一种基于张量分解模型的多元脑电数据识别分析方法转让专利
申请号 : CN202111373209.9
文献号 : CN113796874B
文献日 : 2022-01-28
发明人 : 安钰 , 冯毅隆 , 陈善恩 , 张玺
申请人 : 北京大学
摘要 :
本发明公布了一种基于张量分解模型的多元脑电数据识别分析方法，利用采集到的多元脑电信号，建立基于张量分解模型的多元脑电数据识别分析模型，实现对脑电数据的分析与识别；包括：利用CP张量分解方法，构建基于多元脑电数据的张量分解模型，作为多元脑电数据识别分析模型；建立用于建模的脑电信号数据的分类类别信息约束项，即标签矩阵；利用多元脑电数据识别分析模型进行个体脑电信号数据的分类识别。采用本发明提供的技术方案，有助于实现对脑电数据分类类别的识别分析，提升数据识别的准确性，为远程个体数据的分析识别提供启发式的辅助，能够为个体提供切身的便利与帮助。
权利要求 :
1.一种基于张量分解模型的多元脑电数据识别分析方法，利用采集到的多元脑电信号，建立基于张量分解模型的多元脑电数据识别与分析模型，实现对脑电数据的识别与分析；包括如下步骤：
1）利用CP张量分解方法构建基于多元脑电数据的张量分解模型，作为多元脑电数据识别分析模型；包括：
11）针对脑电信号数据定义输入张量 ；
将每个脑电信号片段通过互信息表示为邻接矩阵 ， 表示脑电数据收集器的电极数；通过堆叠所有的脑电信号片段的邻接矩阵定义输入张量 ，即；其中，取值为1到 ；为所有脑电信号片段的总数， ； 表示用于建模的个体的数目， 表示用于识别的个体的数目； 为第 位个体的脑电信号片段的数目， ；
12）通过CP张量分解方法将输入张量 分解为 组向量，表示为式1：式1
其中， 为输入张量 的估计； 为单位张量，即，其中 表示狄拉克函数； 是脑电电极信息矩阵；
为脑电片段信息矩阵； 是张量的第 模态积；
2）建立用于建模的脑电信号数据的分类类别信息约束项，即标签矩阵 ；
定义最小化生理状态相似的两个脑电片段间距的目标函数，表示为式2：式2
其中， 为 的第3模态展开矩阵； 是所有用于建模的脑电信号片段总数；标签矩阵 ，表示脑电数据分类的数目； 是基于标签矩阵 的核矩阵，其元素 代表第 个片段和第 个片段间的相似性； 是 的Frobenius范数；
3）进行个体脑电信号数据的分类识别；
定义脑电片段信息矩阵 对应的映射矩阵为 ，脑电数据的识别过程采用岭回归表示为式3：
式3
其中， ，表示只在训练过程中使用现有个体的脑电信号片段；是控制约束项的参数； 表示矩阵 的Frobenius范数；
通过求得式4的优化解，对个体脑电信号数据进行分类识别：式4
其中， 是所有控制各项的参数；
将求解得到的优化解记为 ，其中 是求解得到的脑电电极信息矩阵； 是求解得到的脑电片段信息矩阵， 是求解得到的脑电片段信息矩阵 对应的映射矩阵；
根据 得到待识别的脑电数据的标签矩阵，即识别得到脑电数据的分类信息，由此实现基于张量分解模型的多元脑电数据分析与预测。
2.如权利要求1所述基于张量分解模型的多元脑电数据识别分析方法，其特征是，步骤
12）将输入张量 分解为 组向量，每组包含三个向量，个同类型的向量表示为一个对应的矩阵。
3.如权利要求1所述基于张量分解模型的多元脑电数据识别分析方法，其特征是，标签矩阵 中，每行只包含1个“1”元素和 个“0”元素。
4.如权利要求1所述基于张量分解模型的多元脑电数据识别分析方法，其特征是，应用核函数对式4进行求解和分析。
5.如权利要求1所述基于张量分解模型的多元脑电数据识别分析方法，其特征是，具体是采用多块乘子交替方向法求解式4。
6.如权利要求1所述基于张量分解模型的多元脑电数据识别分析方法，其特征是，标签矩阵中表示的脑电信号数据的分类类别可包括发作前期与发作间期，采用独热编码表示。
7.如权利要求1所述基于张量分解模型的多元脑电数据识别分析方法，其特征是，定义，其中 是新个体的标签矩阵；根据求解得到的 即可得到待识别的脑电数据的标签矩阵，由此得到待识别的脑电数据的类别信息。
8.如权利要求1所述基于张量分解模型的多元脑电数据识别分析方法，其特征是，控制参数 均为正值。
说明书 :
一种基于张量分解模型的多元脑电数据识别分析方法
技术领域
[0001] 本发明提供一种多元脑电数据识别分析技术，具体涉及一种基于张量分解模型的多元脑电数据识别分析方法，属于工业工程数据分析技术领域。
背景技术
[0002] 大脑神经元突发性异常放电会导致短暂的大脑功能障碍。随着通信和计算技术的发展，相关技术广泛应用于大脑神经元的脑电数据的获取和识别分析。脑电数据的获取成
本低、灵活度高、时间分辨率高，且具有非侵入式性、易用性、便携性和安全性等特点。脑电
数据中隐含大量有潜在价值的信息，对远程医疗和病理机制的解释等起到十分重要的作
用。因此，对多元脑电数据的自动识别和分析是减少对对专业人员依赖的重要一步。
本低、灵活度高、时间分辨率高，且具有非侵入式性、易用性、便携性和安全性等特点。脑电
数据中隐含大量有潜在价值的信息，对远程医疗和病理机制的解释等起到十分重要的作
用。因此，对多元脑电数据的自动识别和分析是减少对对专业人员依赖的重要一步。
[0003] 脑电数据通常是针对特定对象的，体现在脑电数据高度受各种个体差异的影响。例如，患有癫痫症的不同患者的生理记录可能区别很大。近些年，学术和业界人士已经开发
出许多方法用来对脑电数据进行识别和分析。现有技术更侧重于特定个体人群脑电数据的
建模（subject‑specific modeling），而缺乏基于实际场景中非特定个体人群脑电数据的
建模（subject‑independent modeling）方法。
出许多方法用来对脑电数据进行识别和分析。现有技术更侧重于特定个体人群脑电数据的
建模（subject‑specific modeling），而缺乏基于实际场景中非特定个体人群脑电数据的
建模（subject‑independent modeling）方法。
[0004] 目前，对多元脑电数据进行识别和分析仍然面临以下挑战：第一，脑电数据具有非线性性、非平稳性、非高斯性等难以捕捉的性质。第二，脑电数据特性复杂、难以区分。例如，
癫痫发作前期与发作间期的脑电数据特性复杂、难以区分，给不同阶段的脑电数据识别带
来困难。第三，脑电数据个体差异性显著，导致基于现有脑电数据的建模结果适用性不高，
难以有效应用。
癫痫发作前期与发作间期的脑电数据特性复杂、难以区分，给不同阶段的脑电数据识别带
来困难。第三，脑电数据个体差异性显著，导致基于现有脑电数据的建模结果适用性不高，
难以有效应用。
发明内容
[0005] 针对上述现有技术存在的不足，本发明提供一种基于张量分解模型的多元脑电数据识别分析方法，充分考虑不同个体脑电数据之间的特异性，利用采集到的多元脑电数据
建立基于张量分解模型的多元脑电数据识别分析模型，实现对新的脑电数据进行识别分
析。
建立基于张量分解模型的多元脑电数据识别分析模型，实现对新的脑电数据进行识别分
析。
[0006] 本发明提供的技术方案如下：
[0007] 一种基于张量分解模型的多元脑电数据识别分析方法，利用采集到的个体的多元脑电信号，建立基于张量分解的多元脑电数据识别分析模型，实现对脑电数据的分析与识
别。包括如下步骤：
别。包括如下步骤：
[0008] 1）利用CP张量分解方法构建基于多元脑电数据的张量分解模型，作为多元脑电数据识别分析模型；包括：
[0009] 11）针对脑电信号数据定义输入张量 ；
[0010] 将每个脑电信号片段通过互信息表示为邻接矩阵 ，表示脑电数据收集器的电极数；通过堆叠所有的脑电信号片段的邻接矩阵定义输入张量 ，
即 ；其中， 为所有脑电信号片段的总数， ；表示用于建模的个体的
数目， 表示用于识别的个体的数目； 为第 位个体的脑电信号片段的数目，
；
即 ；其中， 为所有脑电信号片段的总数， ；表示用于建模的个体的
数目， 表示用于识别的个体的数目； 为第 位个体的脑电信号片段的数目，
；
[0011] 12）通过CP张量分解方法将输入张量 分解为 组向量，表示为式1：
[0012] （式1）
[0013] 其 中 ， 为 输 入 张 量 的 估 计 ； 为 单 位 张 量 ，即，其中 表示狄拉克函数，即只有在满足 条件时
为1，其余情况为0； 是脑电电极信息矩阵； 为脑电片段信息
矩阵； 是张量的第 模态积。
为1，其余情况为0； 是脑电电极信息矩阵； 为脑电片段信息
矩阵； 是张量的第 模态积。
[0014] 2）建立用于建模的脑电信号数据的分类类别信息约束项，即标签矩阵 ；
[0015] 如果两个脑电片段数据在生理状态上相似，则表示二者在生理数据结构上彼此相近。我们定义最小化生理状态相似的两个脑电片段间距的目标函数为：
[0016] （式2）
[0017] 其中 是式1得到的输入张量估计 的第3模态展开矩阵； 是所有用于建模的脑电信号片段总数； 是基于标签矩阵 的核矩阵，其元素 代表第 个片段
和第 个片段间的相似性。
和第 个片段间的相似性。
[0018] 3）建立个体脑电信号数据分类识别方法；
[0019] 本发明提出的方法是为进一步分析与识别非特定个体的脑电数据状态而设计的。定义脑电片段信息矩阵 对应的映射矩阵为 ，脑电数据的识别分析过程可以采用
岭回归表示为式3。
岭回归表示为式3。
[0020] （式3）
[0021] 其中 确保只有现有个体的脑电信号片段在训练过程中被使用；是脑电片段信息矩阵； 是脑电片段信息矩阵 对应的映射矩阵；
是用于建模的脑电信号数据的标签矩阵；是控制约束项的参数，取正值。 表示矩阵
的Frobenius范数。
是用于建模的脑电信号数据的标签矩阵；是控制约束项的参数，取正值。 表示矩阵
的Frobenius范数。
[0022] 因此，本发明提出的方法可以表述为解决以下优化问题：
[0023] （式4）
[0024] 其中 所有控制各项的参数，取正值。
[0025] 在本发明中，我们可以应用各类核函数进行分析。本发明采用多块乘子交替方向法求解式4中的优化问题，求解得到的优化解记为 ，其中 是求解得
到的脑电电极信息矩阵； 是求解得到的脑电片段信息矩阵， 是
求解得到的脑电片段信息矩阵 对应的映射矩阵。根据 可以得到待识别的脑电数
据的信息，从而分析判断该片段脑电数据的类别。通过上述步骤，即实现基于张量分解模型
的多元脑电数据识别与分析。
到的脑电电极信息矩阵； 是求解得到的脑电片段信息矩阵， 是
求解得到的脑电片段信息矩阵 对应的映射矩阵。根据 可以得到待识别的脑电数
据的信息，从而分析判断该片段脑电数据的类别。通过上述步骤，即实现基于张量分解模型
的多元脑电数据识别与分析。
[0026] 与现有技术相比，本发明的有益效果是：
[0027] 本发明提供一种基于张量分解模型的多元脑电数据识别分析方法，利用采集到的多元脑电信号，构建基于多元脑电数据的张量分解模型框架，建立用于建模的脑电信号数
据的分类类别信息约束项，建立个体脑电信号数据分类识别方法，进而一步完成对待识别
脑电数据的识别。通过采用本发明所提供的技术方案，有助于实现对脑电数据分类类别的
识别，提升识别的准确性，能够为个体提供切身的便利与帮助，为远程医疗与精准医疗提供
启发式的辅助指引。
据的分类类别信息约束项，建立个体脑电信号数据分类识别方法，进而一步完成对待识别
脑电数据的识别。通过采用本发明所提供的技术方案，有助于实现对脑电数据分类类别的
识别，提升识别的准确性，能够为个体提供切身的便利与帮助，为远程医疗与精准医疗提供
启发式的辅助指引。
附图说明
[0028] 图1是本发明方法的流程框图。
具体实施方式
[0029] 下面结合附图，通过实施例进一步描述本发明，但不以任何方式限制本发明的范围。
[0030] 本发明提供一种基于张量分解模型的多元脑电数据识别分析方法，图1所示是本发明方法的流程，包括：利用采集到的多元脑电信号，构建基于多元脑电数据的张量分解模
型框架，建立用于建模的脑电信号数据的分类类别信息约束项，建立个体脑电信号数据分
类识别方法，进而一步完成对待识别脑电数据的识别。通过采用本发明所提供的技术方案，
有助于实现对脑电数据分类类别的识别，能够为个体提供切身的便利与帮助，为远程医疗
与精准医疗提供启发式的辅助指引。
型框架，建立用于建模的脑电信号数据的分类类别信息约束项，建立个体脑电信号数据分
类识别方法，进而一步完成对待识别脑电数据的识别。通过采用本发明所提供的技术方案，
有助于实现对脑电数据分类类别的识别，能够为个体提供切身的便利与帮助，为远程医疗
与精准医疗提供启发式的辅助指引。
[0031] 本发明中，设定 表示个体脑电数据分类的数目，即，脑电数据具有 个类别； 表示脑电数据收集器的电极数； 表示用于建模的个体（建模数据库中数据）的数目，表示
用于识别的个体（数据库中不包含的新个体）的数目。 为第 位个体的
脑电信号片段的数目，这里每个脑电信号片段属于且仅属于一个类别；为所有脑电信号
片段的总数，即 ； 是用于建模的个体的脑电信号数据（建模数据库中）片段
的数目，即 ； 为用于识别的脑电信号数据（数据库中不包含的新个体的数
据）片段的数目 ，即 。每个脑电 信号片段可以通过互信息
（mutualinformation）表示为一个邻接矩阵 。通过堆叠所有的脑电信号片段的
邻接矩阵可以定义本发明的输入张量 ，即， 。将用于建模的脑电信
号数据的标签矩阵定义为 ，标签矩阵 的每行只包含1个“1”元素和
个“0”元素。本发明提供的基于张量分解模型的多元脑电数据识别分析方法，利用采集到的
个体的多元脑电信号，建立基于张量分解的多元脑电数据识别分析模型，实现对脑电数据
的分析与识别。
用于识别的个体（数据库中不包含的新个体）的数目。 为第 位个体的
脑电信号片段的数目，这里每个脑电信号片段属于且仅属于一个类别；为所有脑电信号
片段的总数，即 ； 是用于建模的个体的脑电信号数据（建模数据库中）片段
的数目，即 ； 为用于识别的脑电信号数据（数据库中不包含的新个体的数
据）片段的数目 ，即 。每个脑电 信号片段可以通过互信息
（mutualinformation）表示为一个邻接矩阵 。通过堆叠所有的脑电信号片段的
邻接矩阵可以定义本发明的输入张量 ，即， 。将用于建模的脑电信
号数据的标签矩阵定义为 ，标签矩阵 的每行只包含1个“1”元素和
个“0”元素。本发明提供的基于张量分解模型的多元脑电数据识别分析方法，利用采集到的
个体的多元脑电信号，建立基于张量分解的多元脑电数据识别分析模型，实现对脑电数据
的分析与识别。
[0032] 以下实施例以实际收集的癫痫患者脑电数据为示例，包含14 名癫痫患者（8名男性，年龄：25‑71 岁；6名女性，年龄：20‑58 岁）。数据包含使用 512 Hz 采样率测取头皮脑
电获得的患者脑活动记录，电极根据国际 10‑20 系统排列。每名患者的临床和电生理数据
均已由临床专家仔细修订。癫痫发作脑电记录包含发作间期、发作前期和发作期。采用本发
明方法实现基于张量分解模型的多元脑电数据识别分析，对于关注癫痫各阶段的识别提供
辅助，更多关注于对发作前期的识别分析，以便于进一步及时地采取干预措施。具体地，可
将癫痫发作前 1 分钟到 6 分钟的 5 分钟时间段作为每个受试者每次癫痫发作的发作前
期阶段信号。以同样的方式，将癫痫发作前 50 分钟到 55 分钟的 5 分钟时间段作为每个
受试者每次癫痫发作的发作间期信号。利用本发明方法，基于收集到的癫痫患者脑电数据，
对待识别的新的脑电数据进行识别的具体实施方式如下：
电获得的患者脑活动记录，电极根据国际 10‑20 系统排列。每名患者的临床和电生理数据
均已由临床专家仔细修订。癫痫发作脑电记录包含发作间期、发作前期和发作期。采用本发
明方法实现基于张量分解模型的多元脑电数据识别分析，对于关注癫痫各阶段的识别提供
辅助，更多关注于对发作前期的识别分析，以便于进一步及时地采取干预措施。具体地，可
将癫痫发作前 1 分钟到 6 分钟的 5 分钟时间段作为每个受试者每次癫痫发作的发作前
期阶段信号。以同样的方式，将癫痫发作前 50 分钟到 55 分钟的 5 分钟时间段作为每个
受试者每次癫痫发作的发作间期信号。利用本发明方法，基于收集到的癫痫患者脑电数据，
对待识别的新的脑电数据进行识别的具体实施方式如下：
[0033] 将5位患者（PN01，PN03，PN09，PN13，PN14）记为现有患者，1位患者（PN10）记为新患者。考虑 表示受试者的类别数， 表示收集脑电数据的电极数。 表示
现有患者的数目， 表示新患者的数目。 为第 个患者的脑电信号
片段数，这里每个片段属于且仅属于一个类别； 为所有患者的脑电信号片段总数，即
； 是所有的现有患者的脑电信号片段总数，即 ； 为所有
的新患者的脑电信号片段总数，即 。每个脑电信号片段可以通过互信息
（mutualinformation）表示为一个邻接矩阵 。通过堆叠所有的脑电信号片段
的邻接矩阵可以定义本发明的输入张量 ，即， 。将用于建模的脑
电信号数据的标签矩阵定义为 ，每行只包含1个“1”元素和 个“0”元素，
表示脑电信号数据的分类类别信息。
现有患者的数目， 表示新患者的数目。 为第 个患者的脑电信号
片段数，这里每个片段属于且仅属于一个类别； 为所有患者的脑电信号片段总数，即
； 是所有的现有患者的脑电信号片段总数，即 ； 为所有
的新患者的脑电信号片段总数，即 。每个脑电信号片段可以通过互信息
（mutualinformation）表示为一个邻接矩阵 。通过堆叠所有的脑电信号片段
的邻接矩阵可以定义本发明的输入张量 ，即， 。将用于建模的脑
电信号数据的标签矩阵定义为 ，每行只包含1个“1”元素和 个“0”元素，
表示脑电信号数据的分类类别信息。
[0034] 1）构建基于多元脑电数据的张量分解模型；
[0035] 利用CP（CANDECOMP/PARAFAC）张量分解方法，应用多元脑电数据建立脑电识别模型，可以通过CP分解方法将输入张量 分解为 组向量，每组包含三个向量， 个同类型的
向量可以通过一个对应的矩阵表示，CP分解表示为式1：
向量可以通过一个对应的矩阵表示，CP分解表示为式1：
[0036] （式1）
[0037] 其 中 ， 为 输 入 张 量 的 估 计 ； 为 单 位 张 量 ，即； 是脑电电极信息矩阵； 为脑电片段信
息矩阵； 是张量的第模态积。
息矩阵； 是张量的第模态积。
[0038] 2）建立用于建模的脑电信号数据的分类类别信息约束项，即标签矩阵 ；
[0039] 如果两个脑电片段数据在生理状态上相似，则表示二者在生理数据结构上彼此相近。我们定义最小化生理状态相似的两个脑电片段间距的目标函数为：
[0040] （式2）
[0041] 其中 是式1得到的输入张量估计 的第3模态展开矩阵； 是所有用于建模的脑电信号片段总数； 是基于标签矩阵 的核矩阵，其元素 代表第 个片段
和第 个片段间的相似性。
和第 个片段间的相似性。
[0042] 3）建立个体脑电信号数据分类识别方法；
[0043] 本发明提出的方法是为进一步分析与识别非特定个体的脑电数据状态而设计的。定义脑电片段信息矩阵 对应的映射矩阵为 ，脑电数据的识别分析过程可以采
用岭回归表示为式3。
用岭回归表示为式3。
[0044] （式3）
[0045] 其中 确保只有现有个体的脑电信号片段在训练过程中被使用；是脑电片段信息矩阵； 是脑电片段信息矩阵 对应的映射矩阵；
是用于建模的脑电信号数据的标签矩阵；是控制约束项的参数，取正值。 表示矩阵
的Frobenius范数。
是用于建模的脑电信号数据的标签矩阵；是控制约束项的参数，取正值。 表示矩阵
的Frobenius范数。
[0046] 因此，本发明提出的方法可以表述为解决以下优化问题：
[0047] （式4）
[0048] 其中 所有控制各项的参数，取正值。
[0049] 在本发明中，我们可以应用各类核函数进行分析。本发明采用多块乘子交替方向法求解式4中的优化问题，求解得到的优化解记为 ，其中 是求解得到
的脑电电极信息矩阵； 是求解得到的脑电片段信息矩阵， 是求解
得到的脑电片段信息矩阵 对应的映射矩阵。再根据 可以得到待识别的脑电
数据的信息，其中 是新个体的标签矩阵，标签矩阵表示了脑电信号数据的分类类别信息
（类别包括发作前期与发作间期），通过独热编码（One‑Hot Encoding）表示。通过上述步骤，
即实现基于张量分解模型的多元脑电数据识别与分析。
的脑电电极信息矩阵； 是求解得到的脑电片段信息矩阵， 是求解
得到的脑电片段信息矩阵 对应的映射矩阵。再根据 可以得到待识别的脑电
数据的信息，其中 是新个体的标签矩阵，标签矩阵表示了脑电信号数据的分类类别信息
（类别包括发作前期与发作间期），通过独热编码（One‑Hot Encoding）表示。通过上述步骤，
即实现基于张量分解模型的多元脑电数据识别与分析。
[0050] 将本发明与目前学界先进的两种深度学习方法MSSA‑TN、CCNN和一些经典的统计学习方法如SVM、 LR、KNN、RF和LDA作比较，结果如表1。由表1可以看出，本发明提出的方法
的准确率优于目前学界提出的两种深度学习方法与经典的统计学习方法，说明了本发明的
优越性。
的准确率优于目前学界提出的两种深度学习方法与经典的统计学习方法，说明了本发明的
优越性。
[0051] 表1. 本发明方法与现有模型进行识别的准确率比较
[0052]
[0053] 同时，对本发明提出的方法进行消融实验，结果如表2。由表2可以得知，本发明提出的约束项（即，式2）是有意义的。相比于没有约束项，采用本发明提出的方法分析识别脑
电数据类别的准确率提升了11.62%。
电数据类别的准确率提升了11.62%。
[0054] 表2. 模型消融实验结果
[0055]
[0056] 需要注意的是，公布实施例的目的在于帮助进一步理解本发明，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的范围内，各种替换和修改都是可能的。
因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定
的范围为准。
因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定
的范围为准。