具体实施方式

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。

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。

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。

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：

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。

1）构建基于多元脑电数据的张量分解模型；

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：

（式1）

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。

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；

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：

（式2）

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。

3）建立个体脑电信号数据分类识别方法；

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。

（式3）

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。

因此，本发明提出的方法可以表述为解决以下优化问题：

（式4）

其中所有控制各项的参数，取正值。

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。

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。

表1. 本发明方法与现有模型进行识别的准确率比较

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%。

表2. 模型消融实验结果

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。