本發(fā)明涉及腦電信號的特征提取與分類領(lǐng)域，具體涉及一種基于pso-svm的改進ewt的抑郁情緒識別方法。

背景技術(shù)：

1、

2、當前，大多數(shù)識別與評估抑郁狀況的方法往往是在其行為表現(xiàn)較為顯著后才得以應用，這限制了我們對個體進行及時干預與支持的可能性。因此，探索和開發(fā)能夠早期捕捉抑郁跡象的工具或方法變得尤為迫切。然而，目前在這一領(lǐng)域，我們?nèi)蕴幱谝粋€初級階段水平，早期抑郁情緒識別的準確性和效率尚有待提升。

3、已有研究證實，靜息態(tài)額葉腦電信號中，alpha頻段的不對稱性在抑郁者中得到了可靠的評估。eeg作為一種非侵入性的腦電活動測量方法，能夠提供關(guān)于大腦功能的實時數(shù)據(jù)。在抑郁檢測中，eeg可以幫助研究人員觀察和分析抑郁者的大腦電活動變化，為抑郁情緒的識別提供客觀、準確的依據(jù)。在以往使用eeg信號針對抑郁情緒的研究中，研究者通過使用經(jīng)驗模態(tài)分解emd、離散小波變換dwt、自回歸模型或深度學習的方法分別對腦電信號進行分析處理或直接進行特征提取并進行模式識別。其中，

4、經(jīng)驗模態(tài)分解emd在非線性、非平穩(wěn)信號的分析處理中，有著非常實用的價值，它將一個復雜的信號分解成一系列本征模態(tài)函數(shù)(intrinsic?mode?functions，imf)，這些imf代表了信號在不同時間尺度上的特征。通過這種方法，可以更有效地提取和分析信號中的有用信息，尤其適用于那些傳統(tǒng)方法難以處理的非線性、非平穩(wěn)信號，也常常被用在腦電信號的處理中。但是其分解出的imf正交性的定義是局部的，對于一些特殊數(shù)據(jù)，imf之間的相鄰分量肯定會有在不同持續(xù)時間攜帶相同頻率的數(shù)據(jù)段，因此在利用eeg進行信號分解并提取特征時，會對抑郁的診斷造成影響。同時emd存在的模態(tài)混疊現(xiàn)象和缺乏完整的理論依據(jù)也說明使用emd進行抑郁檢測并不是最理想的辦法；

5、puthankattil等人使用離散小波變換dwt對腦電信號進行八級分解用于提取腦電信號的五個節(jié)律。雖然離散小波變換dwt能夠提供多尺度的分解，但其在時頻分辨率上存在一定的局限性。特別是對于高頻和低頻部分，離散小波變換dwt無法同時提供足夠的時間和頻率分辨率，這便導致在分析某些特定的腦電節(jié)律時，無法準確地捕捉到其細微的變化和特征。此外離散小波變換dwt需要進行多級分解和重構(gòu)，反而增加了計算的復雜度和時間成本。對于大量的腦電數(shù)據(jù)，尤其是在實時分析和應用方面，無疑帶來了更多的工作量，造成了資源浪費；

6、為解決經(jīng)驗模態(tài)分解emd和離散小波變換dwt在處理非平穩(wěn)信號中的缺點，法國數(shù)學家gilles在2013年提出了經(jīng)驗小波變換ewt。經(jīng)驗小波變換ewt是一種自適應的信號分解方法，在對非線性、非平穩(wěn)信號的分析處理中有著非常不錯的應用。它基于信號頻譜中的頻率信息內(nèi)容，從所分析的信號中提取窄帶頻率分量。經(jīng)驗小波變換ewt在對eeg進行分解時，成功解決了使用經(jīng)驗模態(tài)分解emd時產(chǎn)生的模態(tài)混疊問題，并且具有信號自適應分解能力和完整的小波變換理論基礎。基于經(jīng)驗小波變換ewt的eeg節(jié)律分解比傳統(tǒng)的小波變換的實現(xiàn)更加簡單便利。節(jié)律的時頻表示可以通過對分解后的窄帶頻率分量應用希爾伯特變換后直接獲得。

7、經(jīng)驗小波變換(ewt)，是一種基于頻率劃分的小波變換方法，它利用了littlewood-paley小波將信號分解為不同尺度的頻率分量來得到信號在不同頻率信息的構(gòu)建思想，同時利用meyer小波構(gòu)造一個光滑的函數(shù)來逼近理想低通濾波器組，從而得到一組正交的小波基函數(shù)的構(gòu)建思想，構(gòu)造出經(jīng)驗小波函數(shù)進行經(jīng)驗小波變換。使用傳統(tǒng)的ewt對eeg信號進行處理時，雖然可以很好的分解出eeg五種不同的節(jié)律，但是其針對抑郁異常的腦電所提取的特征仍存在信息不準確、識別率低的問題。

技術(shù)實現(xiàn)思路

1、針對上述問題，本發(fā)明提供了一種基于pso-svm的改進ewt的抑郁情緒識別方法，其使用改進的ewt對腦電信號進行了準確的節(jié)律分解，有效提取腦電信號alpha節(jié)律的腦電特征，再基于pso-svm算法對已提取出的多域特征進行抑郁情緒的識別，從而有效地對抑郁情緒進行識別。

2、本發(fā)明的目的是這樣實現(xiàn)的：

3、一種基于pso-svm的改進ewt的抑郁情緒識別方法，包括以下步驟：

4、步驟a、使用128個電極通過128通道采集腦電信號，獲得128通道的靜息態(tài)eeg數(shù)據(jù)集，選取靜息態(tài)腦電通道中的腦前額葉區(qū)域的fpz通道記錄的信號；

5、步驟b、基于morlet小波對ewt進行改進，

6、morlet小波函數(shù)的定義式為

7、

8、其中，e表示常數(shù)，j表示虛數(shù)單位，ω0表示morlet小波的中心頻率，t表示時間參數(shù)；對上式進行移位和尺度變換后，得到公式：

9、

10、其中，a表示尺度因子，用于調(diào)整小波函數(shù)的寬度，b表示移位量，表示小波函數(shù)在時間軸上的平移量，e表示常數(shù)，j表示虛數(shù)單位，ω0表示morlet小波的中心頻率，t表示時間參數(shù)；

11、通過上式構(gòu)造ewt中的濾波器組，獲得改進的ewt；

12、步驟c、使用改進的ewt對選取的腦前額葉區(qū)域的fpz通道記錄的信號進行腦電節(jié)律分解，得到腦電信號alpha節(jié)律；

13、步驟d、分解得出的腦電信號alpha節(jié)律的頻段在時域、頻域和空間域進行特征提取；

14、步驟e、基于pso-svm分類算法對已提取出的腦電特征進行抑郁情緒的識別，

15、svm分類算法是在靜息態(tài)eeg數(shù)據(jù)集中，找到一個超平面ωxi+b＝0，使得：

16、對于正類樣本，ωxi+b≥1

17、對于負類樣本，ωxi+b≤-1

18、其中，xi表示第i個樣本的特征向量，yi表示對應的第i個樣本的特征向量所對應的標簽，n表示樣本總數(shù)，i表示第i個樣本，ω表示超平面的法向量，b表示超平面的偏置項；

19、最大化間隔的目標轉(zhuǎn)化為求解以下優(yōu)化問題：

20、

21、使得yi(ωxi+b)≥1,i＝1,2,...,n；

22、pso尋優(yōu)算法的迭代過程為

23、

24、其中和分別表示粒子i在d維空間中的速度和位置；

25、ω是非負慣性權(quán)重，用于控制粒子當前速度對下一時刻速度的影響；

26、c1和c2是學習因子，用于調(diào)節(jié)粒子向個體最優(yōu)和群體最優(yōu)學習的步長；

27、r1和r2是兩個隨機數(shù)，在[0,1]之間；

28、是粒子i在d維空間中的個體最優(yōu)位置；

29、gd是整個粒子群在d維空間中的群體最優(yōu)位置。

30、上述的一種基于pso-svm的改進ewt的抑郁情緒識別方法，步驟a中，對腦電信號進行快速傅里葉變換后，再將分析腦電信號頻譜歸一化到[0,π]，其中，π為圓周率。

31、上述的一種基于pso-svm的改進ewt的抑郁情緒識別方法，步驟b中，在對于ewt中的濾波器組的改進中，使用fbt＝2πft/fs關(guān)系式，從第t個頻率點確定腦電信號頻域中的邊界作為腦電信號節(jié)律分解的邊界點分割；其中，fbt表示第t個頻率分割邊界點，ft表示第t個頻率點，fs表示信號采樣率。

32、上述的一種基于pso-svm的改進ewt的抑郁情緒識別方法，步驟c中，將腦電信號中的頻率點[4、8、13、30、60]作為腦電信號節(jié)律分割的固定頻域邊界點。

33、上述的一種基于pso-svm的改進ewt的抑郁情緒識別方法，步驟d中，提取腦電信號alpha節(jié)律中的頻帶功率、頻帶功率比、香農(nóng)熵、置換熵、lz復雜度及方差的腦電特征。

34、上述的一種基于pso-svm的改進ewt的抑郁情緒識別方法，步驟d和步驟e中，通過計算腦電信號alpha節(jié)律中的特征值，得到關(guān)于抑郁與健康受試者的eeg特征矩陣，然后將特征矩陣輸送到pso-svm中進行分類。

35、上述的一種基于pso-svm的改進ewt的抑郁情緒識別方法，步驟e中，svm采用的核方法有多項式核(polynomial?kernel)、高斯徑向基函數(shù)核(rbf?kernel)、線性核(linearkernel)、sigmoid核(sigmoid?kernel)，分別如下式所示：

36、k(x,y)＝(γxy+r)n

37、k(x,y)＝exp(-γ||x-y||2)

38、k(x,y)＝xy

39、k(x,y)＝tanh(γ(xy)+r)

40、其中，x,y均為訓練樣本的特征向量，γ為核函數(shù)的系數(shù)，一個正實數(shù)，r為核函數(shù)的常數(shù)項，n為多形式的次數(shù)，exp表示指數(shù)函數(shù)，tanh為雙曲正切函數(shù)。

41、上述的一種基于pso-svm的改進ewt的抑郁情緒識別方法，腦電信號頻譜按照節(jié)律邊界分為n個連續(xù)的部分并記為an，信號頻譜的頻譜邊界ωn與頻段an關(guān)系如下式所示：

42、an＝[ωn-1,ωn],n＝1,2,...,n

43、

44、其中，ωn表示第n個頻譜邊界，an表示第n個頻段，∪表示并集。

45、確定腦電信號的頻譜分割邊界后，再依據(jù)morlet小波構(gòu)造經(jīng)驗小波函數(shù)和尺度函數(shù)，構(gòu)造的經(jīng)驗小波函數(shù)和尺度函數(shù)見下式：

46、

47、

48、式中γ范圍如下式所示：

49、

50、其中，ω表示頻率邊界，n為常數(shù)，ωn表示第n個邊界，γ表示約束濾波器組為緊框架的條件。

51、改進的ewt的各個模態(tài)分量為

52、

53、其中，f0(t)為分解后第0個模態(tài)分量在時間域中的表示，fk(t)為分解后第k個模態(tài)分量在時間域中的表示，表示第0個模態(tài)分量的系數(shù)，表示第k個模態(tài)分量的系數(shù)，*為卷積符號。

54、相對于現(xiàn)有技術(shù)，本發(fā)明具有以下有益效果：

55、本發(fā)明用于抑郁情緒的識別，創(chuàng)新性地聚焦于靜息態(tài)腦電信號中最能體現(xiàn)抑郁腦電異常的腦前額葉fpz通道，基于morlet小波對傳統(tǒng)ewt進行深度優(yōu)化，通過morlet小波對時頻域以及對非平穩(wěn)信號處理的優(yōu)勢，對ewt進行深度改進，應用在腦電信號節(jié)律分解方面，從而能夠捕捉到更為完整、細致的腦電節(jié)律信息。相對于傳統(tǒng)經(jīng)驗小波變換及離散小波變換對腦電信號的分解，顯著提升了在腦電信號在節(jié)律分解中的精度與效率，降低了計算的復雜度和時間成本。

56、在改進后的ewt框架下，本發(fā)明成功實現(xiàn)了對腦電信號節(jié)律的精細分解，在得到腦電信號的五種不同節(jié)律后，進一步專注于在抑郁腦電信號中顯著體現(xiàn)異常變化的alpha節(jié)律，并提取與抑郁相關(guān)聯(lián)的頻帶功率、頻帶功率比、香農(nóng)熵、置換熵、lz復雜度及方差的腦電特征，探究腦電信號與抑郁之間的關(guān)聯(lián)。這些特征密切關(guān)聯(lián)于抑郁情緒狀態(tài)，相較于單一方面的特征，多域特征的提取為深入理解腦電信號與抑郁之間的復雜關(guān)系提供了強有力且豐富的數(shù)據(jù)支持。

57、本發(fā)明基于多域特征融合的方式，將提取的多域特征作為粒子群支持向量機算法pso-svm的輸入樣本數(shù)據(jù)，樣本按照7:3的比例劃分訓練集和測試集進行分類識別，并在抑郁和健康受試者的腦電信號識別中達到了81.25％的準確率，顯著提高了抑郁識別的準確率，充分驗證了本發(fā)明在抑郁情緒識別領(lǐng)域的有效性與可靠性，在社會與生活領(lǐng)域具有廣闊的應用前景與價值。