CN109657646A - 生理时间序列的特征表示与提取方法、装置及存储介质 - Google Patents

Abstract

本发明公开了一种基于奇异谱分解与共空间模式的生理时间序列的特征表示与提取方法、装置及存储介质。通过获取生理时间序列并对所述生理时间序列进行预处理，得到预处理后的生理时间序列；对生理时间序列进行奇异谱分解，得到生理时间序列的各阶奇异谱分量；利用生理时间序列的各阶奇异谱分量，进行共空间模式算法处理，提取得到生理时间序列对应不同生理状态的特征信息。本发明相比于传统的特征提取方法而言，是一种基于自身数据驱动的自动特征提取方法，基本不需要算法参数的预设，同时具有算法实现简单、算法运行高效等特征，能有效的提取生理信号的特征信息。

Description

生理时间序列的特征表示与提取方法、装置及存储介质

技术领域

本发明涉及生理信号处理与特征提取技术领域，尤其涉及一种基于奇异谱分解与共空间模式的生理时间序列的特征表示与提取方法、装置及存储介质。

背景技术

生理时间序列，是生理信号随时间变化的数据集，它的特点是包含的信息不仅多，而且比较复杂，反映了生理系统的活动状态，包含着丰富的生理状态特征，在医学研究中具有重大的意义，能够为医生在对患者疾病进行分析与诊断时提供了依据。

现有的生理时间序列的特征提取方法，大多适用于平稳的生理时间序列，并不能有效地提取到非线性、非平稳的生理信号特征信息。然而，对于常见的生理时间序列，例如脑电信号、肌电信号、心电信号等，均具有非平稳特性，且包含了丰富的与生理状态相关的非线性特征信息。近年来，人们提出了若干种度量生理时间序列的非线性复杂度的方法，如相关维、Lyapunov指数、K-S熵以及非线性预测等。然而，这些方法在实际应用中可能受到一些限制。例如：求相关维或者Lyapunov指数要求时间序列有足够的长度；近似熵和样本熵因为受时间序列中局部趋势等因素的影响，有可能导致对数据的错误解释。因此，本发明提出了一种基于自身数据驱动的自动特征提取，可有效的提取生理信号特征信息。

发明内容

本发明提供一种基于奇异谱分解与共空间模式的生理时间序列的特征表示与提取方法、装置及存储介质，以实现非线性、非平稳生理时间序列的特征提取，具有算法实现简单、算法运行高效等特征，能有效的提取生理信号的特征信息。

为实现上述目的，本发明提供一种基于奇异谱分解与共空间模式的生理时间序列的特征表示与提取方法，包括以下步骤：

获取生理时间序列；

对所述生理时间序列进行奇异谱分解，得到生理时间序列的各阶奇异谱分量；

利用生理时间序列的各阶奇异谱分量，进行共空间模式算法处理，提取得到生理时间序列在不同生理状态下的特征信息。

其中，所述对所述生理时间序列进行奇异谱分解的步骤之前还包括：

对所述生理时间序列进行预处理，预处理方式包括：滤波、伪差去除、趋势消除。

其中，所述对所述生理时间序列进行奇异谱分解，得到生理时间序列的各阶奇异谱分量的步骤包括：

对于长度为N的一维生理时间序列t(n)，n＝1,2,3,···,N，以窗口长度为w进行相空间重构，得到一维生理信号的轨迹矩阵X；

对轨迹矩阵X，进行矩阵奇异值分解；

对轨迹矩阵X，表示成与w个奇异值相关联的矩阵加和形式，X＝X1+X2+Xi…+Xw；

采用对角平均的计算方法，将每个矩阵Xi转换成时间序列，得到生理时间序列的w个奇异谱分量。

其中，所述利用生理时间序列的各阶奇异谱分量，进行共空间模式算法处理，提取得到生理时间序列在不同生理状态下的特征信息的步骤包括：

根据不同生理状态对应的生理时间序列奇异谱分量，求出不同生理状态对应的生理时间序列奇异谱分量的混合空间协方差矩阵；

对混合空间协方差矩阵进行特征分解，得到白化特征值矩阵；

基于所述白化特征值矩阵构造出不同生理状态生理时间序列奇异谱分量的共空间模式抽取器；

利用共空间模式抽取器，提取得到生理时间序列奇异谱分量的特征信息。

本发明还提出一种基于奇异谱分解与共空间模式的生理时间序列的特征表示与提取装置，包括：存储器、处理器以及存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时实现如上所述的方法的步骤。

本发明还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时实现如上所述的方法的步骤。

相比现有技术，本发明提出的一种基于奇异谱分解与共空间模式的生理时间序列的特征表示与提取方法、装置及存储介质，通过获取生理时间序列；对所述生理时间序列进行奇异谱分解，得到生理时间序列的各阶奇异谱分量；利用生理时间序列的各阶奇异谱分量，进行共空间模式算法处理，提取得到生理时间序列在不同生理状态下的特征信息。本发明提出的一种基于奇异谱分解和共空间模式的生理时间序列的特征提取方法，适合于非线性、非平稳生理时间序列的特征提取。本发明提出的生理信号特征提取方法，是一种基于自身数据驱动的自动特征提取，相比于传统的特征提取方法而言，基本不需要手动参数的设置，同时具有算法实现简单、算法运行高效等特征，能更加有效的提取生理信号的特征信息。

附图说明

图1是本发明所述的生理时间序列的特征提取方法流程示意图；

图2是本发明所述的生理时间序列奇异谱分解的算法流程示意图；

图3是本发明所述的基于生理时间序列奇异谱分量的共空间模式算法流程示意图；

图4是本发明实施例的脑电信号奇异谱分量在睁眼与闭眼两种生理状态下的特征值统计结果示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

具体地，请参照图1，图1是本发明所述的生理时间序列的特征提取方法流程示意图。

如图1所示，本发明第一实施例提出一种基于奇异谱分解与共空间模式的生理时间序列的特征表示与提取方法，包括以下步骤：

获取生理时间序列；

对所述生理时间序列进行预处理，预处理方式包括：滤波、伪差去除、趋势消除。

对所述生理时间序列进行奇异谱分解，得到生理时间序列的各阶奇异谱分量；

利用生理时间序列的各阶奇异谱分量，进行共空间模式算法处理，提取得到生理时间序列在不同生理状态下的特征信息。

其中，所述对所述生理时间序列进行奇异谱分解，得到生理时间序列的各阶奇异谱分量的步骤包括：

对于长度为N的一维生理时间序列t(n)，n＝1,2,3,···,N，以窗口长度为w进行相空间重构，得到一维生理信号的轨迹矩阵X；

对轨迹矩阵X，进行矩阵奇异值分解；

对轨迹矩阵X，表示成与w个奇异值相关联的矩阵加和形式，X＝X1+X2+Xi…+Xw；

采用对角平均的计算方法，将每个矩阵Xi转换成时间序列，得到生理时间序列的w个奇异谱分量。

其中，所述利用生理时间序列的各阶奇异谱分量，进行共空间模式算法处理，提取得到生理时间序列在不同生理状态下的特征信息的步骤包括：

根据不同生理状态下对应的生理时间序列奇异谱分量，求出不同生理状态下对应的生理时间序列奇异谱分量的混合空间协方差矩阵；

对混合空间协方差矩阵进行特征分解，得到白化特征值矩阵；

基于所述白化特征值矩阵构造出不同生理状态下生理时间序列奇异谱分量的共空间模式抽取器；

利用共空间模式抽取器，提取得到生理时间序列奇异谱分量的特征信息。

以下对本发明方案进行详细阐述：

本发明提出了一种基于奇异谱分解和共空间模式的生理时间序列的特征提取方法，适合于非线性、非平稳生理时间序列的特征提取。本发明提出的生理信号特征提取方法，是一种基于自身数据驱动的自动特征提取，相比于传统的特征提取方法而言，基本不需要手动参数的设置，同时具有算法实现简单、算法运行高效等特征，能更加有效的提取生理信号的特征信息。

本发明提出的基于奇异谱分解与共空间模式的生理时间序列的特征提取方法，利用共空间模式算法，对生理时间序列的奇异谱分量进行特征信息处理，获得生理时间序列不同生理状态下的特征信息。具体包括以下步骤：

步骤一，对生理时间序列进行奇异谱分解，得到生理信号的各阶奇异谱分量；

步骤二，利用生理信号的各阶奇异谱分量，进行共空间模式算法处理，构造出不同生理状态下生理信号奇异谱分量的共空间模式抽取器；

步骤三，利用共空间模式抽取器，实现不同生理状态下生理信号各阶奇异谱分量的方差值差异最大化，从而实现具有最优区分度的生理信号奇异谱分量的特征信息。

其中，在步骤一中，生理时间序列做奇异谱分解，得到生理信号各阶奇异谱分量，包含了原生理信号在不同生理状态下的模式特征信息。

在步骤二中，构造的共空间模式抽取器，是对生理时间序列奇异谱分量进行基于自身数据驱动的统计特征信息处理，以达成不同生理状态下生理信号奇异谱分量的方差值差异最大化的目标。

更为具体地，如图1所示，图1是本发明所述的生理时间序列的特征提取方法流程图，主要由三个步骤组成，具体为：

步骤一，生理时间序列的预处理。生理时间序列的预处理，主要涉及：滤波、伪差去除、趋势消除等常见的预处理方法。实际应用中，具体采用的预处理方法，根据实际的生理信号类型和应用场景来确定。例如，在脑电信号的运动想像模式识别应用，预处理方法可涉及：低频滤波、眼电消除、去趋势等预处理。

步骤二，生理时间序列的奇异谱分解，其主要信号分解流程，如图2所示。生理时间序列的奇异谱分解，主要技术实现详细介绍如下：

首先，对于长度为N的一维生理时间序列t(n)，n＝1,2,3,···,N，以窗口长度为w进行相空间重构，得到一维生理信号的轨迹矩阵X：

轨迹矩阵X维度为，w×L，L＝N–w+1。

然后，为了实现轨迹矩阵X的奇异值分解，先对其协方差矩阵XX^T进行特征分解，得到特征向量和特征值分别为：U_j和λ_j，且j＝1,2,···,w。于是，轨迹矩阵X的奇异值分解表示如下：

其中，根据矩阵分解的基本原理，轨迹矩阵X可以表示成w个与奇异值相关联的矩阵累加和形式，即

接着，根据对角平均的计算方法，可以将每个矩阵X_i转换成一个一维的时间序列y(n)，具体的转换方法如下：

第一步，每个矩阵X_i，按照元素的表示形式，重新表示如下，

第二步，根据上述的矩阵元素，依据对角平均的计算的规则，生成一个一维的时间序列y(n)，即

因此，根据上述的对角平均的计算方法，将w个矩阵X_i可以转换得到成w个一维的时间序列y(n)，从而，实现了长度为N的一维生理时间序列t(n)，以窗口长度为w的奇异谱分解，得到了w个生理时间序列的奇异谱分量(长度也为N)。

步骤三，基于生理时间序列奇异谱分量，采用共空间模式算法，提取生理时间序列在不同生理状态下的特征信息，其主要算法流程，如图3所示。

共空间模式算法，是一种对两分类任务下的空域滤波特征提取算法，能够从多通道的数据里面提取出每一类的空间分布成分。公共空间模式算法的基本原理，是利用矩阵的对角化，找到一组最优空间滤波器进行投影，使得两类信号的方差值差异最大化，从而得到具有较高区分度的特征向量。本发明，主要利用共空间模式算法，针对两类生理状态下的生理时间序列奇异谱分量的特征提取，从w个奇异谱分量中提取出不同生理状态的生理信号特征信息。使用共空间模式算法，提取生理时间序列奇异谱分量的特征，主要的技术实现，介绍如下：

第一步，根据不同生理状态下对应的生理时间序列奇异谱分量，求出混合空间协方差矩阵。假设两种不同生理状态下的生理时间序列的奇异谱分量所组成的矩阵，分别为：SSD₁和SSD₂，对于长度为N的一维生理时间序列，奇异谱分解的窗口长度为w，则对于SSD₁和SSD₂表示的奇异谱分量矩阵，维度均为w×L，L＝N–w+1。

求解SSD₁和SSD₂归一化的协方差矩阵，分别为R₁和R₂，其具体的数学表达式如下，

其中，trace(·)表示矩阵对角线上元素的和。然后，求得混合空间协方差矩阵R为，

和分别为两种生理状态下的生理时间序列奇异谱分量SSD₁和SSD₂平均协方差矩阵。

第二步，对混合空间协方差矩阵R，进行特征分解，求出白化特征值矩阵。先对混合空间协方差矩阵R进行特征值分解，U和λ分别为：特征向量矩阵及其对应的特征值矩阵(特征值矩阵的特征值，以降序排列)。

R＝U×λ×U^T (9)

于是，白化值矩阵P可表示如下：

第三步，构造空间模式抽取器。基于白话矩阵，对矩阵R₁和R₂进行如下变换：

S₁＝P×R₁×P^T (11)

S₂＝P×R₂×P^T (12)

然后，对矩阵S₁和S₂做特征分解，有，

可以证明矩阵S₁特征向量，和矩阵S₂的特征向量矩阵是相等的，即，

B₁＝B₂＝B (15)

与此同时，两个特征值的对角阵λ1和λ2之和为单位矩阵，即：

λ1+λ2＝I (16)

由于两类矩阵的特征值相加总是为1，则S₁的最大特征值所对应的特征向量使S₂有最小的特征值，反之亦然。白化生理时间序列到与λ1和λ2中的最大特征值对应的特征向量的变换，对于分离两个信号矩阵中的方差是最佳的。

因此，此时我们可以构造出最佳的空间模式抽取器W，其数学形式为，

W＝B^T×P (17)

第四步，特征提取。利用第三步构造出的空间模式抽取器，可以实现生理时间序列的奇异谱矩阵SSD₁和SSD₂的特征提取。对于训练集，具有两类生理状态的生理时间序列，经过构造的空间模式抽取器W可得特征F1和F2为：

其中，Var(·)表示求时间序列方差函数。

对于测试集，即需要模式识别的生理时间序列，将其首先变换得到其奇异谱分量矩阵SSD_test，再基于现成的空间模式抽取器W提取出特征向量F_test,

根据计算得到的特征F_test，再与训练集上的特征F1和F2进行比较，可实现测试的胜利时间序列的模式识别与分类。

实施例

为了更进一步说明本发明所提出的生理时间序列特征提取方法，在此具体地采用一种脑电信号来具体阐明本发明的实施流程。

脑电信号，是脑神经细胞电生理活动在大脑皮层或头皮表面的总体反映。脑电信号中包含了大量的生理与疾病信息，在工程应用方面,人们也尝试利用脑电信号实现脑—计算机接口，利用人对不同的感觉、运动或认知活动的脑电的不同,通过对脑电信号的有效的提取和分类达到某种控制目的。由于脑电信号是不具备各态历经性的非平稳随机信号，而且其背景噪声也很强，因此脑电信号的特征提取一直是非常吸引人但又是具有相当难度的研究课题。

本实施例所用的脑电信号，主要是正常实验者在不同的眼睛状态下(睁眼与闭眼，两种状态)，采集了200组单通道的脑电信号，其中，睁眼状态下脑电信号为100组；闭眼状态下，脑电信号也是100组。

第一步，选择每组脑电信号的前2000点数据，进行分析，即N＝2000；

第二步，脑电信号的预处理。在此实例中，没有对这个数据集的脑电信号信号，进行任何的预处理；

第三步，选择窗口长度w＝4，对脑电信号进行奇异谱分解，每个一维的脑电信号(1×2000)可以分解得到4个奇异谱分量(1×1997)；

第四步，我们将每组一维脑电信号，根据其奇异谱分量，组成一个4×1997的奇异谱分量矩阵；

第五步，根据100组睁眼的脑电信号，求得睁眼状态下奇异谱分量矩阵SSD₁的协方差矩阵R₁；根据100组闭眼的脑电信号，求得闭眼状态下奇异谱分量矩阵SSD₂的协方差矩阵R₂；协方差矩阵R₁和R₂的均值之和，求得混合空间协方差矩阵R(4×4)。

第六步，根据混合空间协方差矩阵R的特征分解，得到白化矩阵P(4×4)，然后，再结合混合空间协方差矩阵R的特征向量矩阵，便可构造出脑电信号在睁眼与闭眼状态的共空间模式抽取器W(4×4投影矩阵)。

第七步，根据共空间模式抽取器，求得每组脑电信号奇异谱分量矩阵的投影，即W×SSD(4×1997)，再通过方差数值计算，得到脑电信号在4个奇异谱分量上的方差数值，以组成一个1×4特征向量。

第八步，通过对数函数，优化特征向量的区分度，实现脑电信号在不同眼睛状态下的特征提取。如图4所示，是本发明实施例的脑电信号奇异谱分量在睁眼与闭眼两种生理状态下，第一阶奇异谱分量与第二阶奇异谱分量的特征值分布统计结果(图4(A))；第二阶奇异谱分量与第三阶奇异谱分量的特征值分布统计结果(图4(B))。

相比现有技术，本发明提出的一种基于奇异谱分解和共空间模式的生理时间序列的特征提取方法，适合于非线性、非平稳生理时间序列的特征提取。本发明提出的生理信号特征提取方法，是一种基于自身数据驱动的自动特征提取，相比于传统的特征提取方法而言，基本不需要手动参数的设置，同时具有算法实现简单、算法运行高效等特征，能更加有效的提取生理信号的特征信息。

此外，本发明实施例还提出一种基于奇异谱分解与共空间模式的生理时间序列的特征表示与提取装置，包括：存储器、处理器以及存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时实现如上所述的方法的步骤。

此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时实现如上所述的方法的步骤。

以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (6)

1.一种基于奇异谱分解与共空间模式的生理时间序列的特征表示与提取方法，其特征在于，包括以下步骤：

获取生理时间序列；

对所述生理时间序列进行奇异谱分解，得到生理时间序列的各阶奇异谱分量；

基于生理时间序列的各阶奇异谱分量，进行共空间模式算法处理，提取得到生理时间序列对应不同生理状态的特征信息。

2.根据权利要求1所述的方法，其特征在于，所述对所述生理时间序列进行奇异谱分解的步骤之前还包括：

对所述生理时间序列进行预处理，预处理方式包括：滤波、伪差去除、趋势消除。

3.根据权利要求1所述的方法，其特征在于，所述对所述生理时间序列进行奇异谱分解，得到生理时间序列的各阶奇异谱分量的步骤包括：

对于长度为N的一维生理时间序列t(n)，n＝1,2,3,···,N，以窗口长度为w进行相空间重构，得到一维生理信号的轨迹矩阵X；

对轨迹矩阵X，进行矩阵奇异值分解；

对轨迹矩阵X，表示成与w个奇异值相关联的矩阵加和形式，X＝X1+X2+Xi…+Xw；

采用对角平均的计算方法，将每个矩阵Xi转换成时间序列，得到生理时间序列的w个奇异谱分量。

4.根据权利要求1所述的方法，其特征在于，所述基于生理时间序列的各阶奇异谱分量，进行共空间模式算法处理，提取得到生理时间序列对应不同生理状态的特征信息的步骤包括：

根据不同生理状态下对应的生理时间序列奇异谱分量，求出不同生理状态对应的生理时间序列奇异谱分量的混合空间协方差矩阵；

对混合空间协方差矩阵进行特征分解，得到白化特征值矩阵；

基于所述白化特征值矩阵构造出不同生理状态生理时间序列奇异谱分量的共空间模式抽取器；

利用共空间模式抽取器，提取生理时间序列奇异谱分量的特征信息。

5.一种基于奇异谱分解与共空间模式的生理时间序列的特征表示与提取装置，其特征在于，包括：存储器、处理器以及存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时实现如权利要求1-4中任一项所述的方法的步骤。

6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时实现如权利要求1-4中任一项所述的方法的步骤。