所有脑电信号之间的相似度计算得到所述凸合作博弈联盟的效益值，对于包含两条及两条以上脑电信号的凸合作博弈联盟C的效益值为：
Figure BDA0003019931230000051
其中，C为凸合作博弈联盟，ex和ey表示凸合作博弈联盟C中任意两条脑电信号，
Figure BDA0003019931230000052
其中，distmax为所有脑电信号中每两条脑电信号之间的相似度最大值，dist(ex,ey)表示凸合作博弈联盟Cm中的两条脑电信号ex和ey的相似度；
对于只包含一个脑电信号的凸合作博弈联盟C的效益值为：
Figure BDA0003019931230000053
其中，ev表示凸合作博弈联盟C中的一条脑电信号，
Figure BDA0003019931230000054
dist(ev,ev)表示脑电信号ev自身的相似度。
其进一步的技术方案为，所述根据每个排序组中的N个凸合作博弈联盟的效益值确定N个脑电信号对所述排序组的贡献度，包括对于每个排序组：
将所述排序组对应的第一个凸合作博弈联盟的效益值作为所述排序组中第一个脑电信号对所述排序组的贡献度；当2≤i≤N时，确定所述排序组对应的第i个凸合作博弈联盟与第i-1个凸合作博弈联盟之间的效益值的差值作为所述排序组中第i个脑电信号对所述排序组的贡献度。
本发明的有益技术效果是：本发明的目的是为无标签、误标记脑电信号分析提供一种聚类方法，为有效处理无标签、误标记这类新型脑电信号提供新的方案；充分考虑了脑电信号高非线性、高振荡、高维度、低噪声比的复杂特性，解决传统聚类方法无法有效衡量脑电信号相似度、聚类中心选择效率低、聚类质量低的问题；利用脑电信号得到的凸合作博弈联盟中的贡献度大小确定聚类中心脑电信号，提高了聚类中心的选择效率；结合相似度范围，将其他脑电信号与聚类中心脑电信号的相似度在相似度范围内的脑电信号划分到一起，实现无标签、误标记脑电信号的聚类目的。
附图说明
图1是本申请的脑电信号聚类方法的处理流程图。
图2是本申请的步骤1的处理流程图。
图3是本申请的两条脑电信号进行相对滑动比较的示意图。
图4是本申请的步骤3的处理流程图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步说明。
一种基于凸合作博弈的脑电信号聚类方法，总体的方法步骤如图1所示，主要分为五个步骤：
步骤1：如图2所示，获取所有的脑电信号，根据每两条脑电信号的各个数据点得到每两条脑电信号之间的相似度。
由于现有技术中对于信号的相似度衡量仅考虑脑电信号之间的全局相关性，忽略了脑电信号的局部相关性，为了更好的衡量脑电信号之间的相似度，本申请通过采用局部趋势的方法来优化相似度的计算，从而得到一种更加适用于脑电信号的相似度的衡量方法。
需要说明的是，本申请中的脑电信号长度相等，即每条脑电信号都包括m个数据点，这些数据点按照时间顺序依次排序，如图3中示出的两条脑电信号ex、ey，则确定脑电信号的时间顺序为正方向，逆时间顺序为负方向，基于对向选取的策略比较每两条脑电信号之间的互相关距离，由此实现一对一、点对点内积的比较方式，具体的方法为：
从第一个时间偏移位置开始，共进行2m-1次比较过程，即1≤T≤2m-1，T表示时间偏移位置；从中确定两条脑电信号在第T个时间偏移位置时的两条子序列中的数据点确定两条脑电信号在第T个时间偏移位置时的互相关距离，具体过程分为两个：
当1≤T≤m时，数据点的获取起点为第一脑电信号ex的最后一个数据点和第二脑电信号ey的第一个数据点，获取起点即为对应的第一个时间偏移位置，从获取起点开始按照负方向顺序在第T个时间偏移位置获取从第一脑电信号ex的最后一个数据点开始的共T个数据点、按照正方向顺序获取从第二脑电信号ey的第一个数据点开始的共T个数据点，直到T＝m,当T＝m时，此时获取两条脑电信号的所有数据点，即第一脑电信号在第T个时间偏移位置时的子序列包括第一脑电信号中的第m+1-T个数据点到第m个数据点的共T个数据点，第二脑电信号在第T个时间偏移位置时的子序列包括第二脑电信号中的第一个数据点到第T个数据点的共T个数据点；
当m+1≤T≤2m-1时，从第m+1次开始，从第一脑电信号ex的第一个数据点和第二脑电信号ey的最后一个数据点开始，按照正方向顺序在第T个时间偏移位置获取从第一脑电信号ex的第一个数据点开始的共2m-T个数据点、按照负方向顺序获取从第二脑电信号ey的最后一个数据点开始的共2m-T个数据点，由此一共进行2m-1次的获取，每次获取得到的数据点可以看成是每次时间偏移位置下脑电信号的子序列，第一脑电信号在第T个时间偏移位置时的子序列包括第一脑电信号中的第一个数据点到第2m-T个数据点的共2m-T个数据点，第二脑电信号在第T个时间偏移位置时的子序列包括第二脑电信号中的第T+1-m个数据点到第m个数据点的共2m-T个数据点。
则在第T个时间偏移位置时的互相关距离CCT(ex,ey)的计算公式为：
Figure BDA0003019931230000071
其中，
Figure BDA0003019931230000072
和
Figure BDA0003019931230000073
分别表示第一脑电信号ex的第r+m-T个和第2m-j个的数据点，
Figure BDA0003019931230000081
和
Figure BDA0003019931230000082
分别表示第二脑电信号ey的第r个和第T+m-j个数据点，r和j为参数。
为了便于理解，本申请举出两条脑电信号进行相对滑动比较的实施例，如图3中的比较过程所示，分别表示了滑动比较的三个过程，清晰的展示了两条脑电信号之间的相对位置关系，通过τ表示两条脑电信号的比较过程中的数据点偏移值，通过数据点偏移值τ反应整个比较过程中两条脑电信号的未重合部分的大小程度，将两条脑电信号进行对向滑动按顺序比较每个数据点，第一脑电信号ex进行滑动，第二脑电信号ey固定不动。确定比较过程的起始位置为第一脑电信号ex的最后一个数据点和第二脑电信号ey的第一个数据点，比较的结束位置为第一脑电信号ex的第一个数据点和第二脑电信号ey的最后一个数据点，每次的比较中，两条脑电信号之间对向滑动一个数据点的单位量，如图3中所示，当τ为负数时，表示第一脑电信号ex位于第二脑电信号ey的左侧，此时两条脑电信号正相互接近；当τ为0时，第一脑电信号ex和第二脑电信号ey完全重合；当τ为负数时，表示第一脑电信号ex位于第二脑电信号ey的右侧，此时两条脑电信号正相互远离。
在比较的起始位置，此时两条脑电信号的未重合的数据点个数为m-1，即两条脑电信号的重合的数据点个数为1；随着两条脑电信号对向移动，两条脑电信号相互靠近直到达到比较的中间位置，即两条脑电信号未重合部分的数据点个数为0，重合部分为m；随后两条脑电信号逐渐相互远离，在到达比较的结束位置时，两条脑电信号未重合部分的数据点数量为m-1，即两条脑电信号的重合的数据点个数为1，由此，整个过程是两条脑电信号相互接近、完全重合、相互远离的过程。
随后确定T个互相关距离中最大值对应的时间偏移位置为最优时间偏移位置，根据最优时间偏移位置对应的两条子序列得到局部相关性。
两条脑电信号在最优时间偏移位置时的局部相关性
Figure BDA0003019931230000083
的计算公式为：
Figure BDA0003019931230000091
其中，q表示预设参数且q≤p-1，
Figure BDA0003019931230000092
表示第一脑电信号ex在最优时间偏移位置时的子序列
Figure BDA0003019931230000093
中的第u+q个数据，
Figure BDA0003019931230000094
表示子序列
Figure BDA0003019931230000095
中的第u个数据；
Figure BDA0003019931230000096
表示第二脑电信号ey在最优时间偏移位置时的子序列
Figure BDA0003019931230000097
的第u+q个数据，
Figure BDA0003019931230000098
表示子序列
Figure BDA0003019931230000099
的第u个数据，u为参数，子序列
Figure BDA00030199312300000910
和子序列
Figure BDA00030199312300000911
中分别包括p个数据。
再根据两条脑电信号在最优时间偏移位置时的互相关距离和局部相关性确定两条脑电信号的相似度。
作为更优选的，为了后续将后续的计算过程简化，本申请还提出对T个互相关距离进行归一化处理得到对应的归一化值，再利用归一化值得到最优时间偏移位置，选取T个归一化值中最大值对应的时间偏移位置为最优时间偏移位置，具体方法为：
两个脑电信号ex和ey在第T个时间偏移位置时的互相关距离CCT(ex,ey)对应的归一化值zNCCT(ex,ey)为：
Figure BDA00030199312300000912
其中，CCT(ex,ey)表示第T次比较的两条脑电信号ex和ey的互相关距离，
Figure BDA00030199312300000913
其中，s为参数，
Figure BDA00030199312300000914
表示第一脑电信号ex的第s个的数据点，
Figure BDA00030199312300000915
表示第二脑电信号ey的个的数据点。
根据归一化值得到最优时间偏移位置To，计算公式为：
Figure BDA0003019931230000101
根据两条脑电信号在最优时间偏移位置时的互相关距离的归一化值和局部相关性确定两条脑电信号的相似度dist(ex,ey)：
Figure BDA0003019931230000102
其中，ex和ey表示两条脑电信号，
Figure BDA0003019931230000103
表示两条脑电信号在最优时间偏移位置To上的距离衡量值，其计算公式为：
Figure BDA0003019931230000104
其中，
Figure BDA0003019931230000105
表示两条脑电信号ex和ey在最优时间偏移位置To上的归一化值，
Figure BDA0003019931230000106
表示两条脑电信号在最优时间偏移位置To上的局部相关性，α和β为预设权重，在进行设定预设权重的值时，通常可以设定α+β＝1，例如α＝β＝0.5。
步骤2：对脑电信号进行全排列得到凸合作博弈联盟。
对所有的N个脑电信号进行全排列得到多个排序组，并分别确定每个排序组对应的N个凸合作博弈联盟，每个排序组对应的第i个凸合作博弈联盟包括排序组中的第一个脑电信号至第i个脑电信号，1≤i≤N。
为了便于理解，本申请举出一个具体的实施例以供参考：假设共有四个脑电信号A、B、C、D，进行全排列组合共计会得到的
Figure BDA0003019931230000107
个的排序组，其中的一个排序组为CBAD，此时，第一个凸合作博弈联盟包括第一个脑电信号C，第二个凸合作博弈联盟包括第一个脑电信号C至第二个脑电信号B，依次类推，则会有四个凸合作博弈联盟C、CB、CBA、CBAD。
步骤3：如图4所示，为了得到高质量的脑电信号聚类结果，采用凸合作博弈联盟贡献度衡量方式确定脑电信号聚类中心，因此需要确定每个凸合作博弈联盟的效益值，根据每个凸合作博弈联盟中包含的所有脑电信号之间的相似度计算得到凸合作博弈联盟的效益值，随后再根据每个排序组中的N个凸合作博弈联盟的效益值确定N个脑电信号对排序组的贡献度，具体的方法为：
为了确保脑电信号相似度衡量的稳定性，首先确定一个相对相似度函数f()，将相似度映射到(0,1]的区间中。
对于包含两条及两条以上脑电信号的凸合作博弈联盟C的效益值为：
Figure BDA0003019931230000111
其中，C为凸合作博弈联盟，ex和ey表示凸合作博弈联盟C中任意两条脑电信号，
Figure BDA0003019931230000112
其中，distmax为所有脑电信号中每两条脑电信号之间的相似度最大值，dist(ex,ey)表示凸合作博弈联盟C中的两条脑电信号ex和ey的相似度；
对于只包含一个脑电信号的凸合作博弈联盟C的效益值为：
Figure BDA0003019931230000113
其中，ev表示凸合作博弈联盟C中的一条脑电信号，
Figure BDA0003019931230000114
dist(ev,ev)表示脑电信号ev自身的相似度。
从相邻的凸合作博弈联盟所包含的脑电信号数量可以看出，当前凸合作博弈联盟比上一个凸合作博弈联盟多一个脑电信号，计算两者的差值即可得到该多一条脑电信号的贡献度，即将排序组对应的第一个凸合作博弈联盟的效益值作为排序组中第一个脑电信号对排序组的贡献度；当2≤i≤N时，确定排序组对应的第i个凸合作博弈联盟与第i-1个凸合作博弈联盟之间的效益值的差值作为排序组中第i个脑电信号对排序组的贡献度。
最后，将计算得到的N个脑电信号对所有排序组的贡献度中最大贡献度的脑电信号作为聚类中心脑电信号。
为了便于理解，本申请举出一个具体的实施例以供参考：还是假设共有四个脑电信号A、B、C、D，其中的一个排序组为CBAD，则会有四个凸合作博弈联盟C、CB、CBA、CBAD，则利用上述计算效益值的公式可以得到这四个凸合作博弈联盟的效益值，此时凸合作博弈联盟C的效益值就是脑电信号C对排序组的贡献度，而第二个凸合作博弈联盟CB相比于第一个凸合作博弈联盟C多一个脑电信号B，两个凸合作博弈联盟的效益值的差值即为脑电信号B的对排序组的贡献度，依次可以计算得到脑电信号A和脑电信号D对于排序组的贡献度，比较这四个脑电信号的对排序组的贡献度大小得到最大的贡献度的脑电信号，假设经过比较得到这个排序组中最大贡献度的脑电信号为C，通过上述方法同时比较得到其他剩余的23个排序组中的最大贡献度的脑电信号，例如第二个排序组是A、第三个排序组是B、······，最后会得到24个贡献度最大的脑电信号，再在这24个贡献度最大的脑电信号中选取其中最大贡献度的脑电信号作为聚类中心脑电信号。
步骤4：设定相似度范围。
设定多个相似度区间[δk,δk+1]，i为参数，δk和δk+1分别表示两个预设阈值，k为参数，确定每个相似度区间内的每两条脑电信号之间的相似度的个数；
将包含最多相似度的个数的相似度区间作为相似度范围。
在实际计算过程中，例如可以设定k＝1时，δ1＝0，k＝2时，δ2＝0.05，以此类推。
步骤5：确定每条脑电信号和聚类中心脑电信号的相似度，相似度的结果可以从步骤1中的相似度计算方法直接获取，本申请不再赘述，将其他脑电信号与聚类中心脑电信号的相似度符合相似度范围的脑电信号筛选到同一聚类中，由此得到高质量脑电信号合集。
以上所述的仅是本申请的优选实施方式，本发明不限于以上实施例。可以理解，本领域技术人员在不脱离本发明的精神和构思的前提下直接导出或联想到的其他改进和变化，均应认为包含在本发明的保护范围之内。

Claims (10)

1.一种基于凸合作博弈的脑电信号聚类方法，其特征在于，所述方法包括以下步骤：
获取所有脑电信号，根据每两条脑电信号的各个数据点得到每两条脑电信号之间的相似度；
对所有的N个脑电信号进行全排列得到多个排序组，并分别确定每个排序组对应的N个凸合作博弈联盟，每个排序组对应的第i个凸合作博弈联盟包括所述排序组中的第一个脑电信号至第i个脑电信号，1≤i≤N；
根据每个凸合作博弈联盟中包含的所有脑电信号之间的相似度计算得到所述凸合作博弈联盟的效益值，根据每个排序组中的N个凸合作博弈联盟的效益值确定N个脑电信号对所述排序组的贡献度；
将计算得到的N个脑电信号对所有排序组的贡献度中最大贡献度的脑电信号作为聚类中心脑电信号；
设定相似度范围，并筛选出其他脑电信号中与所述聚类中心脑电信号的相似度在所述相似度范围内的脑电信号。
2.根据权利要求1所述的脑电信号聚类方法，其特征在于，所述根据每两条脑电信号的各个数据点得到两条脑电信号之间的相似度，包括对于任意两条分别包含m个数据点的脑电信号：
根据所述两条脑电信号在第T个时间偏移位置时的两条子序列中的数据点确定所述两条脑电信号在第T个时间偏移位置时的互相关距离，1≤T≤2m-1；
确定T个互相关距离中最大值对应的时间偏移位置为最优时间偏移位置，根据所述两条脑电信号在所述最优时间偏移位置时的两条子序列中的数据点计算所述两条脑电信号在所述最优时间偏移位置时的局部相关性；
根据所述两条脑电信号在所述最优时间偏移位置时的互相关距离和局部相关性确定所述两条脑电信号的相似度。
3.根据权利要求2所述的脑电信号聚类方法，其特征在于，每个脑电信号包括按照时间顺序依次排列的第一个数据点至第m个数据点的共m个数据点；
当1≤T≤m时，第一脑电信号在第T个时间偏移位置时的子序列包括所述第一脑电信号中的第m+1-T个数据点到第m个数据点的共T个数据点，第二脑电信号在第T个时间偏移位置时的子序列包括所述第二脑电信号中的第一个数据点到第T个数据点的共T个数据点；
当m+1≤T≤2m-1时，第一脑电信号在第T个时间偏移位置时的子序列包括所述第一脑电信号中的第一个数据点到第2m-T个数据点的共2m-T个数据点，所述第二脑电信号在第T个时间偏移位置时的子序列包括所述第二脑电信号中的第T+1-m个数据点到第m个数据点的共2m-T个数据点。
4.根据权利要求3所述的脑电信号聚类方法，其特征在于，
所述第一脑电信号ex和所述第二脑电信号ey在第T个时间偏移位置时的互相关距离CCT(ex,ey)为：
Figure FDA0003019931220000021
其中，
Figure FDA0003019931220000022
和
Figure FDA0003019931220000023
分别表示第一脑电信号ex的第r+m-T个和第2m-j个的数据点，
Figure FDA0003019931220000024
和
Figure FDA0003019931220000025
分别表示第二脑电信号ey的第r个和第T+m-j个数据点，r和j为参数。
5.根据权利要求2所述的脑电信号聚类方法，其特征在于，所述两条脑电信号在最优时间偏移位置时的局部相关性
Figure FDA0003019931220000026
的计算公式为：
Figure FDA0003019931220000027
其中，q表示预设参数且q≤p-1，
Figure FDA0003019931220000031
表示第一脑电信号ex在所述最优时间偏移位置时的子序列
Figure FDA0003019931220000032
中的第u+q个数据点，
Figure FDA0003019931220000033
表示子序列
Figure FDA0003019931220000034
中的第u个数据点；
Figure FDA0003019931220000035
表示第二脑电信号ey在所述最优时间偏移位置时的子序列
Figure FDA0003019931220000036
的第u+q个数据点，
Figure FDA0003019931220000037
表示子序列
Figure FDA0003019931220000038
的第u个数据点，u为参数，子序列
Figure FDA0003019931220000039
和子序列
Figure FDA00030199312200000310
中分别包括p个数据点。
6.根据权利要求2-5任一所述的脑电信号聚类方法，其特征在于，所述确定T个互相关距离中最大值对应的时间偏移位置为最优时间偏移位置，包括：
分别对T个互相关距离进行归一化处理得到对应的归一化值，选取T个归一化值中最大值对应的时间偏移位置为所述最优时间偏移位置；
根据所述两条脑电信号在所述最优时间偏移位置时的互相关距离和局部相关性确定所述两条脑电信号的相似度，包括：根据所述两条脑电信号在所述最优时间偏移位置时的互相关距离的归一化值和局部相关性确定所述两条脑电信号的相似度。
7.根据权利要求6所述的脑电信号聚类方法，其特征在于，所述分别对T个互相关距离进行归一化处理得到对应的归一化值，包括任意两个脑电信号ex和ey在第T个时间偏移位置时的互相关距离CCT(ex,ey)对应的归一化值为：
Figure FDA00030199312200000311
其中，CCT(ex,ey)表示第T次比较的两条脑电信号ex和ey的互相关距离，
Figure FDA00030199312200000312
其中，s为参数，
Figure FDA00030199312200000313
表示第一脑电信号ex的第s个的数据点，
Figure FDA00030199312200000314
表示第二脑电信号ey的第s个的数据点。
8.根据权利要求6所述的脑电信号聚类方法，其特征在于，所述根据所述两条脑电信号在所述最优时间偏移位置时的互相关距离的归一化值和局部相关性确定所述两条脑电信号的相似度，包括：
Figure FDA0003019931220000041
其中，ex和ey表示两条脑电信号，
Figure FDA0003019931220000042
表示两条脑电信号在最优时间偏移位置To上的距离衡量值，其计算公式为：
Figure FDA0003019931220000043
其中，
Figure FDA0003019931220000044
表示两条脑电信号ex和ey在最优时间偏移位置To上的归一化值，
Figure FDA0003019931220000045
表示两条脑电信号在最优时间偏移位置To上的局部相关性，α和β为预设权重。
9.根据权利要求1所述的脑电信号聚类方法，其特征在于，所述根据每个凸合作博弈联盟中包含的所有脑电信号之间的相似度计算得到所述凸合作博弈联盟的效益值，对于包含两条及两条以上脑电信号的凸合作博弈联盟C的效益值v(C)为：
Figure FDA0003019931220000046
其中，C为凸合作博弈联盟，ex和ey表示凸合作博弈联盟C中任意两条脑电信号，
Figure FDA0003019931220000047
其中，distmax为所有脑电信号中每两条脑电信号之间的相似度最大值，dist(ex,ey)表示凸合作博弈联盟C中的两条脑电信号ex和ey的相似度；
对于只包含一个脑电信号的凸合作博弈联盟C的效益值为：
Figure FDA0003019931220000048
其中，ev表示凸合作博弈联盟C中的一条脑电信号，
Figure FDA0003019931220000051
dist(ev,ev)表示脑电信号ev自身的相似度。
10.根据权利要求1所述的脑电信号聚类方法，其特征在于，所述根据每个排序组中的N个凸合作博弈联盟的效益值确定N个脑电信号对所述排序组的贡献度，包括对于每个排序组：
将所述排序组对应的第一个凸合作博弈联盟的效益值作为所述排序组中第一个脑电信号对所述排序组的贡献度；当2≤i≤N时，确定所述排序组对应的第i个凸合作博弈联盟与第i-1个凸合作博弈联盟之间的效益值的差值作为所述排序组中第i个脑电信号对所述排序组的贡献度。
CN202110399644.2A 2021-04-14 2021-04-14 一种基于凸合作博弈的脑电信号聚类方法 Pending CN113100785A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110399644.2A CN113100785A (zh) 2021-04-14 2021-04-14 一种基于凸合作博弈的脑电信号聚类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110399644.2A CN113100785A (zh) 2021-04-14 2021-04-14 一种基于凸合作博弈的脑电信号聚类方法

Publications (1)

Publication Number Publication Date
CN113100785A true CN113100785A (zh) 2021-07-13

Family

ID=76716812

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110399644.2A Pending CN113100785A (zh) 2021-04-14 2021-04-14 一种基于凸合作博弈的脑电信号聚类方法

Country Status (1)

Country Link
CN (1) CN113100785A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090192394A1 (en) * 2008-01-16 2009-07-30 Guttag John V Method and apparatus for predicting patient outcomes from a physiological segmentable patient signal
CN106950532A (zh) * 2017-04-21 2017-07-14 西安电子科技大学 基于互模糊函数与波形相似度比较联合的时延估计方法
CN107045624A (zh) * 2017-01-06 2017-08-15 南京航空航天大学 一种基于最大加权团的脑电信号预处理与分类方法
CN109288518A (zh) * 2018-08-16 2019-02-01 北京薏然阳光电子技术有限公司 基于EEG和ERPs的脑认知神经功能测评系统及方法
CN109614885A (zh) * 2018-11-21 2019-04-12 齐鲁工业大学 一种基于lstm的脑电信号快速分类识别方法
US20190246927A1 (en) * 2018-02-14 2019-08-15 Cerenion Oy Apparatus and method for electroencephalographic measurement
US20200113461A1 (en) * 2017-07-18 2020-04-16 Fundacion Para La Investigacion Biomedica Del Hospital Universitario De La Princesa Non-invasive method for determining intracranial pressure using the bioelectrical activity of the brain
CN112370066A (zh) * 2020-09-30 2021-02-19 北京工业大学 一种基于生成对抗网络的脑卒中康复系统脑机接口方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090192394A1 (en) * 2008-01-16 2009-07-30 Guttag John V Method and apparatus for predicting patient outcomes from a physiological segmentable patient signal
CN107045624A (zh) * 2017-01-06 2017-08-15 南京航空航天大学 一种基于最大加权团的脑电信号预处理与分类方法
CN106950532A (zh) * 2017-04-21 2017-07-14 西安电子科技大学 基于互模糊函数与波形相似度比较联合的时延估计方法
US20200113461A1 (en) * 2017-07-18 2020-04-16 Fundacion Para La Investigacion Biomedica Del Hospital Universitario De La Princesa Non-invasive method for determining intracranial pressure using the bioelectrical activity of the brain
US20190246927A1 (en) * 2018-02-14 2019-08-15 Cerenion Oy Apparatus and method for electroencephalographic measurement
CN109288518A (zh) * 2018-08-16 2019-02-01 北京薏然阳光电子技术有限公司 基于EEG和ERPs的脑认知神经功能测评系统及方法
CN109614885A (zh) * 2018-11-21 2019-04-12 齐鲁工业大学 一种基于lstm的脑电信号快速分类识别方法
CN112370066A (zh) * 2020-09-30 2021-02-19 北京工业大学 一种基于生成对抗网络的脑卒中康复系统脑机接口方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHENGLONG DAI ET AL: "Brain EEG Time-Series Clustering Using Maximum-Weight Clique", 《IEEE TRANSACTIONS ON CYBERNETICS》 *
CHENGLONG DAI ET AL: "Electroencephalogram Signal Clustering with Convex Cooperative Games", 《IEEE TRANSACTION ON KNOWLEDGE AND DATA ENGINEERING》 *

Similar Documents

Publication Publication Date Title
Ruiz et al. The great multivariate time series classification bake off: a review and experimental evaluation of recent algorithmic advances
Liu et al. Multiple-feature-branch convolutional neural network for myocardial infarction diagnosis using electrocardiogram
Wang et al. Deep multi-scale fusion neural network for multi-class arrhythmia detection
Fang et al. Human identification by quantifying similarity and dissimilarity in electrocardiogram phase space
CN101926646B (zh) 使用机器学习来进行心磁图分类
Khalil et al. An end-to-end multi-level wavelet convolutional neural networks for heart diseases diagnosis
Chen et al. Multiattention adaptation network for motor imagery recognition
CN115470828A (zh) 基于卷积与自注意力机制的多导联心电图分类识别方法
CN116028914B (zh) 一种智能戒指身份认证方法及系统
Midani et al. DeepArr: An investigative tool for arrhythmia detection using a contextual deep neural network from electrocardiograms (ECG) signals
CN109598219A (zh) 一种用于鲁棒肌电控制的自适应电极配准方法
Peng et al. Personalized EEG feature selection for low-complexity seizure monitoring
CN111950441A (zh) 上肢运动意图的fnirs实时解码方法及系统
Li et al. MDTL: a novel and model-agnostic transfer learning strategy for cross-subject motor imagery BCI
Dai et al. MTEEGC: A novel approach for multi-trial EEG clustering
Kaur et al. Classification of ECG signals using LDA with factor analysis method as feature reduction technique
Li et al. Shveegc: Eeg clustering with improved cosine similarity-transformed shapley value
US20220093272A1 (en) Integrated system and method for personalized stratification and prediction of neurodegenerative disease
Gordon et al. PVC detection using a convolutional autoencoder and random forest classifier
CN114010205A (zh) 3d注意力残差深度网络儿童癫痫综合征辅助分析方法
CN113100785A (zh) 一种基于凸合作博弈的脑电信号聚类方法
CN115099275B (zh) 一种基于人工神经网络的心律失常诊断模型的训练方法
Begawan et al. Sleep stage identification based on eeg signals using parallel convolutional neural network and recurrent neural network
Moqurrab et al. HRIDM: Hybrid Residual/Inception-Based Deeper Model for Arrhythmia Detection from Large Sets of 12-Lead ECG Recordings
CN112686091B (zh) 基于深度神经网络的两步骤心律失常分类方法

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

Application publication date: 20210713

RJ01 Rejection of invention patent application after publication