一种具备迁移学能力的脑电信号识别模糊系统方法

摘要

本发明公开了一种具备迁移学能力的脑电信号识别模糊系统方法。传统智能识别方法都假设模型的训练集和测试集服从相同的数据分布，因而仅在训练域和测试域数据服从相同分布时方可获取良好的分类性能。本发明所提方法利用迁移学策略来帮助迁移学环境下的癫痫脑电信号识别。基于模糊系统构建具备直推式迁移学能力的0阶TSK型模糊系统建模技术。此技术因具备了迁移学能力而不再局限于训练域和测试域数据分布一致的假设，允许两者之间存在一定的差异性，不仅在训练域与测试域数据分布相同的场景下保持良好的性能，也大大提高了最终所获模型在多样化的脑电信号识别问题下的识别效果。

主权项

一种具备迁移学习能力的脑电信号识别模糊系统方法，其脑电信号的预处理一特征提取，包含如下步骤：步骤一：将利用按标准化的电极布置方案测量采集的23.6秒长度的脑电信号首先都校正到173.6Hz；步骤二：利用小波包分解技术对上述校正后的初始脑电信号进行特征提取：信号f(t)的连续小波变换定义为：$W_x(a,b)=\frac{1}{\sqrt{a}}\int f\left(t\right)\Psi \left(\frac{t-b}{a}\right)dt---\left(1\right)$上式中，W_x(a，b)为小波变换系数，a为伸缩因子或尺度因子，b为平移因子，Ψ(t)为小波函数，t为时间；对于脑电信号，小波包变换对上层的低频部分和高频部分，都进行了再分解，提高了时频分辨率，信息量保存相对完整，损失很少；步骤三：小波包能量可以通过小波包系数求得，单一尺度下小波包能量为该尺度下小波包系数的平方和，本发明中，癫痫脑电信号经J层小波包分解后，小波包系数为d(J，0)，d(J，1)...，d(J，2^J‑1)则可定义小波包能量熵为：$P_i=\frac{\left|\right|d(j,i)|{|}^2}{\underset{i=0}{\overset{2^i-1}{\Sigma }}\left|\right|d(j,i)|{|}^2}---\left(2\right)$上式中，j为分解层数，i为第j层上的第i个子带，根据上式中求得的脑电信号的总的小波包能量，进而求各个频段小波包系数占总能量的百分比，最后用各个频段的能量熵作为脑电信号新的特征。