本發明涉及神經信號處理，特別是涉及一種腦電信號的特征分類方法、系統、設備及介質。

背景技術：

1、腦電信號(eeg)處理與分析領域，信號分解與特征提取是實現高效分類與識別的關鍵步驟。傳統方法常采用經驗模態分解(emd)算法對腦電信號進行分解，以獲得一系列本征模態函數(imfs)。這些imfs能夠反映信號在不同時間尺度上的特征，為后續的特征分類提供了豐富的信息基礎。然而，emd算法在分解過程中存在顯著的混疊效應，即不同imfs之間存在重疊部分，這可能導致在特征分類時出現過擬合現象，進而影響分類結果的準確性和穩定性。

2、此外，腦電信號具有多通道效應，即不同通道的腦電信號在時間和空間上相互關聯，共同反映了大腦活動的復雜模式。為了充分利用這一特性，通常需要將腦電信號數據從二維(時間-幅值)升高到三維(時間-幅值-通道)，以便更全面地捕捉信號中的特征信息。在此基礎上，結合現有的卷積神經網絡(cn?n)模型進行分類，可以實現對腦電信號的高效識別。然而，由于emd分解不依賴于頻率，而腦電信號的不同頻段對特征分類具有顯著的區分意義，因此直接使用emd分解后的imfs進行cnn分類可能無法充分利用腦電信號的全部特征信息。

3、針對上述問題，另一種常見的做法是使用針對時序信號的神經網絡，如時序卷積網絡(tcn)或循環神經網絡(rnn)等。這些網絡結構能夠直接處理腦電信號的時序特性，無需提前進行升維處理，從而簡化了數據處理流程。然而，時序網絡在處理腦電信號時也面臨一些挑戰。首先，腦電信號通常包含大量的噪聲和冗余信息，而時序網絡在處理數據量較小、較為純凈的信號時表現較好，但在處理腦電信號這種噪聲多、信號量大的數據時，往往難以得到精確的結果。其次，時序網絡對參數的要求較高，不同參數設置對結果的影響較大，且不適合使用預訓練模型進行遷移學習。此外，時序網絡的普適性不強，針對不同的問題需要大規模調整神經網絡結構，這增加了模型設計和優化的難度。

4、綜上所述，雖然emd算法結合cnn以及時序神經網絡在處理腦電信號方面具有一定的潛力，但仍存在諸多挑戰和限制。因此，如何有效克服這些限制，提高腦電信號分類的準確性和穩定性，是當前研究的重要方向。

技術實現思路

1、本發明的目的在于，提供一種腦電信號的特征分類方法、系統、設備及介質，進而解決現有技術中存在的上述所有問題或問題之一。

2、為解決上述技術問題，本發明的具體技術方案如下：

3、一方面，本發明提供一種腦電信號的特征分類方法，包括以下步驟：

4、信號分解步驟：

5、獲取原始腦電信號，采用基于能量評價的svmd策略將所述原始腦電信號分解為具有不同中心頻率的若干子信號；

6、二維圖像轉化步驟：

7、采用基于gasp的圖像轉換策略將若干所述子信號轉換為一組保留信號周期性和局部特征的二維圖片數據；

8、圖像分類步驟：

9、采用cnn模型對所述二維圖片數據進行特征提取分類，得到關于所述原始腦電信號的分類結果。

10、作為一種改進的方案，所述基于能量評價的svmd策略，包括：

11、設置約束條件，基于所述約束條件對所述原始腦電信號進行循環分解；

12、在所述循環分解過程中，采用濾波器進行背景噪聲分離；

13、設置基于能量評價方法的循環結束條件，基于所述循環結束條件終止所述循環分解過程，得到由若干所述子信號組成的循環分解結果。

14、作為一種改進的方案，所述設置約束條件，基于所述約束條件對所述原始腦電信號進行循環分解，包括：

15、基于中心頻率條件設置第一約束條件、第二約束條件和第三約束條件；

16、基于所述第一約束條件、所述第二約束條件和所述第三約束條件循環執行分解步驟，所述分解步驟包括：

17、根據所述第一約束條件、所述第二約束條件和所述第三約束條件將所述原始腦電信號進行初步分解，得到第一分解關系式；

18、根據二次懲罰項和拉格朗日乘子的組合，建立增廣拉格朗日函數，得到第二分解關系式；

19、采用帕塞瓦爾恒等式處理所述第一分解關系式和所述第二分解關系式，得到一次分解結果。

20、作為一種改進的方案，所述循環結束條件，包括：

21、

22、其中，p為信號的能量，pu為經svmd重構的信號的能量，pnosie為經濾波器處理后分離的背景噪聲信號的能量，pr為原始信號的能量，f(n)為待計算能量的信號，n為樣本點的總數，n為當前樣本點位置。

23、作為一種改進的方案，所述濾波器，包括：savitzky-golay濾波器；

24、所述savitzky-golay濾波器的濾波器公式為：

25、

26、mj＝(ata)-1ate0；

27、其中，fr(t)為原始信號，mj為濾波器的參數矩陣；a為一個(2k+1)×(n+1)的矩陣，其元素aij＝ji；e0為一個(2k+1)×1的單位向量，第一個元素為1，其余為0。

28、作為一種改進的方案，所述基于gasp的圖像轉換策略，包括：

29、將所述子信號的信號段進行標準化處理；

30、將標準化處理后的時序數據映射至單位圓上，計算對應的相位角度；

31、基于計算的所述相位角度計算gramian矩陣；

32、將所述gramian矩陣設置為所述二維圖片數據的灰度值；

33、將所述gramian矩陣的每個元素根據取值范圍映射至灰度值的范圍，得到所述二維圖片數據。

34、作為一種改進的方案，所述cnn模型，包括：inception-v3、alexnet、re?snet-101和vgg-16。

35、另一方面，本發明還提供一種腦電信號的特征分類系統，包括：

36、信號分解模塊，用于：獲取原始腦電信號，采用基于能量評價的svmd策略將所述原始腦電信號分解為具有不同中心頻率的若干子信號；

37、二維圖像轉化模塊，用于：采用基于gasp的圖像轉換策略將若干所述子信號轉換為一組保留信號周期性和局部特征的二維圖片數據；

38、圖像分類模塊，用于：采用cnn模型對所述二維圖片數據進行特征提取分類，得到關于所述原始腦電信號的分類結果。

39、另一方面，本發明還提供一種計算機可讀存儲介質，所述計算機可讀存儲介質上存儲有計算機程序，所述計算機程序被處理器執行時實現所述腦電信號的特征分類方法的步驟。

40、另一方面，本發明還提供一種計算機設備，所述計算機設備包括處理器、通信接口、存儲器和通信總線，其中，所述處理器，所述通信接口，所述存儲器通過所述通信總線完成相互間的通信；其中：

41、所述存儲器，用于存放計算機程序；

42、所述處理器，用于通過運行所述存儲器上所存放的程序來執行所述腦電信號的特征分類方法的步驟。

43、本發明技術方案的有益效果是：

44、1、本發明所述的腦電信號的特征分類方法，可以利用svmd自適應信號分解方法，以不同中心頻率將復雜腦電信號分解為具有各異頻率特性的成分，有效保留其頻率特征，并通過增設能量評價部分設定svmd終止條件，既加快了算法速度，又濾除了高頻噪聲，提升了分類精度。

45、2、本發明所述的腦電信號的特征分類方法，可以通過gasf方法將時間序列數據映射至二維圖像，保留了其局部、全局模式及周期性特征。該方法將一維數據轉換為二維圖像后，利用預訓練的cnn模型進行分類處理，顯著提升了分類速度，并可根據具體問題選擇不同預訓練模型，增強針對性。

46、3、本發明所述的腦電信號的特征分類方法，可以結合深度學習技術中的cnn自動特征提取能力，以及svmd和gasf的信號處理技術，可以更精確地識別和分類腦電信號特征，顯著提升腦電特征分類的準確率，解決現有腦電信號分類模型普適性差，準確度差的特點。

47、4、本發明所述的腦電信號的特征分類系統，可以通過系統模塊的相互配合，進而實現本發明所述的腦電信號的特征分類方法。

48、5、本發明所述的計算機可讀存儲介質，可以實現引導系統模塊進行配合，進而實現本發明所述的腦電信號的特征分類方法，且本發明所述的計算機可讀存儲介質還有效提高所述腦電信號的特征分類方法的可操作性。

49、6、本發明所述的計算機設備，可以實現存儲并執行所述計算機可讀存儲介質，進而實現本發明所述的腦電信號的特征分類方法。