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 PDFInfo
- 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
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
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:
将每个脑电信号片段通过互信息表示为邻接矩阵,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,即;其中,为所有脑电信号片段的总数,;表示用于建模的个体的数目,表示用于识别的个体的数目;为第位个体的脑电信号片段的数目,;
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:
3)建立个体脑电信号数据分类识别方法;
其中确保只有现有个体的脑电信号片段在训练过程中被使用;是脑电片段信息矩阵;是脑电片段信息矩阵对应的映射矩阵;是用于建模的脑电信号数据的标签矩阵;是控制约束项的参数,取正值。表示矩阵的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:
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,其中是求解得到的脑电电极信息矩阵;是求解得到的脑电片段信息矩阵,是求解得到的脑电片段信息矩阵对应的映射矩阵。根据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,设定表示个体脑电数据分类的数目,即,脑电数据具有个类别;表示脑电数据收集器的电极数;表示用于建模的个体(建模数据库中数据)的数目,表示用于识别的个体(数据库中不包含的新个体)的数目。为第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;为所有脑电信号片段的总数,即;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;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。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。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,即,。将用于建模的脑电信号数据的标签矩阵定义为,标签矩阵的每行只包含1个“1”元素和个“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。考虑表示受试者的类别数,表示收集脑电数据的电极数。表示现有患者的数目,表示新患者的数目。为第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;为所有患者的脑电信号片段总数,即;是所有的现有患者的脑电信号片段总数,即;为所有的新患者的脑电信号片段总数,即。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。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,即,。将用于建模的脑电信号数据的标签矩阵定义为,每行只包含1个“1”元素和个“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分解为组向量,每组包含三个向量,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:
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:
3)建立个体脑电信号数据分类识别方法;
其中确保只有现有个体的脑电信号片段在训练过程中被使用;是脑电片段信息矩阵;是脑电片段信息矩阵对应的映射矩阵;是用于建模的脑电信号数据的标签矩阵;是控制约束项的参数,取正值。表示矩阵的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:
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,其中是求解得到的脑电电极信息矩阵;是求解得到的脑电片段信息矩阵,是求解得到的脑电片段信息矩阵对应的映射矩阵。再根据可以得到待识别的脑电数据的信息,其中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
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
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:
将每个脑电信号片段通过互信息表示为邻接矩阵,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,即;其中,取值为1到;为所有脑电信号片段的总数,;表示用
于建模的个体的数目,表示用于识别的个体的数目;为第位个体的脑电信号片段的
数目,;
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:
3)进行个体脑电信号数据的分类识别;
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:
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。
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)
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)
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 |
-
2021
- 2021-11-19 CN CN202111373209.9A patent/CN113796874B/zh active Active
Patent Citations (6)
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)
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 |