[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

说明书

本发明涉及脑电信号识别技术领域，涉及基于领域嵌入概率的半监督学习癫痫脑电信号识别方法，包括：其步骤如下：1、采集脑电信号并进行预处理；2、构建标记集X_l和未标记集X_u；3、构成同类样本对集合M和异类样本对集合D；4、构建数据集X上的半监督关联矩阵；5、将X中每个样本投影到低维空间；6、构建领域嵌入概率矩阵；7、更新k个一维熵特征向量对应类别标签；8、更新X_l、X_u、M和D；9、判断X_u集是否为空；10、对测试的脑电信号样本x_test分类，得到识别结果。本发明利用特征投影和领域嵌入技术，保持数据局部结构的同时，脑电信号低维表示更具区分性和判别性，能准确对癫痫脑电信号分类和识别。

技术领域

本发明涉及脑电信号识别技术领域，尤其涉及基于领域嵌入概率的半监督学习癫痫脑电信号识别方法。

背景技术

癫痫是一种大脑功能障碍疾病，在癫痫发作期间，患者会产生暂时性意识模糊或不受控的抽搐，给患者及其家人带来巨大的身心伤害。癫痫在发作时脑电图可以准确地记录出各种波形，因此对脑电图分析是诊断癫痫发作的重要依据。脑电信号的特点是随机性、非平稳性，临床医生虽然可以结合先验知识对脑电图进行主观判断，但是极易出错且效率不高。癫痫脑电信号自动识别与监测技术有助于提高人工诊断准确率，减少工作量。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。基于机器学习的癫痫脑电信号识别的第一步是脑电信号的采集。非侵入的脑电信号采集只需将电极贴在相应的头皮表面，由于其采集方式简单方便，对受试对象无害，因此，脑电信号非侵入式的方式采集应用广泛。第二步是脑电信号的预处理。从头皮电极采集得到的脑电信号非常微弱，并且经常混杂种种伪迹和噪声。因此在采集到脑电信号之后，需要采取有效的预处理方法去掉冗余信息，降低维数，提取出有用的脑电信号。常用的预处理方式有电极筛选、眼电、肌电等伪迹的删除，以及其他的一些时域滤波和空间滤波方法等。第三步是脑电信号的特征提取。目前对于脑电信号方法的研究主要集中在时域、频域、时频结合分析、空间滤波法和非线性动力学分析等方面。在提取有效的脑电信号特征后，还需要对这些特征进行分类来实现自动检测癫痫。因此分类算法是癫痫识别任务设计的关键环节。

目前，研究者采用了多种方法对这一问题开展研究。周卫东人提出了《一种利用小波神经网络的脑电检测方法及装置》将提取的特征向量送入由小波神经网络获得的分类器中，从而得到对异常脑电信号的标记。龚光红等人提出了《基于监督梯度提升器的多级癫痫脑电信号自动识别方法》通过梯度提升分类器进行癫痫信号的检查。贾克斌等人提出了《基于多数据采集的癫痫发作检测设备及预警系统》以提取的多个特征参数作为特征向量，训练随机森林分类器内的多个决策树，形成随机森林模型。梅贞等人提出了《一种脑电信号处理方法及癫痫检测系统》通过对脑电信号进行数据预处理、剔除频带、提取时域和基于熵的特征，最后利用改进的基于相关性特征选择方法选出最优特征子集的效果。

但这些方法属于传统的监督分类方式，需要获取大量的有标记脑电信号样本才能训练得到性能较好的分类器，而获取大量有标记脑电信号样本是耗时、耗力、耗财的过程。因此在仅有少量标记样本条件下实现癫痫的自动检测具有重大研究意义和实用价值。此外，一般脑电信号的特征具有高维性，与低维数据相比，高维数据的分析困难度较大，且会包含无用冗余的特征信息。这些特点给癫痫脑电信号的实际处理带来了巨大挑战。

发明内容

本发明所要解决的技术问题是：在对已有图像分割方法效果提升的基础上，鉴于不同健康状态下的脑电信号会有特征上的差异，在小样本且标记样本不足的场景下，将这种特征差异放大并用一定的数字形态进行表达且被分类器识别，形成一种耗时少、适用性强、分类准确率高的癫痫脑电信号自动识别方法。涉及对癫痫脑电信号自动检测过程中所用到的特征降维和分类方法，有效保证脑电信号的局部信息完整性，扩大不同状态脑电信息的差异，利用合适的半监督学习模型，提高癫痫脑电信号的分类精度。

本发明所采用的技术方案：基于领域嵌入概率的半监督学习癫痫脑电信号识别方法，包括：