CN113796874B - 一种基于张量分解模型的多元脑电数据识别分析方法 - Google Patents

一种基于张量分解模型的多元脑电数据识别分析方法 Download PDF

Info

Publication number
CN113796874B
CN113796874B CN202111373209.9A CN202111373209A CN113796874B CN 113796874 B CN113796874 B CN 113796874B CN 202111373209 A CN202111373209 A CN 202111373209A CN 113796874 B CN113796874 B CN 113796874B
Authority
CN
China
Prior art keywords
electroencephalogram
matrix
data
multivariate
identification
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.)
Active
Application number
CN202111373209.9A
Other languages
English (en)
Other versions
CN113796874A (zh
Inventor
安钰
冯毅隆
陈善恩
张玺
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.)
Peking University
Original Assignee
Peking 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 Peking University filed Critical Peking University
Priority to CN202111373209.9A priority Critical patent/CN113796874B/zh
Publication of CN113796874A publication Critical patent/CN113796874A/zh
Application granted granted Critical
Publication of CN113796874B publication Critical patent/CN113796874B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/372—Analysis of electroencephalograms

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Psychology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Psychiatry (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公布了一种基于张量分解模型的多元脑电数据识别分析方法，利用采集到的多元脑电信号，建立基于张量分解模型的多元脑电数据识别分析模型，实现对脑电数据的分析与识别；包括：利用CP张量分解方法，构建基于多元脑电数据的张量分解模型，作为多元脑电数据识别分析模型；建立用于建模的脑电信号数据的分类类别信息约束项，即标签矩阵；利用多元脑电数据识别分析模型进行个体脑电信号数据的分类识别。采用本发明提供的技术方案，有助于实现对脑电数据分类类别的识别分析，提升数据识别的准确性，为远程个体数据的分析识别提供启发式的辅助，能够为个体提供切身的便利与帮助。

Description

一种基于张量分解模型的多元脑电数据识别分析方法
技术领域
本发明提供一种多元脑电数据识别分析技术，具体涉及一种基于张量分解模型的多元脑电数据识别分析方法，属于工业工程数据分析技术领域。
背景技术
大脑神经元突发性异常放电会导致短暂的大脑功能障碍。随着通信和计算技术的发展，相关技术广泛应用于大脑神经元的脑电数据的获取和识别分析。脑电数据的获取成本低、灵活度高、时间分辨率高，且具有非侵入式性、易用性、便携性和安全性等特点。脑电数据中隐含大量有潜在价值的信息，对远程医疗和病理机制的解释等起到十分重要的作用。因此，对多元脑电数据的自动识别和分析是减少对对专业人员依赖的重要一步。
脑电数据通常是针对特定对象的，体现在脑电数据高度受各种个体差异的影响。例如，患有癫痫症的不同患者的生理记录可能区别很大。近些年，学术和业界人士已经开发出许多方法用来对脑电数据进行识别和分析。现有技术更侧重于特定个体人群脑电数据的建模（subject-specific modeling），而缺乏基于实际场景中非特定个体人群脑电数据的建模（subject-independent modeling）方法。
目前，对多元脑电数据进行识别和分析仍然面临以下挑战：第一，脑电数据具有非线性性、非平稳性、非高斯性等难以捕捉的性质。第二，脑电数据特性复杂、难以区分。例如，癫痫发作前期与发作间期的脑电数据特性复杂、难以区分，给不同阶段的脑电数据识别带来困难。第三，脑电数据个体差异性显著，导致基于现有脑电数据的建模结果适用性不高，难以有效应用。
发明内容
针对上述现有技术存在的不足，本发明提供一种基于张量分解模型的多元脑电数据识别分析方法，充分考虑不同个体脑电数据之间的特异性，利用采集到的多元脑电数据建立基于张量分解模型的多元脑电数据识别分析模型，实现对新的脑电数据进行识别分析。
本发明提供的技术方案如下：
一种基于张量分解模型的多元脑电数据识别分析方法，利用采集到的个体的多元脑电信号，建立基于张量分解的多元脑电数据识别分析模型，实现对脑电数据的分析与识别。包括如下步骤：
1）利用CP张量分解方法构建基于多元脑电数据的张量分解模型，作为多元脑电数据识别分析模型；包括：
11）针对脑电信号数据定义输入张量
Figure 708696DEST_PATH_IMAGE001
；
将每个脑电信号片段通过互信息表示为邻接矩阵
Figure 372764DEST_PATH_IMAGE002
，
Figure 846471DEST_PATH_IMAGE003
表示脑电数据收集器的电极数；通过堆叠所有的脑电信号片段的邻接矩阵定义输入张量
Figure 628613DEST_PATH_IMAGE004
，即
Figure 783651DEST_PATH_IMAGE005
；其中，
Figure 725062DEST_PATH_IMAGE006
为所有脑电信号片段的总数，
Figure 436183DEST_PATH_IMAGE007
；
Figure 204157DEST_PATH_IMAGE008
表示用于建模的个体的数目，
Figure 631727DEST_PATH_IMAGE009
表示用于识别的个体的数目；
Figure 552279DEST_PATH_IMAGE010
为第
Figure 649679DEST_PATH_IMAGE011
位个体的脑电信号片段的数目，
Figure 531047DEST_PATH_IMAGE012
；
12）通过CP张量分解方法将输入张量
Figure 293467DEST_PATH_IMAGE001
分解为
Figure 68525DEST_PATH_IMAGE013
组向量，表示为式1：
Figure 900608DEST_PATH_IMAGE014
（式1）
其中，
Figure 3693DEST_PATH_IMAGE015
为输入张量
Figure 914011DEST_PATH_IMAGE016
的估计；
Figure 684521DEST_PATH_IMAGE017
为单位张量，即
Figure 904150DEST_PATH_IMAGE018
，其中
Figure 760111DEST_PATH_IMAGE019
表示狄拉克函数，即只有在满足
Figure 972655DEST_PATH_IMAGE020
条件时
Figure 4196DEST_PATH_IMAGE021
为1，其余情况为0；
Figure 535672DEST_PATH_IMAGE022
是脑电电极信息矩阵；
Figure 472404DEST_PATH_IMAGE023
为脑电片段信息矩阵；
Figure 114738DEST_PATH_IMAGE024
是张量的第
Figure 594260DEST_PATH_IMAGE025
模态积。
2）建立用于建模的脑电信号数据的分类类别信息约束项，即标签矩阵
Figure 402030DEST_PATH_IMAGE026
；
如果两个脑电片段数据在生理状态上相似，则表示二者在生理数据结构上彼此相近。我们定义最小化生理状态相似的两个脑电片段间距的目标函数为：
Figure 967003DEST_PATH_IMAGE027
（式2）
其中
Figure 537662DEST_PATH_IMAGE028
是式1得到的输入张量估计
Figure 606112DEST_PATH_IMAGE015
的第3模态展开矩阵；
Figure 89177DEST_PATH_IMAGE029
是所有用于建模的脑电信号片段总数；
Figure 407026DEST_PATH_IMAGE030
是基于标签矩阵
Figure 515796DEST_PATH_IMAGE031
的核矩阵，其元素
Figure 704332DEST_PATH_IMAGE032
代表第
Figure 856834DEST_PATH_IMAGE033
个片段和第
Figure 661979DEST_PATH_IMAGE034
个片段间的相似性。
3）建立个体脑电信号数据分类识别方法；
本发明提出的方法是为进一步分析与识别非特定个体的脑电数据状态而设计的。定义脑电片段信息矩阵
Figure 184227DEST_PATH_IMAGE035
对应的映射矩阵为
Figure 617482DEST_PATH_IMAGE036
，脑电数据的识别分析过程可以采用岭回归表示为式3。
Figure 566984DEST_PATH_IMAGE037
（式3）
其中
Figure 469212DEST_PATH_IMAGE038
确保只有现有个体的脑电信号片段在训练过程中被使用；
Figure 795151DEST_PATH_IMAGE035
是脑电片段信息矩阵；
Figure 82913DEST_PATH_IMAGE039
是脑电片段信息矩阵
Figure 468895DEST_PATH_IMAGE035
对应的映射矩阵；
Figure 983053DEST_PATH_IMAGE040
是用于建模的脑电信号数据的标签矩阵；
Figure 223934DEST_PATH_IMAGE041
是控制约束项的参数，取正值。
Figure 507148DEST_PATH_IMAGE042
表示矩阵
Figure 923086DEST_PATH_IMAGE039
的Frobenius范数。
因此，本发明提出的方法可以表述为解决以下优化问题：
Figure 924540DEST_PATH_IMAGE043
（式4）
其中
Figure 467648DEST_PATH_IMAGE044
所有控制各项的参数，取正值。
在本发明中，我们可以应用各类核函数进行分析。本发明采用多块乘子交替方向法求解式4中的优化问题，求解得到的优化解记为
Figure 870948DEST_PATH_IMAGE045
，其中
Figure 333153DEST_PATH_IMAGE046
是求解得到的脑电电极信息矩阵；
Figure 680958DEST_PATH_IMAGE047
是求解得到的脑电片段信息矩阵，
Figure 886811DEST_PATH_IMAGE048
是求解得到的脑电片段信息矩阵
Figure 518518DEST_PATH_IMAGE035
对应的映射矩阵。根据
Figure 151625DEST_PATH_IMAGE049
可以得到待识别的脑电数据的信息，从而分析判断该片段脑电数据的类别。通过上述步骤，即实现基于张量分解模型的多元脑电数据识别与分析。
与现有技术相比，本发明的有益效果是：
本发明提供一种基于张量分解模型的多元脑电数据识别分析方法，利用采集到的多元脑电信号，构建基于多元脑电数据的张量分解模型框架，建立用于建模的脑电信号数据的分类类别信息约束项，建立个体脑电信号数据分类识别方法，进而一步完成对待识别脑电数据的识别。通过采用本发明所提供的技术方案，有助于实现对脑电数据分类类别的识别，提升识别的准确性，能够为个体提供切身的便利与帮助，为远程医疗与精准医疗提供启发式的辅助指引。
附图说明
图1是本发明方法的流程框图。
具体实施方式
下面结合附图，通过实施例进一步描述本发明，但不以任何方式限制本发明的范围。
本发明提供一种基于张量分解模型的多元脑电数据识别分析方法，图1所示是本发明方法的流程，包括：利用采集到的多元脑电信号，构建基于多元脑电数据的张量分解模型框架，建立用于建模的脑电信号数据的分类类别信息约束项，建立个体脑电信号数据分类识别方法，进而一步完成对待识别脑电数据的识别。通过采用本发明所提供的技术方案，有助于实现对脑电数据分类类别的识别，能够为个体提供切身的便利与帮助，为远程医疗与精准医疗提供启发式的辅助指引。
本发明中，设定
Figure 252305DEST_PATH_IMAGE050
表示个体脑电数据分类的数目，即，脑电数据具有
Figure 996270DEST_PATH_IMAGE050
个类别；
Figure 983949DEST_PATH_IMAGE051
表示脑电数据收集器的电极数；
Figure 787957DEST_PATH_IMAGE052
表示用于建模的个体（建模数据库中数据）的数目，
Figure 844775DEST_PATH_IMAGE053
表示用于识别的个体（数据库中不包含的新个体）的数目。
Figure 658010DEST_PATH_IMAGE054
为第
Figure 730221DEST_PATH_IMAGE033
位个体的脑电信号片段的数目，这里每个脑电信号片段属于且仅属于一个类别；
Figure 236289DEST_PATH_IMAGE055
为所有脑电信号片段的总数，即
Figure 780403DEST_PATH_IMAGE056
；
Figure 131750DEST_PATH_IMAGE057
是用于建模的个体的脑电信号数据（建模数据库中）片段的数目，即
Figure 218654DEST_PATH_IMAGE058
；
Figure 505410DEST_PATH_IMAGE059
为用于识别的脑电信号数据（数据库中不包含的新个体的数据）片段的数目，即
Figure 412186DEST_PATH_IMAGE060
。每个脑电信号片段可以通过互信息（mutualinformation）表示为一个邻接矩阵
Figure 691858DEST_PATH_IMAGE061
。通过堆叠所有的脑电信号片段的邻接矩阵可以定义本发明的输入张量
Figure 633269DEST_PATH_IMAGE062
，即，
Figure 589462DEST_PATH_IMAGE063
。将用于建模的脑电信号数据的标签矩阵定义为
Figure 983534DEST_PATH_IMAGE064
，标签矩阵
Figure 942263DEST_PATH_IMAGE065
的每行只包含1个“1”元素和
Figure 597235DEST_PATH_IMAGE066
个“0”元素。本发明提供的基于张量分解模型的多元脑电数据识别分析方法，利用采集到的个体的多元脑电信号，建立基于张量分解的多元脑电数据识别分析模型，实现对脑电数据的分析与识别。
以下实施例以实际收集的癫痫患者脑电数据为示例，包含14 名癫痫患者（8名男性，年龄：25-71 岁；6名女性，年龄：20-58 岁）。数据包含使用 512 Hz 采样率测取头皮脑电获得的患者脑活动记录，电极根据国际 10-20 系统排列。每名患者的临床和电生理数据均已由临床专家仔细修订。癫痫发作脑电记录包含发作间期、发作前期和发作期。采用本发明方法实现基于张量分解模型的多元脑电数据识别分析，对于关注癫痫各阶段的识别提供辅助，更多关注于对发作前期的识别分析，以便于进一步及时地采取干预措施。具体地，可将癫痫发作前 1 分钟到 6 分钟的 5 分钟时间段作为每个受试者每次癫痫发作的发作前期阶段信号。以同样的方式，将癫痫发作前 50 分钟到 55 分钟的 5 分钟时间段作为每个受试者每次癫痫发作的发作间期信号。利用本发明方法，基于收集到的癫痫患者脑电数据，对待识别的新的脑电数据进行识别的具体实施方式如下：
将5位患者（PN01，PN03，PN09，PN13，PN14）记为现有患者，1位患者（PN10）记为新患者。考虑
Figure 350427DEST_PATH_IMAGE067
表示受试者的类别数，
Figure 372741DEST_PATH_IMAGE068
表示收集脑电数据的电极数。
Figure 869581DEST_PATH_IMAGE069
表示现有患者的数目，
Figure 644639DEST_PATH_IMAGE070
表示新患者的数目。
Figure 303154DEST_PATH_IMAGE071
为第
Figure 937398DEST_PATH_IMAGE033
个患者的脑电信号片段数，这里每个片段属于且仅属于一个类别；
Figure 349181DEST_PATH_IMAGE072
为所有患者的脑电信号片段总数，即
Figure 119691DEST_PATH_IMAGE073
；
Figure 73740DEST_PATH_IMAGE074
是所有的现有患者的脑电信号片段总数，即
Figure 195280DEST_PATH_IMAGE075
；
Figure 909289DEST_PATH_IMAGE076
为所有的新患者的脑电信号片段总数，即
Figure 534306DEST_PATH_IMAGE077
。每个脑电信号片段可以通过互信息（mutualinformation）表示为一个邻接矩阵
Figure 659256DEST_PATH_IMAGE078
。通过堆叠所有的脑电信号片段的邻接矩阵可以定义本发明的输入张量
Figure 2513DEST_PATH_IMAGE079
，即，
Figure 644847DEST_PATH_IMAGE080
。将用于建模的脑电信号数据的标签矩阵定义为
Figure 763850DEST_PATH_IMAGE081
，每行只包含1个“1”元素和
Figure 200648DEST_PATH_IMAGE082
个“0”元素，表示脑电信号数据的分类类别信息。
1）构建基于多元脑电数据的张量分解模型；
利用CP（CANDECOMP/PARAFAC）张量分解方法，应用多元脑电数据建立脑电识别模型，可以通过CP分解方法将输入张量
Figure 890255DEST_PATH_IMAGE016
分解为
Figure 336280DEST_PATH_IMAGE083
组向量，每组包含三个向量，
Figure 670309DEST_PATH_IMAGE084
个同类型的向量可以通过一个对应的矩阵表示，CP分解表示为式1：
Figure 153375DEST_PATH_IMAGE085
（式1）
其中，
Figure 471223DEST_PATH_IMAGE086
为输入张量
Figure 314415DEST_PATH_IMAGE016
的估计；
Figure 34109DEST_PATH_IMAGE087
为单位张量，即
Figure 812709DEST_PATH_IMAGE088
；
Figure 723246DEST_PATH_IMAGE089
是脑电电极信息矩阵；
Figure 245495DEST_PATH_IMAGE090
为脑电片段信息矩阵；
Figure 944329DEST_PATH_IMAGE024
是张量的第
Figure 893831DEST_PATH_IMAGE025
模态积。
2）建立用于建模的脑电信号数据的分类类别信息约束项，即标签矩阵
Figure 530479DEST_PATH_IMAGE026
；
如果两个脑电片段数据在生理状态上相似，则表示二者在生理数据结构上彼此相近。我们定义最小化生理状态相似的两个脑电片段间距的目标函数为：
Figure 856419DEST_PATH_IMAGE091
（式2）
其中
Figure 442383DEST_PATH_IMAGE092
是式1得到的输入张量估计
Figure 562786DEST_PATH_IMAGE086
的第3模态展开矩阵；
Figure 201577DEST_PATH_IMAGE029
是所有用于建模的脑电信号片段总数；
Figure 331208DEST_PATH_IMAGE093
是基于标签矩阵
Figure 224208DEST_PATH_IMAGE094
的核矩阵，其元素
Figure 781092DEST_PATH_IMAGE032
代表第
Figure 782546DEST_PATH_IMAGE033
个片段和第
Figure 574921DEST_PATH_IMAGE034
个片段间的相似性。
3）建立个体脑电信号数据分类识别方法；
本发明提出的方法是为进一步分析与识别非特定个体的脑电数据状态而设计的。定义脑电片段信息矩阵
Figure 447062DEST_PATH_IMAGE035
对应的映射矩阵为
Figure 814327DEST_PATH_IMAGE095
，脑电数据的识别分析过程可以采用岭回归表示为式3。
Figure 37498DEST_PATH_IMAGE096
（式3）
其中
Figure 508931DEST_PATH_IMAGE097
确保只有现有个体的脑电信号片段在训练过程中被使用；
Figure 94633DEST_PATH_IMAGE035
是脑电片段信息矩阵；
Figure 134264DEST_PATH_IMAGE039
是脑电片段信息矩阵
Figure 579152DEST_PATH_IMAGE035
对应的映射矩阵；
Figure 854276DEST_PATH_IMAGE040
是用于建模的脑电信号数据的标签矩阵；
Figure 91222DEST_PATH_IMAGE098
是控制约束项的参数，取正值。
Figure 24060DEST_PATH_IMAGE099
表示矩阵
Figure 487402DEST_PATH_IMAGE039
的Frobenius范数。
因此，本发明提出的方法可以表述为解决以下优化问题：
Figure 35058DEST_PATH_IMAGE100
（式4）
其中
Figure 126511DEST_PATH_IMAGE101
所有控制各项的参数，取正值。
在本发明中，我们可以应用各类核函数进行分析。本发明采用多块乘子交替方向法求解式4中的优化问题，求解得到的优化解记为
Figure 367000DEST_PATH_IMAGE102
，其中
Figure 927425DEST_PATH_IMAGE103
是求解得到的脑电电极信息矩阵；
Figure 278772DEST_PATH_IMAGE104
是求解得到的脑电片段信息矩阵，
Figure 801895DEST_PATH_IMAGE105
是求解得到的脑电片段信息矩阵
Figure 354230DEST_PATH_IMAGE035
对应的映射矩阵。再根据
Figure 261006DEST_PATH_IMAGE106
可以得到待识别的脑电数据的信息，其中
Figure 275099DEST_PATH_IMAGE107
是新个体的标签矩阵，标签矩阵表示了脑电信号数据的分类类别信息（类别包括发作前期与发作间期），通过独热编码（One-Hot Encoding）表示。通过上述步骤，即实现基于张量分解模型的多元脑电数据识别与分析。
将本发明与目前学界先进的两种深度学习方法MSSA-TN、CCNN和一些经典的统计学习方法如SVM、 LR、KNN、RF和LDA作比较，结果如表1。由表1可以看出，本发明提出的方法的准确率优于目前学界提出的两种深度学习方法与经典的统计学习方法，说明了本发明的优越性。
表1. 本发明方法与现有模型进行识别的准确率比较
Figure 482089DEST_PATH_IMAGE108
同时，对本发明提出的方法进行消融实验，结果如表2。由表2可以得知，本发明提出的约束项（即，式2）是有意义的。相比于没有约束项，采用本发明提出的方法分析识别脑电数据类别的准确率提升了11.62%。
表2. 模型消融实验结果
Figure 910053DEST_PATH_IMAGE109
需要注意的是，公布实施例的目的在于帮助进一步理解本发明，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的范围内，各种替换和修改都是可能的。因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。

Claims (8)

1.一种基于张量分解模型的多元脑电数据识别分析方法，利用采集到的多元脑电信号，建立基于张量分解模型的多元脑电数据识别与分析模型，实现对脑电数据的识别与分析；包括如下步骤：
1）利用CP张量分解方法构建基于多元脑电数据的张量分解模型，作为多元脑电数据识别分析模型；包括：
11）针对脑电信号数据定义输入张量
Figure 879437DEST_PATH_IMAGE001
；
将每个脑电信号片段通过互信息表示为邻接矩阵
Figure 828939DEST_PATH_IMAGE002
，
Figure 573910DEST_PATH_IMAGE003
表示脑电数据收集 器的电极数；通过堆叠所有的脑电信号片段的邻接矩阵定义输入张量
Figure 899849DEST_PATH_IMAGE004
，即
Figure 859715DEST_PATH_IMAGE005
；其中，
Figure 714538DEST_PATH_IMAGE006
取值为1到
Figure 25434DEST_PATH_IMAGE007
；
Figure 889485DEST_PATH_IMAGE007
为所有脑电信号片段的总数，
Figure 654922DEST_PATH_IMAGE008
；
Figure 946226DEST_PATH_IMAGE009
表示用 于建模的个体的数目，
Figure 682101DEST_PATH_IMAGE010
表示用于识别的个体的数目；
Figure 881001DEST_PATH_IMAGE011
为第
Figure 753142DEST_PATH_IMAGE012
位个体的脑电信号片段的 数目，
Figure 730194DEST_PATH_IMAGE013
；
12）通过CP张量分解方法将输入张量
Figure 484524DEST_PATH_IMAGE014
分解为
Figure 690377DEST_PATH_IMAGE015
组向量，表示为式1：
Figure 682604DEST_PATH_IMAGE016
式1
其中，
Figure 112448DEST_PATH_IMAGE017
为输入张量
Figure 557336DEST_PATH_IMAGE014
的估计；
Figure 317613DEST_PATH_IMAGE018
为单位张量，即
Figure 961084DEST_PATH_IMAGE019
，其中
Figure 765092DEST_PATH_IMAGE020
表示狄拉克函数；
Figure 494013DEST_PATH_IMAGE021
是脑电电极信息矩阵；
Figure 307248DEST_PATH_IMAGE022
为脑电片段信息矩阵；
Figure 8488DEST_PATH_IMAGE023
是张量的第
Figure 232665DEST_PATH_IMAGE012
模态积；
2）建立用于建模的脑电信号数据的分类类别信息约束项，即标签矩阵
Figure 714462DEST_PATH_IMAGE024
；
定义最小化生理状态相似的两个脑电片段间距的目标函数，表示为式2：
Figure 800230DEST_PATH_IMAGE025
式2
其中，
Figure 621555DEST_PATH_IMAGE026
为
Figure 564103DEST_PATH_IMAGE027
的第3模态展开矩阵；
Figure 470879DEST_PATH_IMAGE028
是所有用于建模的脑电信号片段总数；标签 矩阵
Figure 373720DEST_PATH_IMAGE029
，
Figure 49552DEST_PATH_IMAGE030
表示脑电数据分类的数目；
Figure 631843DEST_PATH_IMAGE031
是基于标签矩阵
Figure 760336DEST_PATH_IMAGE032
的核矩阵，其元 素
Figure 250223DEST_PATH_IMAGE033
代表第
Figure 295408DEST_PATH_IMAGE012
个片段和第
Figure 48601DEST_PATH_IMAGE034
个片段间的相似性；
Figure 398811DEST_PATH_IMAGE035
是
Figure 895651DEST_PATH_IMAGE036
的 Frobenius范数；
3）进行个体脑电信号数据的分类识别；
定义脑电片段信息矩阵
Figure 342813DEST_PATH_IMAGE037
对应的映射矩阵为
Figure 752060DEST_PATH_IMAGE038
，脑电数据的识别过程采用岭回归表示为式3：
Figure 917462DEST_PATH_IMAGE039
式3
其中，
Figure 952414DEST_PATH_IMAGE040
，表示只在训练过程中使用现有个体的脑电信号片段；
Figure 191765DEST_PATH_IMAGE041
是控制约束项的参数；
Figure 286760DEST_PATH_IMAGE042
表示矩阵
Figure 673879DEST_PATH_IMAGE043
的Frobenius范数；
通过求得式4的优化解，对个体脑电信号数据进行分类识别：
Figure 496211DEST_PATH_IMAGE044
式4
其中，
Figure 917965DEST_PATH_IMAGE045
是所有控制各项的参数；
将求解得到的优化解记为
Figure 183861DEST_PATH_IMAGE046
，其中
Figure 995959DEST_PATH_IMAGE047
是求解得到的脑电电极信息矩阵；
Figure 169452DEST_PATH_IMAGE048
是求解得到的脑电片段信息矩阵，
Figure 648975DEST_PATH_IMAGE049
是求解得到的脑电片段信息矩阵
Figure 567996DEST_PATH_IMAGE037
对应的映射矩阵；
根据
Figure 132969DEST_PATH_IMAGE050
得到待识别的脑电数据的标签矩阵，即识别得到脑电数据的分类信息，由此实现基于张量分解模型的多元脑电数据分析与预测。
2.如权利要求1所述基于张量分解模型的多元脑电数据识别分析方法，其特征是，步骤12）将输入张量
Figure 110152DEST_PATH_IMAGE014
分解为
Figure 709761DEST_PATH_IMAGE051
组向量，每组包含三个向量，
Figure 51881DEST_PATH_IMAGE051
个同类型的向量表示为一个对应的矩阵。
3.如权利要求1所述基于张量分解模型的多元脑电数据识别分析方法，其特征是，标签矩阵
Figure 635309DEST_PATH_IMAGE052
中，每行只包含1个“1”元素和
Figure 603134DEST_PATH_IMAGE053
个“0”元素。
4.如权利要求1所述基于张量分解模型的多元脑电数据识别分析方法，其特征是，应用核函数对式4进行求解和分析。
5.如权利要求1所述基于张量分解模型的多元脑电数据识别分析方法，其特征是，具体是采用多块乘子交替方向法求解式4。
6.如权利要求1所述基于张量分解模型的多元脑电数据识别分析方法，其特征是，标签矩阵中表示的脑电信号数据的分类类别可包括发作前期与发作间期，采用独热编码表示。
7.如权利要求1所述基于张量分解模型的多元脑电数据识别分析方法，其特征是，定义
Figure 57249DEST_PATH_IMAGE054
，其中
Figure 632587DEST_PATH_IMAGE055
是新个体的标签矩阵；根据求解得到的
Figure 640994DEST_PATH_IMAGE056
即可得到待识别的脑电数据的标签矩阵，由此得到待识别的脑电数据的类别信息。
8.如权利要求1所述基于张量分解模型的多元脑电数据识别分析方法，其特征是，控制参数
Figure 163242DEST_PATH_IMAGE057
均为正值。
CN202111373209.9A 2021-11-19 2021-11-19 一种基于张量分解模型的多元脑电数据识别分析方法 Active CN113796874B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111373209.9A CN113796874B (zh) 2021-11-19 2021-11-19 一种基于张量分解模型的多元脑电数据识别分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111373209.9A CN113796874B (zh) 2021-11-19 2021-11-19 一种基于张量分解模型的多元脑电数据识别分析方法

Publications (2)

Publication Number Publication Date
CN113796874A CN113796874A (zh) 2021-12-17
CN113796874B true CN113796874B (zh) 2022-01-28

Family

ID=78938437

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111373209.9A Active CN113796874B (zh) 2021-11-19 2021-11-19 一种基于张量分解模型的多元脑电数据识别分析方法

Country Status (1)

Country Link
CN (1) CN113796874B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114462557B (zh) * 2022-04-13 2022-07-01 北京大学 一种基于多源信息融合的生理状态识别分析方法
CN117473303B (zh) * 2023-12-27 2024-03-19 小舟科技有限公司 基于脑电信号的个性化动态意图特征提取方法及相关装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012133185A1 (ja) * 2011-03-31 2012-10-04 独立行政法人理化学研究所 脳波解析装置、脳波解析方法、プログラム、及び記録媒体
CN103870710A (zh) * 2014-03-30 2014-06-18 大连理工大学 一种用于多被试fMRI数据分析的分组张量方法
CN105654110A (zh) * 2015-12-04 2016-06-08 深圳先进技术研究院 一种张量模式下的有监督学习优化方法及系统
CN107679242A (zh) * 2017-10-30 2018-02-09 河海大学 融合多信息源耦合张量分解的标签推荐方法
CN110013248A (zh) * 2018-01-08 2019-07-16 上海交通大学 脑电张量模式识别技术与脑机交互康复系统
CN112329633A (zh) * 2020-11-05 2021-02-05 南开大学 基于张量分解的情感识别方法、装置、介质及电子设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012133185A1 (ja) * 2011-03-31 2012-10-04 独立行政法人理化学研究所 脳波解析装置、脳波解析方法、プログラム、及び記録媒体
CN103870710A (zh) * 2014-03-30 2014-06-18 大连理工大学 一种用于多被试fMRI数据分析的分组张量方法
CN105654110A (zh) * 2015-12-04 2016-06-08 深圳先进技术研究院 一种张量模式下的有监督学习优化方法及系统
CN107679242A (zh) * 2017-10-30 2018-02-09 河海大学 融合多信息源耦合张量分解的标签推荐方法
CN110013248A (zh) * 2018-01-08 2019-07-16 上海交通大学 脑电张量模式识别技术与脑机交互康复系统
CN112329633A (zh) * 2020-11-05 2021-02-05 南开大学 基于张量分解的情感识别方法、装置、介质及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Tensor decomposition of EEG signals: A brief review;Fengyu Cong等;《Journal of Neuroscience Methods》;20150615;59-69 *

Also Published As

Publication number Publication date
CN113796874A (zh) 2021-12-17

Similar Documents

Publication Publication Date Title
Yıldırım et al. A deep convolutional neural network model for automated identification of abnormal EEG signals
CN110070105B (zh) 基于元学习实例快速筛选的脑电情绪识别方法、系统
Acharya et al. Use of principal component analysis for automatic classification of epileptic EEG activities in wavelet framework
Khanmohammadi et al. Adaptive seizure onset detection framework using a hybrid PCA–CSP approach
Übeyli Lyapunov exponents/probabilistic neural networks for analysis of EEG signals
Zhao et al. EEG-Based Seizure detection using linear graph convolution network with focal loss
CN113796874B (zh) 一种基于张量分解模型的多元脑电数据识别分析方法
Kulkarni et al. EEG-based diagnosis of alzheimer disease: a review and novel approaches for feature extraction and classification techniques
Agarwal et al. Classification of alcoholic and non-alcoholic EEG signals based on sliding-SSA and independent component analysis
CN116322479A (zh) 用于检测和/或预测心脏事件的心电图处理系统
Kanna et al. Cognitive Disability Prediction & Analysis using Machine Learning Application
Hasan et al. Fine-grained emotion recognition from eeg signal using fast fourier transformation and cnn
Wang et al. Dual-modal information bottleneck network for seizure detection
Li et al. GCNs–FSMI: EEG recognition of mental illness based on fine-grained signal features and graph mutual information maximization
Li et al. An innovative EEG-based emotion recognition using a single channel-specific feature from the brain rhythm code method
Fatma et al. Survey on Epileptic Seizure Detection on Varied Machine Learning Algorithms
Sukaria et al. Epileptic seizure detection using convolution neural networks
Liu et al. Automated Machine Learning for Epileptic Seizure Detection Based on EEG Signals.
CN114699093A (zh) 一种基于卷积神经网络和长短期记忆的脑电癫病发作信号检测方法
Batal et al. Temporal Data Mining for Healthcare Data.
Aldahr et al. Evolving deep learning models for epilepsy diagnosis in data scarcity context: A survey
Cekić Anomaly Detection in Medical Time Series with Generative Adversarial Networks: A Selective Review
Liotto et al. A multiclass CNN cascade model for the clinical detection support of cardiac arrhythmia based on subject-exclusive ECG dataset
Elen et al. A hybrid machine learning model for classifying time series
Omar et al. Enhancing EEG signals classification using LSTM‐CNN architecture

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