删除或更新信息,请邮件至freekaoyan#163.com(#换成@)

基于弹性变分模态分解的癫痫脑电信号分类方法

本站小编 Free考研考试/2021-12-29

摘要:癫痫脑电信号分类对于癫痫诊治具有重要意义. 为了实现病灶性与非病灶性癫痫脑电信号的分类, 本文利用弹性网回归重构变分模态分解算法, 提出弹性变分模态分解算法并将其应用到所提癫痫脑电信号分类方法中. 该方法先将原信号分割成多个子信号, 并对各子信号进行弹性变分模态分解, 然后从分解后的不同变分模态函数中提取精细复合多尺度散布熵作为特征, 最后利用支持向量机进行分类. 针对癫痫脑电的公共数据集, 最终的实验结果表明, 准确率、灵敏度和特异度三个性能指标分别达到92.54%, 93.22%和91.86%.
关键词: 弹性变分模态分解/
精细复合多尺度散布熵/
癫痫脑电

English Abstract


--> --> -->
癫痫是一种由于人脑神经系统紊乱造成脑功能障碍的疾病, 据世界卫生组织2019年统计, 全世界有超5000万人患有癫痫[1], 对具有抗药性的癫痫患者需要进行侵入性手术治疗, 切除大脑中的部分致痫区域, 因此手术前准确识别大脑中的致痫区域至关重要. 脑电图(electroencephalograph, EEG)记录了人脑皮层发出的轻微电流信号, 癫痫发作时人脑中枢神经系统会出现异常使得同步神经元突然放电, 相应的脑电图就会呈现出异常波动, 从人脑致痫区域获得的脑电信号称为病灶性脑电信号, 从非致痫区域获得的脑电信号称为非病灶性脑电信号[2], 因此对病灶性脑电信号和非病灶性脑电信号进行分类, 有助致痫区域的识别.
目前国内外对于癫痫脑电信号的分类技术主要由特征提取与特征分类组成, 其本质可归结为模式识别问题[3]. 特征提取先要选择合适的特征, 如高阶矩[4]、概率密度函数[5]、自回归模型系数[6]、各类熵[7-10]等均已成功应用到癫痫脑电信号的分类中. 文献[11]提出了一种新的复杂性度量特征, 即精细复合多尺度散布熵(refined composite multiscale dispersion entropy, RCMDE), 其作为特征在处理非线性不平稳生物信号时效果较好. 此外, 特征提取通常在时域、频域或时频域内进行, 其中又以时频域分析法应用较多, 如短时傅里叶变换[12]、小波变换[13]、经验模态分解等, 经验模态分解作为一种自适应时频处理方法应用较广, 但存在端点效应、模态混叠等缺陷[14]. 由文献[14]提出的变分模态分解(variational mode decomposition, VMD)是一种新的基于完全非递归思想的时频域信号分析方法, 其主要思想是将信号分解成若干个围绕在各个中心频率附近的窄带变分模态分量且中心频率不断变化, 与经验模态分解通过不断循环筛分获取本征模态函数不同, VMD通过寻找约束变分模型的最优解自适应获取变分模态函数(variational mode function, VMF). VMD在构建初始是针对盲信号, 使用Tikhonov正则化思想去构建一个约束变分方程[14], 但本质是通过对最小二乘回归加残差平方和二次惩罚项, 从而达到收缩估计系数的目的, 这也可以理解为使用了线性规划中的岭回归(ridge regression)来构建约束方程, 虽然岭回归与最小二乘回归相比降低了估计值的方差, 提高了估计精度, 但是它的回归结果中包含所有的预测变量, 没有进行变量选择, 因此会影响模型的准确性[15]. 而套索回归(LASSO regression)使用一次惩罚项来对变量进行收缩, 相较于岭回归收缩程度要小, 能选出更精确的模型, 但是如果预测变量具有群组效应或者预测变量相关性较强时, 则会导致估计不稳定[15]. Zou和Hastie[16]提出的弹性网回归(elastic net regression)方法综合了岭回归和套索回归的思想, 兼有套索回归和岭回归的优点.
本文利用弹性网回归对变分模态分解算法进行改进, 构建一种新的时频域信号分析方法, 称为弹性变分模态分解(elastic variational mode decomposition, EVMD), 并通过在EVMD域中提取精细复合多尺度散布熵作为癫痫脑电信号的特征, 然后利用支持向量机(support vector machine, SVM)实现病灶性脑电信号和非病灶性脑电信号的分类. 此外, 将本文所提方法应用到实际癫痫脑电数据集中进行仿真分析, 以证明该方法的有效性.
应用本文所提方法处理癫痫脑电信号的步骤如图1所示. 先利用弹性变分模态分解算法对分割后的癫痫脑电子信号进行分解, 从分解后的各VMF中提取RCMDE作为特征, 最后利用支持向量机对特征进行分类, 进而完成对病灶性脑电信号与非病灶性脑电信号的区分. 本节将对所提方法中使用到的主要算法进行叙述.
图 1 弹性变分模态分解处理癫痫脑电信号的流程图
Figure1. Architecture of processing epileptic EEG by EVMD.

2
2.1.弹性变分模态分解
-->本文提出的弹性变分模态分解是一种完全非递归式的时频域信号分析与处理方法, 与原始变分模态分解算法不同的是, EVMD利用弹性网回归代替VMD中构建约束变分方程时使用的岭回归, 即EVMD算法构建的约束变分方程中既存在L2正则化项, 也存在L1正则化项. 本节将对EVMD算法的构造与求解进行详细叙述.
首先, 通过以下步骤建立一个约束变分模型: 1)通过希尔伯特变换求出每个模态函数的解析信号, 进而可以获得信号的单边频谱; 2)通过一个混合指数项将每个模态函数调制到对应中心频率的基频带上; 3)通过弹性网回归方法施加L1正则化与L2正则化来估计带宽, 即求信号梯度二范数的平方与梯度一范数的和. 建立的约束变分模型为
$\begin{split}&\mathop {\min }\limits_{\{ {u_k}\} ,\{ {\omega _k}\} } \left\{ \sum\limits_k {\left[ {\left\| {{\partial _t}\left[ {\left({\delta (t) + \frac{{\rm{j}}}{{{\rm{\pi }}t}}} \right) \times {u_k}(t)} \right]{{\rm{e}}^{ - {\rm{j}}{\omega _k}t}}} \right\|_2^2} \right.} \right.\\&\left.{{ + }}\left. {{{\left\| {{\partial _t}\left[ {\left({\delta (t) + \frac{{\rm{j}}}{{{\rm{\pi }}t}}} \right) \times {u_k}(t)} \right]{{\rm{e}}^{ - {\rm{j}}{\omega _k}t}}} \right\|}_1}} \right] \right\}\\& \text{s.t.}\sum\limits_k {{u_k}(t) = x},\\[-20pt]\end{split}$
其中, x为原脑电信号, $\{ {u_k}\} = \{ {u_1}, {u_2}, \cdots, {u_K}\}$为所有模态的集合, $\{ {\omega _k}\} = \{ {\omega _1}, {\omega _2}, \cdots, {\omega _K}\}$为对应中心频率的集合, $\displaystyle \sum\nolimits_k = \sum\nolimits_{k = 1}^K {}$, $\delta (t)$为冲激函数, ${\partial _t}$为对t求偏导.
接着对约束变分模型求最优解. 先将拉格朗日乘法算子以及损失项加入到约束变分模型中, 从而将约束变分模型转化为一个非约束变分模型, 得到的增广拉格朗日函数为
$\begin{split}&\varGamma (\{ {u_k}\} ,\{ {\omega _k}\} ,\lambda) \\=\;& \alpha \sum\limits_k {\left\| {{\partial _t}\left[ {\left({\delta (t) + \frac{{\rm{j}}}{{{\rm{\pi }}t}} \times {u_k}(t)} \right.} \right]{{\rm{e}}^{ - {\rm{j}}{\omega _k}t}}} \right\|_2^2} \\&+ \beta \sum\limits_k {\left\| {{\partial _t}\left[ {\left({\delta (t) + \frac{{\rm{j}}}{{{\rm{\pi }}t}}} \right) \times {u_k}(t)} \right]{{\rm{e}}^{ - {\rm{j}}{\omega _k}t}}} \right\|_1^{}} \\&||x(t) - \sum\limits_k {{u_k}(t)} ||_2^2 + [\lambda ,x(t) - \sum\limits_k {{u_k}(t)} ],\end{split}$
其中$\lambda $为拉格朗日乘法算子, $\alpha $为二次惩罚因子, $\beta $为一次惩罚因子, $||x(t) - \sum\limits_k {{u_k}(t)} ||_2^2$为损失项.
然后利用交替方向乘子法来求解(2)式的最优解, 迭代公式为:
$u_k^{n + 1} \leftarrow \mathop {\arg \min }\limits_{{u_k}} \varGamma (\{ u_{i < k}^{n + 1}\},\{ u_{i \geqslant k}^n\},\{ \omega _i^n\},{\lambda ^n}),$
$\omega _k^{n + 1} \leftarrow \mathop {\arg \min }\limits_{{\omega _k}} \varGamma (\{ u_i^{n + 1}\},\{ \omega _{i < k}^{n + 1}\},\{ \omega _{i \geqslant k}^n\},{\lambda ^n}),$
${\lambda ^{n + 1}} \leftarrow {\lambda ^n} + \eta \times \left(x - \sum\limits_k {u_k^{n + 1}}\right).$
迭代停止条件为:
$\sum\limits_k {||u_k^{n + 1} - u_k^n||_2^2/} ||u_k^n||_2^2 < \varepsilon ,$
其中, $\eta $为拉格朗日乘子更新参数, $\varepsilon $为收敛容限.
下面介绍模态${u_k}$与中心频率${\omega _k}$的详细更新求解步骤, 即迭代式(3)式与(4)式的具体推导过程.
A模态${u_k}$更新
步骤1 将(3)式改写为如下等值公式:
$\begin{split}u_k^{n + 1} =\;& \mathop {\arg \min }\limits_{{u_k}}\! \Bigg\{ \!\alpha \left\| {{\partial _t}\!\left[\! {\left({\delta (t) \!+\! \frac{{\rm{j}}}{{{\rm{\pi }}t}}}\! \right)\! \times\! {u_k}(t)} \right]\!{{\rm{e}}^{ - {\rm{j}}{\omega _k}t}}} \right\|_2^2 \\&{{ + }}\beta \left\| {{\partial _t}\left[ {\left({\delta (t) + \frac{{\rm{j}}}{{{\rm{\pi }}t}}} \right) \times {u_k}(t)} \right]{{\rm{e}}^{ - {\rm{j}}{\omega _k}t}}} \right\|_1^{}\\& {{{ + }}\left\| {x(t) - \sum\limits_i {{u_i}(t) + \frac{{\lambda (t)}}{2}} } \right\|_2^2} \Bigg\};\\[-20pt]\end{split}$
步骤2 将(7)式进行整体傅里叶变换:
$\begin{split}\hat u_k^{n + 1} =\;& \mathop {\arg \min }\limits_{{{\hat u}_k}} {{\Bigg\{ }}\alpha ||{\rm{j}}\omega [(1 \!+\! {\mathop{\rm{sgn}}} (\omega \!+\! {\omega _k})){{\hat u}_k}(\omega \!+\! {\omega _k})]{{||}}_2^2\\&{{ + }}\beta ||{\rm{j}}\omega [(1 + {\mathop{\rm{sgn}}} (\omega + {\omega _k})){{\hat u}_k}(\omega + {\omega _k})]{{||}}_1^{}\\& {{{ + }}\left\| {\hat x(\omega) - \sum\limits_i {{{\hat u}_i}(\omega) + \frac{{\hat \lambda (\omega)}}{2}} } \right\|_2^2} \Bigg\};\\[-20pt]\end{split}$
步骤3 将(8)式中$\omega + {\omega _k}$替换为$\omega $, 即将带有惩罚因子的项中的$\omega $$\omega - {\omega _k}$代替, 得:
$\begin{split}\hat u_k^{n + 1} =\;& \mathop {\arg \min }\limits_{{{\hat u}_k}} {{\Bigg\{ }}\alpha ||{\rm{j}}(\omega - {\omega _k})[(1 + {\mathop{\rm{sgn}}} (\omega)){{\hat u}_k}(\omega)]{{||}}_2^2\\&{{ + }}\beta ||{\rm{j}}(\omega - {\omega _k})[(1 + {\mathop{\rm{sgn}}} (\omega)){{\hat u}_k}(\omega)]{{||}}_1^{}\\&{{ + }} {\left\| {\hat x(\omega) - \sum\limits_i {{{\hat u}_i}(\omega) + \frac{{\hat \lambda (\omega)}}{2}} } \right\|_2^2} \Bigg\};\\[-20pt]\end{split}$
步骤4 因为实信号具有埃米尔特对称性, 因此将(9)式改为非负频域上的半空间积分:
$\begin{split}\hat u_k^{n + 1} =\;& \mathop {\arg \min }\limits_{{{\hat u}_k}} \int_0^{ + \infty } 2 \alpha {(\omega - {\omega _k})^2}|{\hat u_k}(\omega){{|}}_{}^2\\&{{ + }}\beta {\rm{j}}(\omega - {\omega _k}){\hat u_k}(\omega)\\&{{ + }}\left| {\hat x(\omega) - \sum\limits_i {{{\hat u}_i}(\omega) + \frac{{\hat \lambda (\omega)}}{2}} } \right|_{}^2{\rm{d}}\omega ;\end{split}$
步骤5 将(10)式看为一个二次优化问题进行求解, 解得:
$\hat u_k^{n + 1}(\omega) = \frac{{\hat x(\omega) - \sum\limits_{i \ne k} {{{\hat u}_i}(\omega) + \frac{{\hat \lambda (\omega)}}{2}} }}{{1 + 2\alpha {{(\omega - \omega {}_k)}^2} + \beta {\rm{j}}(\omega - {\omega _k})}}. $
B中心频率${\omega _k}$更新
步骤1 因为中心频率${\omega _k}$不出现在重构保真项中, 因此可将(4)式重新写为
$\begin{split}\omega _k^{n + 1} =\;& \mathop {\arg \min }\limits_{{\omega _k}}\! \left\{\! \alpha \left\| {{\partial _t}\!\left[\! {\left({\delta (t) \!+\! \frac{{\rm{j}}}{{{\rm{\pi }}t}}} \!\right) \!\times \!{u_k}(t)} \right]{{\rm{e}}^{ - {\rm{j}}{\omega _k}t}}} \right\|_2^2\right.\\&\left.{{ + }}\beta \left\| {{\partial _t}\left[ {\left({\delta (t) + \frac{{\rm{j}}}{{{\rm{\pi }}t}}} \right) \times {u_k}(t)} \right]{{\rm{e}}^{ - {\rm{j}}{\omega _k}t}}} \right\|_1^{} \right\};\end{split}$
步骤2 与求解模态uk的操作类似, 将(12)式进行傅里叶变换到频域, 并最终变换成非负频域上的半空间积分:
$\begin{split}\omega _k^{n + 1} = \;&\mathop {\arg \min }\limits_{{\omega _k}} {{\bigg\{ }}\int_0^{ + \infty } 2 \alpha {(\omega - {\omega _k})^2}|{\hat u_k}(\omega){{|}}_{}^2\\&{{ + }}\beta {\rm{j}}(\omega - {\omega _k}){\hat u_k}(\omega){\rm{d}}\omega\bigg\} ;\end{split}$
步骤3 求解(13)式二次优化问题, 可得:
$\omega _k^{n + 1} = \dfrac{{\displaystyle\int_0^{ + \infty } {\omega |{{\hat u}_k}(\omega){|^2} + \frac{{\beta {\rm{j}}}}{{2\alpha }}|{{\hat u}_k}(\omega)|{\rm{d}}\omega } }}{{\displaystyle\int_0^{ + \infty } | {{\hat u}_k}(\omega){|^2}{\rm{d}}\omega }}.$
至此, 完整的EVMD算法已经介绍完毕, 其具体流程可以参考算法1所示.
Algorithm 1: EVMD
 Initialize $\hat u_k^1$, $\omega _k^1$, ${\hat \lambda ^1}$, n ← 0
repeat
  nn + 1
 for k = 1: K do
$\begin{split}&{\rm{Update}}\; {\hat u_k} : \hat u_k^{n + 1}(\omega) \leftarrow \\&\frac{{\hat x(\omega) - \displaystyle\sum\limits_{i < k} {\hat u_i^{n + 1}(\omega) - \displaystyle\sum\limits_{i > k} {\hat u_i^{n + 1}(\omega)} + \frac{{{{\hat \lambda }^n}(\omega)}}{2}} }}{{1 + 2\alpha {{(\omega - \omega _k^n)}^2} + \beta {\rm{j}}(\omega - \omega _k^n)}}\end{split}$
$\begin{split}&{\rm{Update}}\;{\omega _k} : \;\omega _k^{n + 1} \leftarrow \\&\frac{{\displaystyle\int_0^{ + \infty } {\omega |\hat u_k^{n + 1}(\omega){|^2} + \frac{{\beta {\rm{j}}}}{{2\alpha }}|\hat u_k^{n + 1}(\omega)|{\rm{d}}\omega } }}{{\displaystyle\int_0^{ + \infty } | \hat u_k^{n + 1}(\omega){|^2}{\rm{d}}\omega }} \qquad\end{split}$
 end for
 for all $\omega \geqslant 0$ do
${\hat \lambda ^{n + 1}}(\omega) \leftarrow {\hat \lambda ^n}(\omega) + \eta \times \left({\hat x(\omega) - \displaystyle\sum\limits_k {\hat u_k^{n + 1}} (\omega)} \right)$
 end for
until convergence: $\displaystyle\sum\limits_k \dfrac{||u_k^{n + 1} \!-\! u_k^n||_2^2}{ ||u_k^n||_2^2} \! < \! \varepsilon$
2
2.2.精细复合多尺度散布熵
-->精细复合多尺度散布熵是文献[11]在散布熵的基础上对信号进行多尺度量化得到的, 避免了散布熵因单一尺度上处理信号会出现复杂性特征提取不完全等问题. 文献[11]详细介绍了RCMDE的原理, 这里仅简述其对脑电信号处理时的计算步骤:
步骤1 假设脑电信号x经弹性变分模态分解后得到的信号$u_k^{}$是长度为$\varPsi $的时间序列, 则$u_k^{}$的第h个粗粒度近似信号为
$a_{h,\gamma }^\tau = \frac{1}{\tau }\sum\limits_{\chi = h + (\gamma - 1)\tau }^{h + \gamma \tau - 1} {{u_{k,\chi }}} ,$
其中, $\gamma = {{\{ 1, 2, }}\cdots{{, }}N{{\}, }}\;N{{ = }} {\varPsi }/{\tau }$, $\tau $为尺度因子.
步骤2 使用正态累积分布函数将粗粒度近似信号a映射到$b = \{ {b_1}, {b_2}, \cdots, {b_N}\}$上:
$b_\gamma ^\tau = \frac{1}{{\sigma \sqrt {2{\rm{\pi }}} }}\int_{ - \infty }^{a_\gamma ^\tau } {{{\rm{e}}^{\tfrac{{ - {{(t - \mu)}^2}}}{{2{\sigma ^2}}}}}} {\rm{d}}t,$
其中, μ表示均值, σ表示粗粒度近似a的标准差. b的范围从0到1.
步骤3 为了实现信号的多尺度化, 将b以线性变换的形式映射到{1, 2, ···, c}中, 记为z, 即
$z_\gamma ^c = R(c \cdot {b_\gamma } + 0.5),$
其中R(*)是取整运算, c代表类别个数.
步骤4 若嵌入维数标记为m和时间延迟标记为d, 则时间序列$z_i^{m, c}$定义为
$z_i^{m,c} = \{ z_i^c,z_{i + d}^c,\cdots,z_{i + (m - 1)d}^c\} ,$
其中$i = \{ 1, 2, \cdots, N - (m - 1)d\} .$
步骤5 设每一个时间序列$z_i^{m, c}$对应一个散布模式${\varTheta _{{v_0}{v_1}\cdots{v_{{\rm{m}} - 1}}}}$, 其中$v{{ = 1, 2, }}\cdots, c$. 若$z_i^c = {v_0}$, $z_{i + d}^c = {v_1}$, $z_{i + (m - 1)d}^c = {v_{m - 1}}$, 则$z_i^{m, c}$对应的散布模式为${\varTheta _{{v_0}{v_1}\cdots{v_{{\rm{m}} - 1}}}}$.
步骤6 计算每个散布模式${\varTheta _{{v_0}{v_1}\cdots{v_{{\rm{m}} - 1}}}}$的概率
$p({\varTheta _{{v_0}{v_1}\cdots{v_{{\rm{m}} - 1}}}}) = \frac{{\# ({\varTheta _{{v_0}{v_1}\cdots{v_{{\rm{m}} - 1}}}})}}{{N - (m - 1)d}},$
其中$\# ({\varTheta _{{v_0}{v_1}\cdots{v_{{\rm{m}} - 1}}}})$$z_i^{m, c}$对应散布模式的个数.
步骤7 根据香农熵的定义, 信号$u_k^{}$的精细复合多尺度散布熵为
$ \begin{split} &{\rm{RCMDE}}(u_k^{},m,c,d,\tau) \\ =\;& - \displaystyle \sum\limits_{\varTheta = 1}^{{c^m}} {\bar p({\varTheta _{{v_0}{v_1}\cdots{v_{m - 1}}}})} \ln \bar p({\varTheta _{{v_0}{v_1}\cdots{v_{m - 1}}}}), \end{split} $
其中, $\bar p({\varTheta _{{v_0}{v_1}\cdots{v_{m - 1}}}}) = \dfrac{1}{\tau }\displaystyle \sum\limits_1^\tau {p_h^\tau }$表示粗粒度近似信号a的散布模式$\varTheta $的平均值.
2
3.1.实验数据集
-->本文使用的癫痫脑电信号数据集是来自瑞士伯尔尼大学神经科提供的一个公共数据集[17]. 该数据集数据采自5位患有颞叶病灶癫痫的病人, 共包括3750对病灶性数据段和3750对非病灶性数据段, 每对数据段均包含两列数据, 分别采自同一个区域相邻的两个通道. 数据段的采样频率为512 Hz, 时间为20 s[18]. 本文选用该数据集中全部脑电数据段作为实验数据, 即选用3750对病灶性脑电数据段与3750对非病灶性脑电数据段, 每对数据段均包含两列数据.
2
3.2.实验
-->3
3.2.1.EEG数据段分割
-->先将原始脑电数据经过0.5—100 Hz的带通滤波器进行预处理, 从而去除部分伪迹与噪声. 然后将每对时长为20 s的数据段分割为时长均为1 s的子数据段, 且相邻两个子数据段之间的时间重叠率为50%, 因此每个数据段共分割为39个子数据段. 之所以需要对原始脑电数据进行分割, 第一是因为EVMD算法与VMD一样在处理长时间非平稳非线性的脑电信号时模态的谱带会随时间剧烈变化影响分解效果, 而将信号分割为短时间的子信号, 可以一定程度规避这种局限性. 第二是因为可以减小脑电数据中随机波动点的影响, 比如假设某数据段中由于噪声等原因出现数个非预期的随机波动点, 若对整个数据段进行分析显然这些点会影响最终分析结果, 而对若干子数据段进行分析, 这些点只会影响部分子数据段的分析结果, 而对最终所求结果的影响将降低.
3
3.2.2.EVMD分解
-->因为测试时间和被试的不同, 各频带段的脑电信号的中心频率会随着神经活动而发生轻微的变化, 简单地固定中心频率的带通滤波无法消除这种变化的影响, 而EVMD旨在将信号分解为围绕在中心频率附近的变分模态分量, 即变分模态函数VMF, 且其中心频率是不断迭代变化的, 故可以捕捉到这种变化.
根据2.1节对EVMD的介绍, 可以看出EVMD算法在对信号进行分解之前需要分别设定: 分解模态的个数K, 二次惩罚因子$\alpha $, 一次惩罚因子$\beta $三个参数. 对于惩罚因子$\alpha $, $\beta $, 其值过大会引起模态重叠, 较小会引入噪声, 本文根据经验建议将$\alpha $设定为2000, $\beta $设定为20. 对于分解模态的个数K, 若K值过大会造成过分解, 产生无用分量, 同时增加计算复杂度, 若K值过小会造成欠分解, 使部分带限信号分解不出来造成原信号信息的丢失. 为寻求合适的K值, 本文先随机选择一对病灶性脑电数据段, 并分别进行3重、4重、5重变分模态分解, 即将K值分别设为3, 4, 5. 图2所示为不同K值下, 各个变分模态函数分量其中心频率ω随迭代次数的变化曲线. 可以看出, 当K = 3时, 变分模态函数VMF1—VMF3的中心频率均在40 Hz以下. 当K = 4时, 变分模态函数VMF1—VMF4的中心频率仍在40 Hz以下. 但当K = 5时, 可以看到VMF5的中心频率超过了50 Hz. 一方面由于脑电活动的信息大都包含在低频带(频率 < 40 Hz), 另一方面为了防止信号的过分解或欠分解, 本文选取K = 4.
图 2 不同K值下中心频率随迭代次数的变化曲线
Figure2. The curves of the center frequency with the number of iterations under different K values.

3
3.2.3.RCMDE提取特征
-->根据(23)式, 计算RCMDE需要分别设置: 嵌入维度m, 类别个数c, 时间延迟d以及尺度因子τ四个参数. 类别个数c若过大会导致具有较大差异的两个量被归为同一类, 过小则导致具有较小差异的两个量被归为不同类, 根据文献[11]的建议, 将c值设为6. 对于嵌入维度m, 为了保证统计可靠性, 文献[12]中建议cm < $\varPsi $, 其中$\varPsi $为数据长度, 本文将采样率512 Hz, 采样时间20 s的数据段分割为时长为1 s的子数据段, 因此$\varPsi $ = 512, 而64 = 1296 > $\varPsi $, 故将m值设为3. 时间延迟d为正整数, 但d > 1会导致模态混叠, 故取1. 尺度因子τ决定信号粗粒化程度, 为了选取合适的τ值, 先将τ最大值设为15.
选用数据集中全部3750对病灶性脑电信号和3750对非病灶性脑电信号, 对分割后的子数据段进行4重EVMD分解, 从分解后得到的4个VMF(VMF1—VMF4)中分别提取15个尺度因子下的RCMDE, 其特征熵值的均值加减标准差随尺度因子变化曲线如图3所示. 图3中不同尺度因子下的RCMDE均值用曲线相连, 每个均值点上下两个点即表示加减标准差. 从图3可以看出, 从非病灶性脑电信号提取的RCMDE 特征熵值基本比病灶性脑电信号提取的RCMDE熵值大, 这说明人脑非致痫区域的神经活动相对致痫区域更活跃, 也说明非致痫区域提取的脑电信号相较致痫区域提取的脑电信号更随机、更不平稳, 这一结果也与文献[18]的研究结果一致. 此外, 之所以会出现从不同VMF中提取的两类信号RCMDE特征熵值的均值差异性不同的现象, 是因为不同VMF是体现不同中心频率上的脑电信号数据, 而人脑非致痫区域与致痫区域在不同频带段上的神经活动会不同, 比如经4重EVMD分解下VMF3代表的是中心频率为20 Hz附近频带段的信号, 此时两类脑电信号RCMDE熵值的均值的差值与其他VMF相比较小, 表明在20 Hz附近人脑非致痫区域与致痫区域的神经活动更相近, 产生的脑电信号的差异性较其他频带段较小. 但是随着尺度因子的增大, 总体非病灶性脑电信号与病灶性脑电信号提取的RCMDE特征熵值的均值的差值会有一个先增大再减小的过程, 尤其是VMF2尺度因子等于15时, VMF3尺度因子大于12时, 会出现病灶性脑电信号提取的RCMDE特征熵值的均值更大的反常现象, 这是因为信号被过度粗粒化从而出现失真, 说明尺度因子不能过大. 本文从计算量的角度综合考虑将尺度因子τ设为7, 即每个数据段提取7个尺度上的RCMDE值.
图 3 从各VMF中提取的RCMDE熵值的均值(± 标准差)随尺度因子变化曲线
Figure3. The curve of mean value(± SD) of RCMDE computed from VMF.

为了更好评估从非病灶性脑电信号提取的RCMDE特征与从病灶性脑电信号提取的RCMDE特征的区分度, 这里使用学生检验的p值来评估其统计学上的差异性, 其结果如表1所列. 从表2可以看出数据经4重EVMD分解后得到的4个VMF中提取的RCMDE特征p值均小于0.05, 因此在统计学上具有显著差异, 说明RCMDE可以作为区别病灶性和非病灶性癫痫脑电数据的分类特征.
VMF1VMF2VMF3VMF4
p1.17 × 10–42.38 × 10–24.42 × 10–27.50 × 10–3


表1从各VMF中提取的RCMDE特征p
Table1.The p values of RCMDE computed from VMF.

指标准确度/%灵敏度/%特异度/%
EMVD92.5493.2291.86
VMD89.4987.5688.12


表2EVMD与VMD实验结果对比
Table2.Comparison of experimental result between EVMD and VMD.

2
3.3.分类结果
-->选用数据集中全部3750对病灶性癫痫脑电数据段和3750对非病灶性癫痫脑电数据段, 按上述方法进行处理, 并将得到的每段脑电数据的RCMDE特征送入SVM进行特征分类, SVM选用线性核函数, 通过网格搜索法将惩罚参数设定为0.52, 并重复进行10次5折交叉验证实验, 采用准确度、灵敏度和特异度这三个指标对最终分类结果进行度量, 结果如图4所示. 由图4可知10次5折交叉验证实验的平均准确度、灵敏度和特异度分别可达92.54%, 93.22%, 91.86%.
图 4 10次5折交叉验证实验结果折线图
Figure4. The line chart of the results by 5-fold cross validation for 10 times.

为了比较本文提出的EVMD算法与原始VMD在处理病灶性癫痫脑电信号与非病灶性信号分类中的性能, 将本文实验中的EVMD换成原始VMD, 其余步骤不变, 重复进行实验, 对比实验的结果如表2所列. 可以看出, EVMD算法相较原始VMD算法, 三个性能指标均有3个百分点以上的提高, 因此按本文所提方法进行病灶性癫痫脑电信号与非病灶性癫痫脑电信号的分类实验中, 本文所提EVMD算法相较原始VMD算法性能具有一定优势.
对相同的实际癫痫脑电信号数据集, 将本文方法得到的结果与其他文献的结果相比较, 结果如表3所列, 可以看出本文所提方法性能优于其他方法.
提取
方法
特征分类器灵敏度、特异度、
准确度/%
文献[7]EMD平均香农熵、
样本熵等
LSSVM90, 84, 87
文献[8]TQWT模糊熵LSSVM83.86, 85.46, 84.67
文献[19]MFDFA多重分形SVM92.5, 92.7, 92.2
文献[20]EWTRPS, CTMLSSVM88, 92, 90
本文EVMDRCMDESVM93.22, 91.86, 92.54


表3本文方法与其他方法对比
Table3.Comparison between proposed method and previously published methods.

本文利用弹性网回归重构了变分模态分解的约束方程, 提出一种新的时频域信号分析与处理算法, 称为弹性变分模态分解, 并给出了具体推导过程. 提出一种基于弹性变分模态分解, 从分解后的VMF中提取RCMDE特征, 并利用支持向量机对其进行分类的病灶性癫痫脑电信号与非病灶性癫痫脑电信号的分类方法. 应用本文提出的方法对公共癫痫脑电数据集进行处理, 得到最终准确率为92.54%, 灵敏度93.22%, 特异度91.86%, 并与针对同一公共数据集的其他处理方法进行比较, 证明了该方法的有效性. 然而, 弹性变分模态分解的参数(分解模态的个数K、惩罚因子$\alpha $$\beta $)只能通过经验设定或者根据处理信号不断试错设定, 无法自动获取最优参数, 因为弹性变分模态分解与原始变分模态分解结构类似, 所以现在针对变分模态分解参数的优化方法, 如相关性分析优化[21]、粒子群算法优化[22,23]等方法, 理论上应该也可以应用到本文提出的弹性变分模态算法上, 因此, 对弹性变分模态分解的参数优化将是后续研究的一个可能方向.
相关话题/数据 信号 实验 文献 优化

  • 领限时大额优惠券,享本站正版考研考试资料!
    大额优惠券
    优惠券领取后72小时内有效,10万种最新考研考试考证类电子打印资料任你选。涵盖全国500余所院校考研专业课、200多种职业资格考试、1100多种经典教材,产品类型包含电子书、题库、全套资料以及视频,无论您是考研复习、考证刷题,还是考前冲刺等,不同类型的产品可满足您学习上的不同需求。 ...
    本站小编 Free壹佰分学习网 2022-09-19
  • 基于Zernike模型系数优化的椭球型窗口光学系统像差校正
    摘要:传统的半球形窗口难以满足高速飞行器气动力学的需求,采用流线型外表面的非球面光学窗口技术应运而生.这种窗口会随着扫描视场角的变化产生大量动态像差,校正这类像差成为高速飞行器光电成像系统发展的关键问题.对于扫描视场为±60°的椭球形窗口光学系统,研究了静态校正和无波前探测器的自适应光学技术相结合的 ...
    本站小编 Free考研考试 2021-12-29
  • 铷原子系综自旋噪声谱实验研究
    摘要:自旋噪声谱是一种测量自旋涨落的光谱技术,由于无扰动的测量机制,其光谱信号非常微弱.本文基于含有一定压力的缓冲气体的天然丰度铷原子气室,搭建了无外磁干扰的铷原子系综自旋噪声谱测量装置,获得了微弱的铷原子系综自旋噪声谱信号,实现了对铷原子系综自旋特性的测量与表征.研究了探测光光强、频率失谐量、铷原 ...
    本站小编 Free考研考试 2021-12-29
  • 桌面飞秒极紫外光原子超快动力学实验装置
    摘要:飞秒极紫外光脉冲是研究原子分子超快动力学过程的重要工具,是同步辐射及自由电子激光这样的大科学装置的重要补充,而且具有非常诱人的发展前景.本工作基于大功率飞秒近红外激光在气体介质中的高次谐波过程,搭建了一套桌面飞秒极紫外光源.使用充气的中空波导管产生高次谐波,增大了驱动光与介质的作用长度,显著提 ...
    本站小编 Free考研考试 2021-12-29
  • 椭球胶体在圆球胶体体系中扩散行为的实验研究
    摘要:复杂受限介质中的扩散行为在自然界是普遍存在的,与其相关的研究涉及物理学、材料科学和生物学等多学科领域,受到了这些领域研究者们的广泛关注.然而,相比于众多的圆球受限扩散研究,对形状各向异性的粒子在复杂受限介质中的扩散行为的研究依然比较匮乏.本文提出了一个简单的软物质实验模型—胶体椭球与圆球混合体 ...
    本站小编 Free考研考试 2021-12-29
  • 电池材料数据库的发展与应用
    摘要:基于自动化技术和计算机技术的高通量方法可快速提供数以万计的科研数据,对如何科学、高效的管理科研数据提出了新的挑战.可充放的二次电池作为一种清洁高效的能源存储器件,是电动汽车发展的关键,也是风/光电储能的首选.电池器件性能的提升与电池新材料的研发密切相关,电池材料数据库的发展可在电池材料研发中引 ...
    本站小编 Free考研考试 2021-12-29
  • 石榴石型固态电解质表界面问题及优化的研究进展
    摘要:随着对能源存储设备输出和安全性能等方面需求的不断提升,全固态电池展示了替代传统液态锂离子电池占据新能源市场的潜力.石榴石型Li7La3Zr2O12固体电解质具有高离子导率且对于锂金属稳定,是最受人瞩目的固体电解质材料之一.但是,固-固界面不良接触导致的巨大界面电阻以及由于锂的不均匀沉积和分解导 ...
    本站小编 Free考研考试 2021-12-29
  • 基于PE型压机中子衍射高温高压组装的优化设计与实验验证
    摘要:高温高压原位中子衍射探测手段对凝聚态物理、晶体化学、地球物理以及材料科学与工程等领域的研究均有重要的意义.本文基于中国绵阳研究堆(ChinaMianyangResearchReactor,CMRR)的高压中子衍射谱仪(凤凰)和1500kN的PE型两面顶压机,设计了一套应用于高温高压原位中子衍射 ...
    本站小编 Free考研考试 2021-12-29
  • 基于时谱信号分析的在轨空间目标姿态感知
    摘要:为了在天基远距离条件下估计空间目标的姿态参数,提出了基于时序光谱信号分级求解目标表面参数及姿态参数的方法.第一级,在三轴稳定状态下将空间目标等效为“双面模型”,引入双向反射分布函数(bidirectionalreflectancedistributionfunction,BRDF)的多级融合模 ...
    本站小编 Free考研考试 2021-12-29
  • 退火效应增强铁磁异质结太赫兹发射实验及机理
    摘要:系统研究了退火效应对飞秒激光脉冲驱动的基于钴铁硼/重金属异质结辐射太赫兹波的影响.通过对发射样品进行退火处理,在钨/钴铁硼结构中观察到三倍增强的太赫兹波辐射,而铂/钴铁硼结构中太赫兹波的强度也获得了双倍提升.通过太赫兹时域光谱系统对异质结样品的透射测量和四探针法电阻率测量实验,验证了退火效应的 ...
    本站小编 Free考研考试 2021-12-29
  • X波段高重频长脉冲高功率多注相对论速调管放大器的设计与实验研究
    摘要:多注相对论速调管放大器向工程化和实用化方向发展,需要进一步提高其工作重频和使用寿命.针对高功率多注相对论速调管放大器在输出腔间隙电子束换能后,会出现电子返流轰击输出腔表面,以及输出腔间隙电场过高产生射频击穿导致输出腔表面出现烧蚀的问题,本文分析了强流相对论电子束在器件中的返流过程,在此基础上设 ...
    本站小编 Free考研考试 2021-12-29