1.一种睡眠状态脑电特征信号特征集的构建方法,其特征在于,该方法具体是:步骤(1)实时探测脑电波信号,对FPz–Cz脑电波信号进行采集;
步骤(2)利用小波阈值去噪法对采集的原始脑电波信号进行去噪;具体是:一段原始脑电波信号表达为:
采用Db8小波基
采用软阈值法对分解后的小波系数进行如下处理:步骤(3)利用小波包变换法,依次得到六个波段的脑电波信号:δ波段,0.5-2Hz;st波段,2-6Hz;θ波段,4-8Hz;α波段,8-13Hz;σ波段,12-14Hz;β波段,12-30Hz;
步骤(4)对去噪后脑电波信号序列进行分解、重构,得到各波段原始脑电波信号幅值;具体是:对去噪后的脑电波信号序列x={x
对于节点(w,μ)得到不同的小波系数
对于六个波段的脑电波信号,选择二叉树中对应节点组合U步骤(5)提取六个分波段脑电波信号的能量特征,计算能量比特征值,包括α波段与θ波段的能量比值,以及δ波段与θ波段的能量比值;
步骤(6)提取脑电波信号的时域特征,包括原始脑电波信号时域特征和分波段脑电波信号时域特征;
原始脑电波信号时域特征包括:幅值平均值,幅值绝对值平均值,幅值均方根,幅值方差,Hjorth迁移率,Hjorth复杂度,标准三次方偏度,标准四次方偏度,幅值中位数,幅值峰峰值;分波段脑电波信号时域特征即幅值标准差特征;
步骤(7)提取脑电波信号的频域特征,包括原始脑电波信号频域特征和分波段脑电波信号频域特征;计算功率比特征值,包括:α波段与θ波段的功率比值,以及δ波段与θ波段的功率比值;
步骤(8)提取脑电波信号的非线性动力学特征,对六个波段的原始脑电波信号分别提取谱熵和熵,从去噪脑电波信号提取模糊熵、样本熵、多尺度熵;
步骤(9)将去噪脑电波信号序列转换为有限符号序列,计算Lempel-Ziv复杂度特征;将去噪脑电波信号序列x={x(9-1)设一个新的序列S=z
(9-2)从二进值序列Z={z
(9-3)查找Q是否为SQ
(9-4)遍历二进值序列Z中所有的元素,Lempel-Ziv复杂度特征步骤(10)采用最小冗余最大相关性算法对步骤(5)~(9)得到的所有特征进行筛选,选择有效特征,构建睡眠状态脑电特征信号特征集;具体是:(10-1)从所有的特征序列所构成的特征集F中将与输出序列相关度最大的特征加入到集合Fg中,Fg最开始是空集;
(10-2)在F和Fg的补集Fc中寻找满足D(f(10-3)重复操作(10-2),直到Fc中所有特征的冗余度均不为0;
(10-4)在Fc中寻找满足D(f
(10-5)将Fc中相关性为0的特征以随机的顺序添加到Fg中,每当添加特征时,后添加的排在先添加的后面,完成排序;
从排序为第一的特征开始,每次增加一个特征作为分类器的输入,从而用于分类器的训练与测试,将训练好的模型对测试集的准确度作为当前所选取的特征集的准确度,直到把所有的特征都作为输入后,绘制得到准确度随特征个数变化的曲线,准确度先快速增加,经过一个拐点后趋于平缓,曲线拐点处对应的特征个数即为最佳个数,此时对应的特征集作为最终特征集,从而完成特征集的构建。
2.如权利要求1所述的一种睡眠状态脑电特征信号特征集的构建方法,其特征在于,步骤(1)中采用单通道脑电采集设备进行脑电波信号采集。
3.如权利要求2所述的一种睡眠状态脑电特征信号特征集的构建方法,其特征在于,步骤(5)具体是:提取六个分波段脑电波信号的能量特征
计算能量比特征值,包括:α波段与θ波段的能量比值
4.如权利要求3所述的一种睡眠状态脑电特征信号特征集的构建方法,其特征在于,步骤(6)中,所述的幅值平均值
5.如权利要求4所述的一种睡眠状态脑电特征信号特征集的构建方法,其特征在于,步骤(7)具体是:原始脑电波信号频域特征即原始脑电波信号平均频率分波段脑电波信号频域特征
计算功率比特征值,包括:α波段与θ波段的功率比值
6.如权利要求5所述的一种睡眠状态脑电特征信号特征集的构建方法,其特征在于,步骤(8)具体是:谱熵
熵
样本熵的提取方法是:定义一段χ维数序列,序列由去噪脑电波信号的第n到第N-χ+1个幅值组成,去噪后的脑电波信号的χ维第n个幅值X模糊熵的提取方法是:对于一段χ维序列中各元素之间的距离d多尺度熵提取方法是:设定多尺度熵的尺度因子ρ,将去噪脑电波信号分解为ρ个不相互覆盖的熵序列,对每一个等长的序列求平均值,将平均值组合,尺度因子为ρ的熵序列y的第h个元素