1.论文信息

• 题目：面向智慧医疗的生物电信号分类识别算法研究
• 作者：李端
• 单位：北京邮电大学电子工程学院电子科学与技术
• 发表时间：20180320

2.笔记

2.1摘要

提出了先进信号处理算法和高效自适应的机器学习算法及训练机制，设计了适合大数据实时辅助诊断的深度残差神经网络等算法，并且用于心电和脑电信号的分类识别。

• 基于自适应频带选择共空间模态（CSP）特征提取及最小二乘双子支持向量机（LS-TWIN-SVM）的运动想象EEG识别方法
• 提出了小波自适应阈值滤波ＥＣＧ信号预处理方法，以及基于香农能量包络、Hilbert变换的QRS复波检测方法
• 提出了基于混合特征提取和ＧＡ有向无环图的LS-TWIN-SVM多类心律不齐识别方法
• 提出了基于深度残差网络的临床心电大数据心律不齐实时分类识别算法

2.2绪论

脑电信号去噪方法分析

心电、脑电信号采集过程中容易引入基线漂移、工频干扰、伪影干扰，常用的去噪方法主要有数字滤波、自适应滤波、统计分析和变换域滤波几大类

运动想象脑电信号特征提取方法

当人们进行运动想象时，脑电信号的波形变化可以反映大脑意念，准确提取EEG信号特征才能自动识别和分析用户意图。通常从时域、频域和空域的角度对信号进行特征提取。

• 时域电压幅度、方差、和偏度等形状特征。时域下只需要对脑电信号做一次性处理，丢失信息比较多。
• 运动想象脑电信号具有多通道和明显的频带节律变化特点，通过频域、时－频变换或空间变换技术来提取ＥＥＧ信号特征取得良好效果。比如傅里叶变换（FFT）、功率谱密度（ PSD）、自回归模型（AR）、时空变换、小波变换、相关分析和共空间模式（CSP）

基于空域变换的ＣＳＰ技术取得了较好的效果。ＣＳＰ算法将两类多通道ＥＥＧ信号分解成空域模态，同时通过两类信号协方差矩阵的对角化提高它们的可分性。但是，传统的ＣＳＰ算法根据经验选择ＥＥＧ信号的频带范围，因此对噪声比较敏感，受不同个体的影响较大。为得到最优化特征，共时空谱模态（CSSP），频谱加权共空间模态（SPEC-CSP）,滤波器组共空间模态（FBCSP），正则化共空间模态（RCSP）等改进的空域滤波算法被提出并运用于运动想象EEG信号的特征提取。

分类识别方法现状

生物信号的模式分类方法主要有自动知识建模、统计分类、传统机器学习和神经网络等。

• 统计分类和传统机器学习：贝叶斯模型、K近邻分类、决策树、线性识别分析（LDA）等

2.3基于LS-TWSVM的运动想象EEG信号识别

遇到的问题：

• 源信号精度有待提高
• 系统响应速度有限
• EEG信号识别精度不高
• 感觉运动节律针对不同个体，同一个体的不同时间，不同身体状况下有较大的变异性

针对这些问题，提出了自适应频带选择的CSP特征提取结合最小二乘双子支持向量机（LS-TWIN-SVM）分类的EEG运动想象信号识别算法。

首先采用自适应伪影移除技术进行信号滤波，提高ＥＥＧ信号精度，然后用带通滤波器产生不同频带的ＥＥＧ节律信号并进行ＣＳＰ特征提取，最后送入ＬＳ－ＴＷＩＮ－ＳＶＭ分类器自适应选择最优频带，选定针对特定人的频带特征并进行实时识别。

2.3.1最小二乘双子支持向量机算法建模

2.3.1.1支持向量机

支持向量机（ＳＶＭ）分类是根据结构风险最小化原则，寻求一个最优超平面，该超平面在保证训练样本分类精度的同时，使超平面两侧的空白区域最大化。

对于线性情况，如图，直线Ｈ是一条以ｗ为法向量的分割线，该分割线能够尽量高精度地分割两类数据，H1和Ｈ２分别是过两类样本中的支持向量点，且平行于分类线的直线。当Ｈ处于H1和H2中间时，该直线满足两类样本点间隔最大原则，成为最优分割线，这样就转换成了寻找法向量ｗ的问题。推广到高维度空间，最优分类线就成为了最优超平面，即寻找最优分类超平面的法向量，通过求距离进行多类样本分类。

对于非线性分类问题，可将样本通过未知映射投影到某个高维空间，这种映射可采用核函数来解决，所有满足Mercer定理的函数都可以作为核函数，这样支持向量机解决非线性问题就可采用线性模式进行处理

2.3.1.2双子支持向量机

支持向量机在小样本、非线性分类问题上展现了强大的泛化能力和推广能力。但是仍然存在一些挑战，比如面对大样本时，靠解决一个大规模二次规划问题来得到最优解，训练速度较慢，很难满足某些实时性较高的系统。另外，ＳＶＭ并不太适合处理交叉型数据

双子支持向量机（TWSVM）是在广义特征值近似支持向量机的基础上被提出来的。如图，对于二分类问题，TWSVM为每类构造一个最优近端超平面，通过求解两个小的二次规划问题，使得此类样本点“接近”超平面，另一类样本点适当原理该超平面，与传统支持向量机相比，提高了学习效率。

2.3.2运动想象EEG信号分析和预处理

采用自适应伪影移除、自适应频带选择共空域滤波CSP特征提取，通过分类器对特征数据的交叉验证，选取最佳分类正确率下的频带范围，作为该测试对象对应的显著频带节律。利用优化算法选择最佳分类器参数，并且对ＥＥＧ信号进行实时分类识别。

2.3.3CSP空间滤波

EEG的μ频带（8-13Hz）和beta频带（18-30Hz）对运动想象的事件同步相关和事件同步去相关现象具有显著的相关性。
人们在做运动想象时，该频段EEG信号会发生能量变化，对应不同的想象任务。然而这些频带范围针对不同个体具有较大的变异性，原因是不同个体的心理特征、神经生理特征和大脑解剖学特征有差异。基于感觉运动韵律的EEG运动想象识别的变异性成为阻碍运动想象BCI临床应用的主要问题。

为了克服这种变异性，提出多频带自适应的选择策略，首先使用多个5阶Butterworth带通滤波器获得10个频带信号：8-16,8-24,8-32,8-40,16-24,16-32,16-40,24-32,24-40和32-40Hz。频带可针对不同个体自适应选择。最优化的频带通过训练特征数据集上的10-fold交叉验证（10-CV）的分类正确率来获得。

采用共空间模态（CSP）滤波进行不同频带的特征提取。CSP的目的是寻找空域滤波器，将原始EEG信号进行空间投影，使该投影方向上一类信号方差最大，而另一类信号的方差最小，达到区别两类信号的目的。CSP算法先求解两类样本的协方差，将其协方差合成之后进行对角化，使一类信号特征值最大的方向对应另一类信号的特征值最小，使两类数据差异最大。

2.4看不下去了 这都是些什么东西啊

自闭ing