买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：杭州电子科技大学

摘要：本发明公开了一种基于深度神经网络与CCA特征融合的棘波检测方法。首先对输入的原始单通道脑电信号进行预处理操作，分割后得到脑电信号片段；分别通过连续小波变换得到频谱图特征和平滑非线性能量滤波后的传统特征；通过DenseNet121深度神经网络对频谱图提取2维深度特征，使用方差过滤式方法筛选出4维的传统特征；使用典型相关分析并采取相加的融合策略，得到2维的融合特征；再通过随机森林算法构建单通道棘波和非棘波样本数据集的棘波检测模型；最后通过建立的棘波检测模型进行脑电棘波检测。本发明通过频谱图深度特征与传统特征的CCA特征融合，并结合随机森林分类算法，达到对棘波放电精准检测的效果，能够同时检测棘波以及其产生的位置信息。

主权项：1.一种基于深度神经网络与CCA特征融合的棘波检测方法，其特征在于包括如下步骤：步骤1、对输入已标记的原始单通道脑电信号进行预处理，所述的已标记的原始单通道脑电信号包含棘波时间点的标记；所述的预处理包括级联滤波和标准化处理；步骤2、对预处理后的单通道脑电EEG信号先进行连续小波变换，然后在Savitzky-Golay滤波基础上进行平滑非线性能量算子滤波；对连续小波变换后的数据选择1-70Hz的频带；在时间域上进行分割后，得到长度为0.2s的脑电信号片段对应的频谱图；基于二次滤波后的脑电信号，提取12维传统的时频域特征；步骤3、对步骤2处理后的频谱图，使用预训练好的DenseNet121深度卷积神经网络，提取出2维的深度特征；步骤4、针对步骤2得到的12维时频域特征，采用方差过滤式方法进行特征选择，筛选出4维特征；与步骤3中得到的2维深度特征，采用典型相关分析并采取相加的融合策略，最终得到2维的融合特征；步骤5、利用步骤4得到的2维融合特征和对应的标记信息，基于随机森林分类算法搭建棘波检测模型；步骤6、应用步骤5搭建的棘波检测模型，在连续的EEG信号上实现脑电棘波检测；所述步骤4的具体实现如下：针对特征矩阵X，采用方差过滤式方法做特征选择；4-1.通过如下公式计算特征矩阵X各维度方差Vjj＝1,2,...,12： 其中T为训练样本个数，为第j个维度所有数据均值，Vjt为第j个维度的第t个数据；4-2.将得到的方差结果进行降序排序，输出排序后的方差值对应的特征维度索引；4-3.根据4-2得到的特征维度索引结果，从前往后选取前4个特征维度索引对应的特征作为新的T*4维的特征向量XT；4-4.将方差选择后的特征向量XT和深度特征Y进行标准化处理，得到均值为0方差为1的标准数据；4-5.计算XT和Y的总体方差矩阵SXX和SYY，以及协方差矩阵SXY；计算矩阵M： 对矩阵M进行奇异值分解，得到最大的奇异值ρ和最大奇异值对应的左右奇异向量u,v；计算XT和Y的映射矩阵α和β： 两个特征在相关子空间的表示为：X′＝αTX12Y′＝βTY134-6.对X′和Y′采用相加的特征融合策略：Z＝X′+Y′＝αTX+βTY14最终得到2维的融合特征Z。

全文数据：

权利要求：

百度查询： 杭州电子科技大学 一种基于深度神经网络与CCA特征融合的棘波检测方法