一种基于脑电信号特征的分类方法

本发明涉及脑电信号分类，尤其涉及一种基于脑电信号特征的分类方法。

背景技术：

1、在神经科学和神经生理学领域，对脑电信号进行全面而准确的分析一直是一项具有重要研究价值的任务。传统的信号处理方法，如时域和频域分析，以及一些基于统计学的特征提取方法，曾在很长一段时间内是主流研究方向。然而，这些方法在处理复杂的时序关系和提高分类准确性方面存在一定的局限性。

2、综上所述，如何设计一种用于处理复杂的时序关系和提高分类准确性的脑电信号特征的分类方法，是目前本领域技术人员亟待解决的问题。

技术实现思路

1、本发明实施例的主要目的在于提出一种基于脑电信号特征的分类方法，旨在设计一种用于处理复杂的时序关系和提高分类准确性的脑电信号特征的分类方法。

2、本发明解决上述技术问题的技术方案是，提供一种基于脑电信号特征的分类方法，包括以下步骤：

3、采集脑电信号数据，并处理；

4、对脑电信号数据进行基线校正，对校正后的脑电信号数据进行带通滤波；

5、在滤波后的脑电信号数据上，计算每个信号片段的近似熵作为特征，计算公式为：

6、

7、其中，m是模式的长度，r是相似度阈值，n是时间序列的长度，表示m阶近似熵；

8、将提取的特征序列划分为训练集和测试集；

9、采用反向传播算法，通过最小化损失函数，不断调整gru网络的权重和偏差；gru网络捕捉预处理后的信号的时序关系，再与近似熵融合；在gru网络的输出基础上，对k-means聚类算法进行训练，对训练集中的数据进行分类；

10、使用测试集对训练好的gru网络与k-means聚类算法模型评估模型在意识状态分类上的性能；

11、将经过训练的gru网络与k-means聚类算法模型应用于新采集的脑电信号数据，实现对意识状态的实时分类。

12、进一步地，所述采集脑电信号数据的步骤之后还包括：

13、将脑电信号数据保存为edf格式文件，并提取原始脑电信号数据，并将其整理为mat格式；对整理后的数据进行降采样，采样率为256hz。

14、进一步地，所述对脑电信号数据进行基线校正，对校正后的脑电信号数据进行带通滤波的步骤包括：

15、去除脑电信号中的暂态部分；

16、选择相关的导联；

17、进行基线校正，基线校正的公式为：，其中，x（t）为原始信号，xb（t）为经过基线校正后的信号，mean（x（t））为信号x（t）在某一时间范围内的均值；

18、进行0.01hz至45hz的带通滤波，带通滤波可以通过差分方程表示，差分方程为，其中，xb（t）是经过基线校正后的输入信号，y（t）是输出信号，n是滤波器的阶数，b0,b1,…,bn和a1,…,an是滤波器的系数。

19、进一步地，所述对脑电信号数据进行基线校正，对校正后的脑电信号数据进行带通滤波的步骤还包括：

20、对于连续时间的带通滤波，传递函数表示为：

21、

22、其中，s是laplace变换的复变量，s1，s2，…，s2n是希望通过的频率点，z1，z2，…，z2n是需要阻止的频率点，k是增益系数。

23、进一步地，所述采用反向传播算法，通过最小化损失函数，不断调整gru网络的权重和偏差；gru网络捕捉预处理后的信号的时序关系，再与近似熵融合；在gru网络的输出基础上，对k-means聚类算法进行训练，对训练集中的数据进行分类的步骤中，所述gru网络通过门控单元捕捉脑电信号中的时序关系包括以下步骤：

24、初始化一个状态向量为隐藏状态；

25、对于输入序列中的每个时间步，接收当前时间步的输入数据和前一个时间步的隐藏状态，计算当前时间步的候选隐藏状态；

26、从前一个时间步的隐藏状态中保留信息并输出，其输出范围在0到1之间；

27、忽略部分来自前一个时间步的隐藏状态的信息并输出，其输出范围在0到1之间；

28、计算当前时间步的候选隐藏状态；

29、将当前时间步的候选隐藏状态与前一个时间步的隐藏状态整合，得到最终的当前时间步的隐藏状态；

30、重复上述步骤，处理整个输入序列。在每个时间步，都会更新隐藏状态，以捕捉序列中的时序关系。

31、本发明的技术方案引入了近似熵作为时域特征，并与时序关系相融合，通过量化脑电信号的复杂性，k-means与gru相结合的模型在这一背景下更能准确地捕捉脑电信号的动态变化。k-means作为一种传统机器学习方法在特定特征上表现出色，而gru作为深度学习分类器则能够有效地捕捉脑电信号中的时序关系。通过近似熵引入，并与gru所捕捉的时序关系相结合，模型能够更好地理解信号的复杂结构，使k-means与gru相互补充，形成一个更为综合和精确的意识状态分类模型。这种融合方法有效地利用了传统机器学习和深度学习的优势，提高了对意识状态的全面分类性能，特别是在捕捉脑电信号动态变化方面的准确性得到显著提升；本发明不仅提供了高效的k-means与gru相结合的特征提取方法，还实现了对意识状态的自动分类。通过深度学习模型与机器学习方法的协同学习和训练，使得模型能够实时对新的脑电信号进行智能分类，为医疗领域提供了一种更加智能、高效的意识状态监测手段。

32、综上所述，本发明的创新在于采用三分类方法引入近似熵作为时域特征，实现了深度学习与机器学习的融合，以及自动化分类的实现。这一综合创新不仅提高了对意识状态的准确检测能力，同时为深度学习与机器学习在医学领域的协同应用提供了新的思路，为未来智能医疗领域的发展开辟了新的方向。

技术特征：

1.一种基于脑电信号特征的分类方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于脑电信号特征的分类方法，其特征在于，所述采集脑电信号数据的步骤之后还包括：

3.根据权利要求1所述的基于脑电信号特征的分类方法，其特征在于，所述对脑电信号数据进行基线校正，对校正后的脑电信号数据进行带通滤波的步骤包括：

4.根据权利要求3所述的基于脑电信号特征的分类方法，其特征在于，所述对脑电信号数据进行基线校正，对校正后的脑电信号数据进行带通滤波的步骤还包括：

5.根据权利要求1所述的基于脑电信号特征的分类方法，其特征在于，所述采用反向传播算法，通过最小化损失函数，不断调整gru网络的权重和偏差；gru网络捕捉预处理后的信号的时序关系，再与近似熵融合；在gru网络的输出基础上，对k-means聚类算法进行训练，对训练集中的数据进行分类的步骤中，所述gru网络通过门控单元捕捉脑电信号中的时序关系包括以下步骤：

技术总结
本发明公开一种基于脑电信号特征的分类方法，通过引入近似熵，并与GRU所捕捉的时序关系相结合，模型能够更好地理解信号的复杂结构，使K‑Means与GRU相互补充，形成一个更为综合和精确的意识状态分类模型。这种融合方法有效地利用了传统机器学习和深度学习的优势，提高了对意识状态的全面分类性能，特别是在捕捉脑电信号动态变化方面的准确性得到显著提升；本发明不仅提供了高效的K‑Means与GRU相结合的特征提取方法，还实现了对意识状态的自动分类。通过深度学习模型与机器学习方法的协同学习和训练，使得模型能够实时对新的脑电信号进行智能分类，为医疗领域提供了一种更加智能、高效的意识状态监测手段。

技术研发人员：宫玉琳,王心宁,陈晓娟
受保护的技术使用者：长春理工大学
技术研发日：
技术公布日：2024/3/11