CN109934089B - 基于监督梯度提升器的多级癫痫脑电信号自动识别方法 - Google Patents

Abstract

本发明公开了一种基于监督梯度提升器的多级癫痫脑电信号自动识别方法，属于神经科学、智能信息处理、应用数学、人因工程技术领域。本发明首先对采集的原始脑电信号进行预处理；然后对预处理后的无噪声的脑电信号进行频域特征提取；构建分类癫痫脑电信号的分类器；通过多种评估指标来评估三个分类器的分类性能，确定最适合进行分类多种类别数据的分类器；最后将所确定的分类器的识别结果为后续使用提供决策支持。本发明不仅通过小波变换提取脑电信号的频域特征，而且通过统计技术提取统计特征；同时利用的梯度提升树分类器具有高度并行化，可提高运行效率。

Description

基于监督梯度提升器的多级癫痫脑电信号自动识别方法

技术领域

本发明属于神经科学、智能信息处理、应用数学、人因工程技术领域，具体涉及一种基于监督梯度提升器的多级癫痫脑电信号自动识别方法。

背景技术

癫痫是最常见的神经***疾病，全世界每百人中有一人患有癫痫。癫痫发作是大脑中阵发性异常超同步电活动的临床表现，其特征在于迭代、突然和暂时性。然而，脑紊乱的时间-频率是不确定的，并且它们的临床表现不容易被发现。在癫痫患者测试的早期阶段，研究人员尝试使用传感器设备收集患者表面生物学数据，包括心电图(ECG)，肌电图(EMG)，运动数据监测癫痫患者的数据。这些数据被收集到可穿戴传感器***中。这些可穿戴传感器***可以长时间非侵入地监测癫痫患者的生物数据信号。然而，这些生物数据信号具有空间分辨率不足的缺点。

因此，研究人员的目标是直接从大脑获取癫痫信息，如正电子发射断层扫描(PET)，单光子发射计算机断层扫描(SPECT)，磁共振成像(MRI)，功能磁共振成像(fMRI)。如今，一些研究人员应用了视频脑电信号(EEG)，它不仅显示时间信息，还为患者提供空间信息，作为研究癫痫的黄金标准和工具。脑电图的反映情节信息不能被其他生理脑功能方法实时替代。由于EEG信号产生的生理过程被认为是非线性、非静止和个性化信号。因此，这些特点给脑电信号分析带来了巨大挑战。

在大数据时代，机器学习技术作为脑电信号分析中一项十分重要的手段是受到高度重视的，医学和工程结合是科学发展的必然趋势，本发明的目标利用机器学习技术找到一种强适用性的、鲁棒的、分类准确率高的方法。

发明内容

本发明针对癫痫病患的脑电信号监控和检测问题，提供一种基于监督梯度提升器的多级癫痫脑电信号自动识别方法，具体涉及对癫痫患者脑电信号自动检测过程中所用到的关键特征提取和分类方法，解决人工处理分析和脑电信号的复杂弊端，有助于辅助医生进行医疗诊断，提升病患和护理者的生活质量，具体是基于计算机的癫痫患者脑电信号处理方案，本发明的目的通过以下技术方案来实现：

基于监督梯度提升器的多级癫痫脑电信号自动识别方法，具体步骤如下：

步骤一：对采集的原始脑电信号进行预处理。

采集的原始脑电信号包括三种类别，分布为连续癫痫发作脑电信号{S}、间歇癫痫发作脑电信号{F/N}和健康被试脑电信号{Z/O}。所述的预处理包括对原始脑电信号进行降采样、滤波、重参考电极、去除眼电噪声、基线校正和ICA分析的处理，最终得到无噪声的脑电信号。

对所述的无噪声的脑电信号进行存储，存储为文本格式的数据。

步骤二：对预处理后的无噪声的脑电信号进行频域特征提取，具体步骤如下；

步骤201、运用小波变换的方法进行频域分析，通过对步骤一得到无噪声的脑电信号做Symlet小波分解，提取脑电信号的五个频域特征，提取的频域特征包括alpha波、beta波、delta波、theta波和gamma波五个波段的频率子带。

步骤202、通过主成分分析法(PCA算法)进行降低维度的处理。

步骤203、对降维后的低维特征进行批量归一化处理,统一维度和格式。

步骤204、分别计算统一维度后的五个频率子带的统计特征，所述统计特征包括能量均值及能量标准方差，为导入分类器做准备。

步骤三、构建分类癫痫脑电信号的分类器，所述分类器包括梯度提升树分类器、支持向量机分类器和随机森林分类器。

步骤301、将原始脑电信号分为训练集和测试集，并以随机的方式将训练集分为十个子集，取其中一个子集作为验证集，其他九个子集作为真正用于训练的训练集。

步骤302、向每个分类器(包括梯度提升树分类器、支持向量机分类器、随机森林分类器)导入脑电数据，准备进行分类器训练。

步骤303、在分类器训练过程中采用十折交叉验证的方式进行分类器训练。

步骤304、采用每次的训练误差的平均值作为最终的交叉验证误差。

步骤305、采用网格搜索优化器对梯度提升树分类器(GBM)、支持向量机分类器(SVM)和随机森林分类器(RF)三种分类器在训练过程中产生的分类模型的参数进行寻优，运用变步长的策略对网格搜索优化器进行改造，然后将网格搜索优化器应用于分类器做优化处理。

步骤306、利用验证集在分类器上进行验证，确定最终的三个分类器。

在步骤一和步骤三之间对所处理的数据进行打标签处理。

步骤四、通过多种分类器评估指标来评估三个分类器的分类性能，确定最适合进行分类多种类别数据的分类器。

步骤401、利用测试集对步骤三中所确定的三个分类器进行测试。

步骤402、定义多个评估指标来评估分类器的性能，评估指标包括：混淆矩阵、受试者工作特征曲线、区域下面积和精确率-召回率曲线。

步骤403、对每个分类器进行性能指标对比分析，最终确定取得所需的识别结果的分类器。

步骤五、将所确定的分类器的识别结果为后续使用提供决策支持。识别结果包括三种类别：安全、低级预警和高级预警。

与现有技术相比，本发明的有益效果在于：

1、不仅通过小波变换提取脑电信号的频域特征，而且通过统计技术提取统计特征。频域特征和统计特征的实现被视为融合特征，其反映了特征的多样性并且在癫痫发作检测中表现出良好的性能。同时，主成分分析法被用于自动减少特征维度以降低硬件复杂性，同时保持高分类精度。

2、梯度提升树分类器具有高度并行化，可提高运行效率。这对于大量脑电数据的训练是有利的。然而，分类器在训练过程中产生大量超参数，依靠手动调整参数难以确定最佳参数。本文提出了网格搜索优化器来优化参数并通过以可变步长的方式重复过滤参数来确定最终的最佳分类器。为了防止梯度提升树分类器训练过程中的过度拟合，本发明使用十折交叉验证的方法，这种设计方案可以保证优化后的分类器更具有鲁棒性。

3、对比三种不同的分类器对癫痫脑电进行分类测试，得出设计的梯度提升树分类器具有最好的分类效果。它可以预测不同程度癫痫患者的病情(连续癫痫发作状态、间歇癫痫发作状态或健康状态)。同时，设计的检测方案由多个指标各方面进行评估和验证。检测策略的研究不仅限于识别的准确性，而且还包括更彻底，更清晰的分析和错误率问题。这种策略在医学筛查中具有重要意义。

附图说明

图1是本发明所提供的自动识别方法流程图；

图2是本发明所提供的Symlets小波分解的过程示意图；

图3A是本发明基于脑电信号中{S}数据做Symlet小波分解图；

图3B是本发明基于脑电信号中{F/N}数据做Symlet小波分解图；

图3C是本发明基于脑电信号中{Z/O}数据做Symlet小波分解图；

图4是本发明基于验证不同分类器产生的混淆矩阵对比图；

图5是本发明基于评估分类器产生的ROC和AUC对比图；

图6是本发明基于评估分类器产生的PR对比图。

具体实施方式

下面结合附图对本发明的具体实施方法进行详细说明。

本发明设计一种基于监督梯度提升器的多级癫痫脑电信号自动识别方法，具体步骤流程如图1所示，包括以下几个步骤：

步骤一：对采集的原始脑电信号进行预处理(脑电预处理)，以德国波恩大学的癫痫脑电数据集作为原始脑电信号为实例。

波恩大学的原始脑电信号包括三种类别，具体为连续癫痫发作脑电信号{S}、间歇癫痫发作脑电信号{F/N}和健康被试脑电信号{Z/O}。

具体步骤如下：

通过MATLAB的开源工具箱EEGlab对采集来的原始脑电信号进行预处理。所述的预处理包括对原始脑电信号进行降采样、滤波、重参考电极、去除眼电噪声、基线校正和ICA(独立成分分析)分析等的处理，最终尽可能得到纯净的无噪声的脑电信号。

对所述的无噪声的脑电信号进行存储，存储为txt格式的数据。

步骤二：对预处理后的无噪声的脑电信号进行频域特征提取，该技术为脑电处理的第一项核心技术(脑电特征提取)。

特征类型主要一般分为四个类别，包括统计特征，分形维数特征，熵特征和时频域特征。一些研究利用频域特征提取解决了癫痫发作时非静止脑电信号的自动分类问题。用的最多的是采取小波变换的方式提取脑电信号的频域特征。然而在对脑电信号进行小波变换的过程中采用哪种小波进行分解至关重要。目前，在这个领域中使用最广泛的是采用Daubechies小波进行分解。但本方法调研和对比了Daubechies、Symlets、Haar、Morlet、Mexican Hat、Meyer小波特性，这些特性主要包括：正交性、紧支撑性、支持长度和对称性，如下表1所示：

表1：各小波特性示意表

对比发现Symlet小波在所有小波中具有最优的性质，首先，Symlet小波具备正交性、紧支撑性的同时还具有对称性。其次，Symlet小波是Daubechies小波的改进，弥补了Daubechies小波近似不对称的缺点，Symlet小波的支持范围和消失矩分别为2N-1和N，Symlet小波具有比Daubechies更好的规律性，可以在一定程度上减少信号分析和重构的相位失真，选择Symlet小波，它更适合于脑电信号的时频分析。

步骤201、运用小波变换的方法进行频域分析，通过对步骤一得到无噪声的脑电信号做Symlet小波分解，提取脑电信号的五个频域特征，提取的频域特征包括alpha波、beta波、delta波、theta波和gamma波五个波段的频率子带；具体为通过四级Symlet小波将{S}，{F/N}，{Z/O}中的数据分解为包括alpha波α(6～12Hz)、beta波β(12～25Hz)、delta波δ(0～3Hz)、theta波θ(3～6Hz)和gamma波γ(25～50Hz)的五个频率子带，本发明Symlet小波分解的过程如图2所示，其中，d₁,d₂,d₃,d₄和a₁,a₂,a₃,a₄分别为每层分解的细节系数和近似系数。{S}数据、{F/N}数据和{Z/O}数据的四级Symlet小波分解结果如图3A、图3B和图3C所示。

步骤202、由于提取的五个频率子带的特征维度过高，为减小计算机的负载，提高计算机的运行速度，希望减小频率子带特征维度降低运算的复杂性。因此，本发明对步骤201提取的五个高维的频率子带的特征通过主成分分析法(PCA算法)进行降低维度的处理，从而降低方法的开销，为输入自动分类器做准备。

主成分分析法(PCA算法)的主要思想是，通过少数不相关的几个主要的成分表示多个相关的变量的内部结构。分别对脑电信号的五个频率子带做PCA处理，将频率子带的原始脑电信号所在的坐标空间转换为新的坐标所在空间，并且该新坐标空间的选择由五个频率子带本身确定，因为频率子带的最大方差提供了脑电频率特征的重要信息，转换坐标空间时，首先计算每个子带的方差，方差最大的方向用作新坐标空间主方向。第一个新坐标空间的坐标轴选择频率子带数据中方差最大的方向，第二个新坐标空间的坐标轴选择第一个新坐标系的坐标轴和第二个最大方差方向的正交方向作为新坐标轴该过程重复多次，将4097维的频率子带特征降到64维。主成分分析法(PCA算法)的伪代码如下表2所示：

表2：主成分分析法伪代码

其中，r_ij为s(t_i)与s(t_j)的协方差，r_ji为s(t_j)与s(t_i)的协方差，r_ii为s(t_i)与s(t_i)的协方差，s(t_i)是第i个脑电信号的频域特征，s(t_j)为第j个脑电信号的频域特征，i＝1,2,…,p，j＝1,2,…,p，i^*＝1,2,…,m，Vars(t_i)为s(t_i)的方差，Vars(t_j)为s(t_j)的方差。

步骤203、对降维后的低维特征进行批量归一化处理，统一维度和格式。

步骤204、分别计算统一维度后的五个频率子带alpha波α(6～12Hz)、beta波β(12～25Hz)、delta波δ(0～3Hz)、theta波θ(3～6Hz)和gamma波γ(25～50Hz)的统计特征，所述统计特征包括能量均值ω^*及能量标准方差δ²，为导入分类器做准备；为每个频段制造2个特征向量，一共10的特征向量，均值ω^*和标准偏差δ²的定义如下，其中P(s(t_i))为频域特征s(t_i)的功率；

步骤三、构建分类癫痫脑电信号的分类器(脑电特征分类)，所述分类器包括梯度提升树分类器、支持向量机分类器和随机森林分类器。

目前，机器学习的分类器有很多，但是如何选择一个适合数据处理的分类器是一个难以解决的问题，经过运用上述三种不同分类器做实验进行分类结果对比。

具体步骤如下：

步骤301、将原始脑电信号分为训练集和测试集，并以随机的方式将训练集分为十个子集，取其中一个子集作为验证集，其他九个子集作为真正用于训练的训练集，这样可以防止生成的分类模型过拟合。

步骤302、向每个分类器(梯度提升树分类器、支持向量机分类器、随机森林分类器)导入脑电数据。

在分类器中，支持向量机分类器SVM是研究脑电信号最常用的分类器，因为它具有良好的分类性能和出色的泛化能力。该分类器的本质在于在两种类型的数据特征向量之间找到一个分离的超平面。但SVM分类器不太适合三个或多个分类问题。主要特征是要搜索的超平面是两类数据特征向量之间的最远距离，也就是说，不仅要找到一个超平面来分离两种类型的数据，而且还要最大化边界距离。支持向量机分类器SVM构建过程的伪代码如下表3所示。

表3：支持向量机分类器伪代码

与支持向量机分类器类似，随机森林分类器也属于集成学习方法，为了解决单个模型或者某一组参数的模型所固有的缺陷，从而将多棵决策树整合成森林即随机森林分类器，取长补短，避免局限性，并合起来用来预测最终结果。

随机森林分类器的实施过程：首先，采用重采样bootstrap方法(有放回的随机采样方式)生成O个训练集，然后，对于每个训练集，构造一棵决策树，在节点找特征进行***的时候，并不是对所有特征找到能使得指标(如信息增益)最大的，而是在特征中随机抽取一部分特征，在抽到的特征中间找到最优解，应用于节点，进行***。随机森林的方法由于有了bagging，也就是集成的思想在，实际上相当于对于样本和特征都进行了采样，避免过拟合。随机森林分类器(RF)构建过程的伪代码如下表4所示。

表4：随机森林分类器伪代码

梯度提升树是逐步增强或逐渐改善错误的方法。由斯坦福大学的杰罗姆·H·弗里德曼设计；梯度提升树分类器构建过程的伪代码如下表5所示。

表5：梯度提升树分类器伪代码

综上，梯度提升树分类器、支持向量机分类器、随机森林分类器构建完成。

步骤303、由于癫痫数据集的数量限制，为防止分类器的过拟合，在分类器训练过程中采用十折交叉验证的方式进行分类器训练。

本发明采用十折交叉验证手段，来训练更可靠更稳定的分类器，对训练集以随机抽取的方式分为十个子集，选定其中的一个子集为验证集，其他九个子集为真正用于训练的训练集，进行试验。重复上面过程，再将训练集随机划分为十个子集，选择其中一个子集为验证集，其他九个子集为真正的训练集。保证训练集里的每一个数据都能够得到训练，这样训练出来的分类模型鲁棒性高，同时可以防止分类模型过拟合。

步骤304、进行10次十折交叉验证操作之后，每次验证都会得到一个训练误差。采用十次十折交叉验证平均值CVe作为最终的交叉验证误差(CV Error)，定义为：

e_q为第q次十折交叉验证的误差，其中

h是交叉验证的折数，

是预测值，Y_h是实际值。

步骤305、采用网格搜索优化器对梯度提升树分类器GBM、支持向量机分类器SVM和随机森林分类器RF三种分类器在训练过程中产生的分类模型的参数进行寻优(分类模型优化)，运用变步长的策略对网格搜索优化器进行改造，然后将网格搜索优化器应用于分类器做优化处理。

步骤306、利用验证集在分类器上进行验证，确定最终的三个分类器。

在步骤一和步骤三之间对所处理的数据进行打标签处理。对所处理的数据中三种类型的脑电信号数据子集(连续癫痫发作脑电信号、间歇癫痫发作的脑电信号、健康被试的脑电信号)进行打标签处理，包括：连续癫痫发作脑电信号{S}打正标签“1”、间歇癫痫发作脑电信号{F/N}打标签“0”、健康被试脑电信号{Z/O}打负标签“-1”。

步骤四、通过多种分类器评估指标来评估三个分类器的分类性能，确定最适合进行分类多种类别数据的分类器(多指标评估分类器)。

虽然大多数提出的发明都侧重于追求分类器的准确性，但在医学检测过程中，其实更加注重错分率也就是对错误分类因子的分析，所以本发明对能够深入挖掘分类错误因素的指标更为感兴趣。因此，本发明联合使用混淆矩阵、精确回忆曲线、接收器工作特性曲线和曲线下面积等多项分类器评估指标来验证所提出的癫痫检测分类器的性能，而不仅仅局限于通过分类准确率来评判一个分类器的好坏，最终本发明得到梯度提升树分类器取得了最为优秀的识别效果。

步骤401、利用测试集对步骤三中所确定的梯度提升树分类器GBM、支持向量机分类器SVM和随机森林分类器RF进行测试。

步骤402、定义多个评估指标来评估分类器的性能，评估指标包括：混淆矩阵(表6虚线框里)、受试者工作特征曲线、区域下面积和精确率-召回率曲线来验证所提出的分类器的性能。

表6中定义了癫痫脑电数据进行三分类的性能指标，如准确性、敏感性、特异性、准确性和混淆矩阵等。

表6应用于三分类的分类器的评估指标定义

其中，行数

列数

(表6的数据内容部分的前三行和前三列)当

时，

为正确分类率。当

时，

为错误分类率。其中

为所有分类率之和，All＝A₁₁+A₂₂+A₃₃+A₁₂+A₁₃+A₂₁+A₂₃+A₃₁+A₃₂。

步骤403、对每个分类器进行性能指标对比分析，最终本发明确定梯度提升树分类器取得了所需的最为优秀的识别结果。

本发明通过比较梯度提升树分类器GBM、随机森林RF和支持向量机SVM三种分类器处理三分类癫痫脑电数据集{S}，{F/N}，{Z/O}的混淆矩阵，这三种分类的混淆矩阵的结果如图4所示，左侧为梯度提升树-混淆矩阵分类结果，中间为随机森林-混淆矩阵分类结果，右侧为支持向量机-混淆矩阵分类结果，以左侧梯度提升树-混淆矩阵分类结果为例，每个方格不同深度的灰度代表不同类别的脑电信号，每次从五百个数据选一百个数据进行训练，每个格子里面的数值表示不同类别脑电信号的数据个数，所有格子里面数值加和为一百。通过实验验证梯度提升树分类器GBM比随机森林RF分类器和支持向量机SVM分类器取得有更高的分类准确率(混淆矩阵对角线上的预测值越大越好，非对角线上的预测值越小越好)，它不仅保证了对真阳性和真阴性的高预测，而且还避免了假阳性和真阴性率的误差。

近年来，随着机器学***轴的召回率意味着正确地预测正样本与真实样本的比率。当精确率和召回率很高时，可以确定分类器是好的。可以看出，梯度提升器和网格搜索优化器(GBM+GSO)在如图6所示的三种分类器中具有最大优势和最佳性能。

步骤五、将所确定的分类器的识别结果为后续使用提供决策支持。识别结果包括三种类别：安全、低级预警和高级预警。

如果分类器输出的结果为负标签“-1”，则病人处于健康的无发作正常状态，识别结果显示为安全。

如果分类器输出的结果为标签“0”，则表明病人处于间歇癫痫发作状态，需要及时给喂药进行控制病情恶化，识别结果显示为低级预警。

如果分类器输出的结果为正标签“1”，则表明病人处于连续癫痫发作状态，需要对癫痫病人进行紧急控制和治疗，识别结果显示为高级预警。

通过设计有效地癫痫检测脑电信号方案，开发一款手机的应用或许融入一些智能睡眠分析软件中，通过无线传感器网络传递脑电信号到手机终端。特别用于在晚上在家中检测和报警，防止夜间患者或未知的婴儿癫痫的突然死亡，改善患者和护理人员的生活质量。

Claims (8)

1.基于监督梯度提升器的多级癫痫脑电信号自动识别方法，其特征在于，所述步骤如下：

步骤一：对采集的原始脑电信号进行预处理；

采集的原始脑电信号包括三种类别，具体为连续癫痫发作脑电信号{S}、间歇癫痫发作的脑电信号{F/N}和健康被试的脑电信号{Z/O}；

步骤二：对预处理后的脑电信号进行频域特征提取，具体步骤如下；

步骤201、运用小波变换的方法进行频域分析，通过对步骤一得到的脑电信号做Symlet小波分解，提取脑电信号的五个频域特征；

步骤202、通过主成分分析法进行降低维度的处理；

步骤203、对降维后的低维特征进行批量归一化处理,统一维度和格式；

步骤204、分别计算统一维度后的五个频率子带的统计特征，所述统计特征包括能量均值及能量标准方差，为导入分类器做准备；

步骤三、构建分类癫痫脑电信号的分类器，所述分类器包括梯度提升树分类器、支持向量机分类器和随机森林分类器；

步骤301、将原始脑电信号分为训练集和测试集，并以随机的方式将训练集分为十个子集，取其中一个子集作为验证集，其他九个子集作为真正用于训练的训练集；

步骤302、向每个分类器导入脑电数据，准备进行分类器训练；

步骤303、在分类器训练过程中采用十折交叉验证的方式进行分类器训练；

步骤304、采用每次的训练误差的平均值作为最终的交叉验证误差；

步骤305、采用网格搜索优化器对三种分类器在训练过程中产生的分类模型的参数进行寻优，运用变步长的策略对网格搜索优化器进行改造，然后将网格搜索优化器应用于分类器做优化处理；

步骤306、利用验证集在分类器上进行验证，确定最终的三个分类器；

在步骤一和步骤三之间对所处理的数据进行打标签处理；

步骤四、通过多种分类器评估指标来评估三个分类器的分类性能，确定最适合进行分类多种类别数据的分类器；

步骤401、利用测试集对步骤三中所确定的三个分类器进行测试；

步骤402、定义多个评估指标来评估分类器的性能，评估指标包括：混淆矩阵、受试者工作特征曲线、区域下面积和精确率-召回率曲线；

步骤402、对每个分类器进行性能指标对比分析，最终确定取得所需的识别结果的分类器；

步骤五、将所确定的分类器的识别结果为后续使用提供决策支持。

2.如权利要求1所述的基于监督梯度提升器的多级癫痫脑电信号自动识别方法，其特征在于，在步骤一和步骤三之间对所处理的数据进行打标签处理；包括：连续癫痫发作脑电信号{S}打正标签“1”、间歇癫痫发作脑电信号{F/N}打标签“0”、健康被试脑电信号{Z/O}打负标签“-1”。

3.如权利要求1所述的基于监督梯度提升器的多级癫痫脑电信号自动识别方法，其特征在于，步骤一通过MATLAB的开源工具箱EEGlab对采集来的原始脑电信号进行预处理。

4.如权利要求1所述的基于监督梯度提升器的多级癫痫脑电信号自动识别方法，其特征在于，步骤二中步骤201具体为通过四级Symlet小波将{S}，{F/N}，{Z/O}中的数据分解为包括alpha波、beta波、delta波、theta波和gamma波的五个频率子带。

5.如权利要求1所述的基于监督梯度提升器的多级癫痫脑电信号自动识别方法，其特征在于，步骤二中步骤202主成分分析法的伪代码如下所示：

算法:主成分分析法；

输入:脑电信号的频域特征s(t₁),s(t₂),…,s(t_p),p是频域特征的个数；

过程:

a:集中所有频域特征：

b:计算频域特征的协方差矩阵：Cov(s(t_i),s(t_j))

c:求解相关系数矩阵R：

R＝(r_ij)_p×p＝(r(s(t_i),s(t_j)))_p×p,(r_ij＝r_ji,r_ii＝1)

其中

d:求解相关系数矩阵的特征值：

λ₁≥λ₂≥…λ_p≥0

e:确定主成分的数量：m

α为常数

f:计算相应的特征向量：

g:计算主要成分：

其中，r_ij为s(t_i)与s(t_j)的协方差，r_ji为s(t_j)与s(t_i)的协方差，r_ii为s(t_i)与s(t_i)的协方差，s(t_i)是第i个脑电信号的频域特征，s(t_j)为第j个脑电信号的频域特征，i＝1,2,…,p，j＝1,2,…,p，

Vars(t_i)为s(t_i)的方差，Vars(t_j)为s(t_j)的方差。

6.如权利要求1所述的基于监督梯度提升器的多级癫痫脑电信号自动识别方法，其特征在于，步骤三中支持向量机分类器构建过程的伪代码如下所示：

算法:支持向量机；

数据输入:频域特征s(t_i)，i＝1,2,…,p

设计的分类器:支持向量机；

a:单位阶跃函数f_w,b作用于分类超平面g(ω^T+b),其中如果ω^T+b≥0，则g(ω^T+b)＝1，否则为-1；

b:计算数据间的距离l并找到使得l最小的ω,b,ω为超平面斜率，b为截距；

c:然后，最大化最小距离；

p是频域特征的个数，使得距离label(ω^T+b)＝1,最大化ω范数的倒数max(||ω||^-1)

结果:标签值。

7.如权利要求1所述的基于监督梯度提升器的多级癫痫脑电信号自动识别方法，其特征在于，步骤三中随机森林分类器构建过程的伪代码如下所示：

算法:随机森林；

a:从1到p′:

(1)从训练数据中绘制一个大小为p′的bootstrap样本Z^*

(2)通过对决策树T_b的每个终端节点递归地重复以下步骤，将随机林树生长为增强绑定数据，直到达到最小节点大小Ω_min，其中b是决策树的棵数

b.输出 整合从1到p′的多棵决策树

在新的节点上进行预测，

识别:

是随机森林树的类预测，

然后

为

的最大投票率，其中m′是节点的个数。

8.如权利要求1所述的基于监督梯度提升器的多级癫痫脑电信号自动识别方法，其特征在于，步骤三中梯度提升树分类器构建过程的伪代码如下所示：

算法:梯度提升树；

数据:脑电信号的特征s(t_k)；

过程:第k-1轮训练得到强学习器是

计算它的损失函数为

η是学习器参数；

第k轮需要找到一个分类回归树模型的弱学习器T_k(s(t_k))，最小化第k轮的损失函数

即

计算第k轮的第l^*个样本损失函数的负梯度

K为训练的最大轮次；

找到最佳梯度下降步长ζ_best，得到分类回归树分类器：

更新学习器函数y_K；

结束。

Images