[发明专利]基于量化误差优化高斯混合模型的高频振荡节律检测方法

权利要求书

1.基于量化误差优化高斯混合模型的高频振荡节律检测方法，其特征在于：包括以下步骤：

S101：获取癫痫脑电信号的四个特征：模糊熵、短时能量、功率比和频谱质心构成一个特征向量，在不同时刻得到多组所述四个特征，构成多个特征向量；

S102：采用期望最大化高斯混合模型聚类算法对所述多个特征向量进行分类；

在分类过程中，包括建立量化误差模型对所述期望最大化高斯混合模型聚类算法的聚类数目C进行优化，得到最优的聚类数目C*；最后根据最优的聚类数目C*得到聚类结果；所述聚类数目C的优化过程为：

根据量化误差J_C：D是D维特征向量V_i的维数，建立量化误差模型：其中，a是模型参数，Const是一个常量；

根据所述量化误差模型，得到对数线性模型：其中，根据对数线性回归的系数，计算模型参数a和模型参数b：即所述模型参数a和所述模型参数b满足公式取值最小，此时得到所述模型参数a和所述模型参数b；得到模型参数a为：其中，C是聚类数目，M＝C_max-1，C_max是聚类数目的最大值；

通过公式得到量化误差模型的一个常量Const；基于常量Const，构造参数化成本函数PCF：PCF(C)＝J_C·C^2/a；所述参数化成本函数PCF最小时，得到最优的聚类数目C*：C*＝argmin{PCF(C)}；

S103：根据所述期望最大化高斯混合模型聚类算得到的聚类结果，采用箱形图的方法对不同类别特征进行统计学分析，检测出癫痫脑电信号的高频振荡节律。

2.如权利要求1所述的基于量化误差优化高斯混合模型的高频振荡节律检测方法，其特征在于：步骤S101中，所述模糊熵的具体计算步骤如下：

S201：获取癫痫脑电信号时间序列X＝[x(1),x(2),...,x(N)]；

S202：将所述癫痫脑电信号时间序列按顺序构造m维向量其中，i＝1,2,...,N-m+1，m为正整数，且m≥1，I是元素全为1的m维行向量，

S203：计算出向量与之间的距离其中，i,j∈1,2,...,N-m+1，j≠i，k＝0,1,…,m-1；

S204：根据所述距离采用模糊隶属度函数计算所述与所述之间的相似度其中，为与之间的相似度，r为相似容忍度；

S205：根据相似度得到函数其中，为与之间的相似度，N为所述癫痫脑电信号时间序列的长度，m为所述向量I的维数；

S206：将所述向量I的维数增加到m+1，得到函数Φ^m+1(n,r)；

S207：根据所述函数Φ^m(n,r)和所述函数Φ^m+1(n,r)，得到所述模糊熵：FuzzyEn(n,r,N)＝lnΦ^m(n,r)-lnΦ^m+1(n,r)；

采用均方法计算得到所述短时能量的估计值：其中，E^*(t)为所述短时能量的估计值，x(k)为脑电信号的幅值；

所述功率比R的计算公式为：其中，P_[80-200]是疑似高频振荡节律在ripples带宽内的功率，P_[250-500]是疑似高频振荡节律在fastripples带宽内的功率；

所述频谱质心f_c的计算公式为：其中，T是采样周期，L是窗长，M(k)是多窗口功率谱密度估计值，且w(L)是长度为L的汉明窗。