[发明专利]基于领域嵌入概率的半监督学习癫痫脑电信号识别方法

权利要求书

1.基于领域嵌入概率的半监督学习癫痫脑电信号识别方法，其特征在于，包括：

步骤1：采集不同类别的原始脑电信号并进行预处理；

步骤2：对预处理后的脑电信号进行特征提取，特征提取后得到包含n个训练样本的特征数据集X＝{x₁,x₂,...,x_n}，x_i是X中第i个特征向量，x_i∈R^d，d表示样本的维度，数据的前l个样本{x₁,x₂,...,x_l}标记脑电信号的类别标签，记为X_l，X_l对应的类别标签矩阵记为Y_l＝{y₁,y₂,...,y_l}，Y_l是l行c列的矩阵，其中的标签向量表示样本x_i的类别是第j类，c是脑电信号类别数，样本集X的后(n-l)个样本{x_l+1,x_l+2,...,x_n}记为X_u,X_u未标记类别，其对应的类别标签矩阵记为Y_u＝{y_l+1,y_l+2,...,y_n}，Y_u是(n-l)行c列的0矩阵；

步骤3：根据类别标签矩阵Y_l在X_l集内进行样本配对，构成同类样本对集合M和异类样本对集合D，其中M＝{(x_i,x_j)|y_i＝y_j}，D＝{(x_i,x_j)|y_i≠y_j}；

步骤4：构建数据集X上的半监督关联矩阵U，U中的第i行第j列元素U_ij定义为：

其中，1≤i≤n，1≤j≤n，a是大于1的正数，b是大于1且小于a的正数；

步骤5：记投影矩阵为A∈R^d×e,0＜e≤d，通过A将数据集X中每个样本x_i投影到低维空间R^e，低维特征表示为：

z_i＝A^Tx_i， (2)

投影矩阵A的计算式是：

其中，I表示单位矩阵，|M|和|D|分别表示集合M和D中样本对的个数，Tr{}表示矩阵的迹运算，T表示矩阵的转置操作，设引入拉格朗日系数α，使用拉格朗日乘子法求解式(3)，得到：

对矩阵进行特征值分解，取最大的e个特征值对应的特征向量更新矩阵A；

步骤6：构建低维空间的领域嵌入概率矩阵S，S中第i行第j列的元素S_ij表示z_i选择z_j作为近邻的概率，S_ij的计算式为：

其中，dis(z_i,z_j)表示z_i到z_j的欧式距离，S_ij满足以z_i为中心，单位矩阵为协方差矩阵的高斯分布；

步骤7：将所述半监督关联矩阵U、投影矩阵A、领域嵌入概率矩阵S输入到领域嵌入概率的半监督学习模型，更新k个最小一维熵特征向量对应的类别标签；

步骤8：根据所述的k个最小一维熵特征向量对应的类别标签，将其对应的样本加入X_l集，并从X_u集中删除，重新构建集合M和集合D；

步骤9：判断X_u集是否为空，如果否，则转向步骤4，如果是，则转向步骤10；

步骤10：采集待测试的脑电信号样本x_test，经过预处理，根据式(2)计算得到它的低维特征表示z_test，计算z_test和数据集X_l中每个样本的低维特征表示z_i之间的距离dis(z_i,z_test)，选取dis(z_i,z_test)最小的r个特征向量，根据投票法，把r个特征向量中出现次数最多的类别作为x_test的类别，最后根据x_test的类别判别x_test是否是癫痫脑电信号。