标志”src=

复杂性
PDF
复杂性/2020年/文章
特殊的问题

信号处理技术应用于复杂的生物系统

把这个特殊的问题

研究文章|开放获取

体积 2020年 |文章的ID 4625218 | https://doi.org/10.1155/2020/4625218

云,其中王、吴Wanqing Qiquan张Yufei汉,Tasleem Kausar, Shixiong Chen明,王薄, ”Entropy-Based模式学习基于奇异谱分析组件的评估生理信号”,复杂性, 卷。2020年, 文章的ID4625218, 17 页面, 2020年。 https://doi.org/10.1155/2020/4625218

Entropy-Based模式学习基于奇异谱分析组件的评估生理信号

云路,1 其中王,1 Wanqing吴,2 Qiquan张,1 Yufei汉,1 Tasleem Kausar,1 Shixiong陈,2 明刘,3 和 薄王4

1电子与信息工程学院,哈尔滨工业大学,518055年深圳,中国

2中科院重点实验室人机Intelligence-Synergy系统、深圳先进技术研究院、中国科学院深圳,518055年广东,中国

3中德学院、深圳信息职业技术学院、深圳,518172年中国

4集成微系统的重点实验室,北京大学深圳研究生院,518055年深圳,中国

客座编辑:亚历杭德罗Bachiller
收到了 2019年5月30日
修改后的 2019年7月16日
接受 09年2019年8月
发表 2020年1月20日

文摘

措施可预测性的生理信号基于熵指标被广泛应用于应用程序域的医疗评估和临床诊断。在本文中,我们提出一个新的entropy-based模式学习的结合奇异谱分析(SSA)和熵的评估办法,生理信号。生理信号首先被表示为一系列的SSA组件,然后从结果中提取的熵措施SSA组件,可以帮助促进生理信号的特征提取。显著的SSA组件的熵措施用于表单输入特性和输入模式分类器。证明它的有效性、适用性和通用性,提出entropy-based模式学习是用于执行医疗评估三种古典生理信号,也就是说,脑电图(EEG)、肌电图(EMG),和RR-interval信号。实验证明在所有情况下,提出entropy-based模式学习可以有效地捕获特定biosignal生理信号的模式,实现优秀的识别性能评估的脑电图、肌电图,RR-interval信号。除此之外,通过对entropy-based模式识别性能的比较学习基于生理信号本身和SSA组件,得出entropy-based模式学习的辨别能力明显强于基于SSA组件基于生理信号本身。因为它可以很容易地扩展到其他生理信号分析,提出entropy-based模式学习可以使用作为一个有效的方法来揭示biosignal模式对医疗评估的生理信号。

1。介绍

生理信号是一个无价的数据源,可用于检查人体的功能(1,2]。在数据挖掘和机器学习技术的帮助下,生理信号已经广泛用于评估认知状态(3)、监控心理功能4),诊断人类疾病(5- - - - - -7),等等。实际应用上的强劲需求推动下,使用机器学习方法越来越受到关注近年来生理信号的分析和评估(8]。例如,Narula等人展示了应用程序的情况下,使用了三个机器学习算法(支持向量机(SVM),随机森林和人工神经网络)和超声心动图数据自动区分运动员生理肥大的肥厚性心肌病(8]。由于机器学习的显著进步,学习模式已经达到前所未有的准确性。一些智能算法甚至可以做得更好一个合格医生的临床诊断疾病,如皮肤癌的检测(9]。毫无疑问,分析和预测模式学习的生理信号可以看作是一种很有前景的医疗保健应用程序基于生理信号方式(10,11]。

如今,entropy-based模式学习已被证明有强壮的力量来揭示生理信号的固有特性。熵不仅可以用来测量所需的额外信息来确定系统的状态,也可以用来量化不规则,随机和混沌行为的生理信号(12]。已报告有许多应用程序例entropy-based模式学习使用各种熵措施(如近似熵(ApEn),样本熵(SampEn)排列熵谱熵,短期Renyi熵和香农熵,等等)(13- - - - - -21]。例如,拉等人提出了一个新颖的最小方差修改模糊熵来确定癫痫发作实时从脑电图(EEG)信号,实现了分类精度100% (22]。作为一个有前途的医学评估方法的生理信号,entropy-based模式学习通常可以达到很好的性能检测的生理状态和活动甚至医学诊断。通过回顾可用的文学,主要有三个因素可以影响entropy-based模式学习的性能评估的生理信号。(我)首先,众所周知,机器学习算法的性能有很大的影响在entropy-based模式学习任务。例如,Acharya等人研究了七种不同的机器学习算法研究癫痫脑电图的自动诊断使用熵(23]。最近,一些学者甚至试图采用深度学习分析生理信号(24]。(2)其次,熵措施的类型也扮演着重要的角色在特定的模式学习任务上的性能。众所周知,不同类型的熵措施可以从生理信号捕获不同的特性25]。例如,李等人研究了九个熵措施EEG信号的情感识别(26]。(3)第三,如何处理生理信号的有效提取熵措施从他们已经成为最关键的因素之一,确定entropy-based模式学习任务上的性能。现有的研究表明,使用entropy-based模式学习评估的生理信号,熵的特征提取措施在很大程度上依赖于生理信号的分解和表示方法27- - - - - -39]。

许多先进的方法,如离散小波变换(35,39),小波包分解(36,37),经验模态分解(EMD) [38),集成经验模态分解(28)等,介绍了处理生理信号的有效提取熵措施。表1总结了现有的各种分解和表示方法为entropy-based模式学习的有效提取熵措施从生理信号。在这些实际应用,研究人员发现当使用entropy-based模式学习的事实评价生理信号的分解和表示生理信号特征提取的关键一步熵措施,从而允许从生理信号中提取特定的内在特性。例如,Sharma等人提出了一个框架基于EMD的entropy-based模式学习来识别焦点和nonfocal EEG信号(38]。EEG信号首先表现为固有模式函数(货币)EMD方法的使用。然后五熵措施,即。,Shannon entropy, Renyi’s entropy, ApEn, SampEn, and phase entropy, were calculated from different IMFs. The SVM was used as a pattern classifier to achieve identifying the focal and nonfocal EEG signals. Similarly, Gupta et al. also presented a framework for entropy-based pattern learning based on flexible analytic wavelet transform (FAWT) to detect the focal EEG signals [29日]。EEG信号首先表示为15的FAWT水平。三个熵度量,即。,cross correntropy, Stein’s unbiased risk estimate entropy and log energy entropy, were calculated from the sub-band signals and reconstructed the original signal. The - - - - - -最近邻分类器和支持向量机作为模式执行焦点EEG信号的自动诊断。鉴于entropy-based模式学习上的最新进展,它清楚地表明,如何处理生理信号的目的是获得最佳性能在特定模式学习任务的一个重要的实际问题entropy-based模式学习在当前研究社区。
研究 分解和表示方法 熵措施 毫升 应用程序域 一年
(27] 货币基金的MEMD脑电图信号 香农熵等。 然而,等等。 情感识别 2018年
(28] 货币基金的EEMD ECG信号 SampEn等等。 SMO-SVM 心律不齐的风险预测 2017年
(29日] 15水平分解FAWT脑电图 交叉correntropy等等。 回归模型 焦脑电图检测 2017年
(30.] 子频带信号的TQWT脑电图 MulFuEn 回归模型 焦脑电图分析 2017年
(31日] 分解后的TQWT脑电图 Kraskov熵 回归模型 癫痫发作检测 2017年
(32] OWFBs四层分解 ShWavEn, RyWavEn 回归模型 焦脑电图检测 2017年
(33] 三个层次的分解WPD心电图 ApEn 支持向量机 心律失常的评估 2016年
(34] 5个频段STFT的脑电图 微分熵 DBN 情感识别 2015年
(35] 六层分解DWT的脑电图 小波熵等。 然而,等等。 焦脑电图分类 2015年
(36] 2 - 5水平分解WPD脑电图 ApEn等等。 榆树,支持向量机 癫痫脑电图和五个心理任务的分类 2015年
(38] 货币基金的EMD脑电图 谱熵等。 回归模型 焦脑电图分类 2015年
(39] 第五层次分解DWT的脑电图 FuzApEn 支持向量机 癫痫发作检测 2014年
首先,固有模式函数;MEMD多元经验模态分解;FAWT、灵活分析小波变换;EEMD集成经验模态分解;TQWT tunable-Q小波变换;OWFBs正交小波滤波器;WPD,小波包分解;STFT,短时傅里叶变换;EMD,经验模态分解;DWT,离散小波变换; MulFuEn, multivariate fuzzy entropy; ShWavEn, Shannon wavelet entropy; RyWavEn, Rényi wavelet entropy; FuzApEn, fuzzy approximate entropy; KNN, - - - - - -最近的邻居;最小二乘支持向量机回归模型;SMO-SVM,序贯最小optimization-support向量机;榆树,极端的学习机器;DBN,深层信念网络。
表1
总结现有的各种分解和表示方法为entropy-based模式学习的有效提取熵措施从生理信号。

我们可以看到在桌子上1生理信号,探索有效的分解和表示方法促进熵措施的特征提取是一个值得研究的领域。在我们的研究中,我们开发一种新型的功能基于奇异谱分析的工程方法(SSA)分解entropy-based模式学习的生理信号,这是不同于可用的方法entropy-based模式学习处理生理信号。提出entropy-based模式学习的新奇的组合SSA和熵措施可以帮助促进熵措施从生理信号的特征提取。为了有效地提取熵措施,生理信号首先被表示为一系列的SSA组件,然后从结果中提取熵措施SSA组件。SSA组件能够促进熵措施从生理信号的特征提取。总结,描述了我们工作的主要贡献是:(1)一个创新entropy-based模式学习提出了评估的生理信号,基于SSA和熵的组合战略措施。(2)SSA组件的熵措施的效果进行评估的生理信号分析与三种古典生理信号(脑电图、肌电图(EMG)和RR-interval信号)与特定的生理状态和biosignal模式。(3)提出entropy-based模式学习的性能评估的脑电图、肌电图,和RR-interval信号研究广泛和有效性,提出了entropy-based模式的适用性和通用性的学习。

本文是根据下面的组织结构。第二节介绍了实验数据用于我们的工作。第三节详细描述了提出entropy-based模式学习,包括生理信号的表示SSA组件,熵措施,模式分类器和绩效评估。第四节介绍了实验结果使用该entropy-based模式学习评估的脑电图,肌电图,RR-interval信号并给出一些比较的结果与现有的研究。第5部分讨论了一些关键问题提出熵学习和突出了优点和缺点。第六节结论我们的工作。

2。材料

本文基于三种典型的生理信号,脑电图、肌电图,和RR-interval信号,提出entropy-based模式学习应用进行实验评估特定biosignal模式识别的这些生理信号,以证明其有效性,适用性和通用性。

2.1。脑电图信号

EEG信号中使用本文提供的网上和癫痫学,德国波恩大学(40,41]。开放的脑电图数据集包括五个子集(数据集的年代,F, N、O和Z)。从表面数据集收集O和Z脑电图记录使用标准化的电极放置方案根据国际10 - 20系统。数据集N、F和S起源于脑电图的档案那些将要动手术诊断,选择从所有记录网站展示猝发的活动。每个脑电图数据集包括100段,每个段23.6秒的持续时间对应4097个采样点采样频率为173.61赫兹。应该注意的是,每段数据集的年代,F, N, O,和Z都是单通道脑电图信号,选择和削减从连续多通道脑电图记录后目视检查工件,例如,由于肌肉活动或眼球运动。更多详细信息,请参阅文献[41]。

在本文中,我们使用EEG信号的数据集O和Z演示的提出entropy-based模式学习睁、闭眼状态的识别。数据集O和Z的脑电图信号记录从五个健康志愿者放松闭着眼睛处于清醒状态和开放实验过程中,分别。总共有200个样本,样本的数量的关注和闭眼状态都是100。

2.2。肌电图信号

本文中使用的EMG信号得到的生理作用在UCI机器学习数据集(垫)库(42]。EMG信号记录从4对象(年龄25 - 30;一位女性)被要求执行十个正常和十个积极的物理操作(十个正常的行动是:(1)鞠躬;(2)鼓掌;(3)握手;(4)拥抱;(5)跳;(6)运行;(7)座位;(8)站; (9) walking; and (10) waving, respectively, and the ten aggressive actions include: (1) elbowing; (2) front kicking; (3) hammering; (4) heading; (5) kneeing; (6) pulling; (7) punching; (8) pushing; (9) side kicking; and (10) slapping, respectively). The EMG signals were 8-channel recordings recorded by the Delsys EMG apparatus using eight skin-surface electrodes placed on the upper arms (biceps and triceps), and upper legs (thighs and hamstrings). Each contained about 10000 samples. For more details about the PADS database, please refer to the online information athttps://archive.ics.uci.edu/ml/datasets(42]。

在本文中,我们使用EMG信号与第一5000数据点的第一通道(对应于正确的二头肌EMG信号)来演示提出entropy-based模式学习的识别正常和积极的物理行为。总共有80个样本,样本的数量正常的和积极的身体动作都是40。

2.3。Interbeat间隔

interbeat间隔(RR-interval信号,RR的缩写指连续两个之间的时间间隔 山峰的脑电图(ECG)信号)用于本文得到来自两个RR间隔数据库发现https://physionet.org/physiobank,一个是正常窦性心律(NSR) RR间隔数据库(43),另一个是充血性心力衰竭(CHF) RR间隔数据库(44]。NSR RR间隔数据库记录来自54个科目(30人,-76 - 28.5岁和24岁女性,年龄58 - 73)与NSR-heart状态。瑞士法郎RR间隔数据库记录来自29个34 - 79岁,与充血性心力衰竭(NYHA类I, II, III)。主题包括8个男人和2个女人;性别不清楚剩下的21个学科。原始心电图记录NSR和瑞士法郎RR间隔数据库数字化在128赫兹,RR-interval信号自动分析获得的手动审查和修正。更多详细信息,请参阅在线信息https://physionet.org/physiobank。

在本文中,我们使用的第一个小时RR-interval信号演示entropy-based模式学习的识别NSR-heart和CHF-heart状态。总共有83个样本,样本的数量NSR-heart CHF-heart国家54和29岁的分别。

3所示。方法

提出了一种新的entropy-based模式学习评估生理信号的基于SSA和熵的组合战略措施。提出entropy-based模式学习,最大的创新点是采用SSA组件促进熵措施从生理信号的特征提取。图1显示了框图提出entropy-based模式学习的SSA和熵的评估办法,生理信号。如图1、生理信号首先被表示为通过SSA SSA组件的方法。之后,建立熵措施计算结果SSA组件。引人注目的熵措施SSA组件选择表单输入特性和输入模式分类器。更详细的描述提出entropy-based模式学习介绍如下。


图1
框图提出entropy-based模式学习的奇异谱分析和熵的评价办法,生理信号。
3.1。奇异谱分析(SSA)

SSA已经成为一个强大的技术为时间序列的分析和预测,这本质上是一种基于主成分分析(模范自由方法45,46]。SSA分析时间序列包含的元素古典时间序列分析、多元统计、多元几何,动力系统,信号处理,可以克服许多局限性,如非线性和非平稳的信号(47,48]。作为一个模范自由时间序列分析的方法,SSA方法可以应用于任意时间序列非平稳的时间序列(包括49]。SSA通常涉及两个互补的阶段,一个是分解阶段,另一个是重建的阶段(46]。分解阶段包括两个步骤:嵌入和奇异值分解(计算)。考虑一个时间序列 为 。第一步,嵌入,实现一维时间序列的映射 到多维向量空间基于相空间重建窗口长度 ,和轨迹矩阵 的时间序列 可以得到如下。

在哪里

第二步是执行轨迹矩阵的奇异值分解 这轨迹矩阵 可以进一步分解为一阶初等矩阵的总和。

在哪里 和 协方差矩阵的特征值和特征向量 ,分别 定义是 。向量 和 为 也称为左和右奇异向量,分别。集合( , , )为 被称为 - - - - - -th eigentriple轨迹矩阵的奇异值分解 。必须指出的特征值 给出了大小降序排列(即, )。

重建的阶段也包括两个步骤:分组和对角平均。指标1、2、 , 序数对应的轨迹矩阵的奇异值分解的eigentriple吗 。一步的分组、指标的集合{1,2, , 可以首先分为}v不相交的子集 ( ),然后是矩阵 ( )可以得到相应的eigentriples序数的形式(2)和(3)。最后,由此产生的矩阵呢 可以表示为

在对角平均的一步,因为由此产生的矩阵的大小 是 ,由此产生的矩阵 第一次可以描述形式元素,例如, , 和 。

平均的矩阵元素 在对角线上 ,一个新的一维时间序列 为 ,可以从生成的矩阵重建 。时间序列的表达 可以得到如下(46]。

重建的时间序列 和由此产生的矩阵对应吗 一个接一个。当 一步的分组,得到的矩阵 在方程(4)将等于轨迹矩阵 在方程(3)。在这种情况下,原始时间序列 可以重建结果矩阵 ,也就是说, 。此外,当指数 是选择1、2、 , 进而实现矩阵 以及由此产生的矩阵 定义的 ,相应的组件 可以重建。因此,在这些条件下原始时间序列 可以表示为组件的总和 。

撒哈南的非洲是一个重要的信号分解方法基于主成分分析,可将原始时间序列分解成一小部分之和可判断的组件(46]。从SSA组件的角度分析,组件 可以看作是原始时间序列的SSA组件。因为数据自适应分解组件,SSA组件是非常适合multicomponential和非线性生理信号的动态分析46]。

3.2。生理信号的表示SSA组件

正如上面分析时间序列的,生理信号 ( )可以首先映射到轨迹矩阵窗口的长度吗 。然后,每个轨迹矩阵的奇异值分解的eigentriples用于重建其相应的SSA表示为组件 ( )(45]。例如,第一个SSA组件 重建第一eigentriple轨迹矩阵的奇异值分解;第二个SSA组件 重建的第二eigentriple轨迹矩阵的奇异值分解,等等。最后,生理信号 ( )可以表示成SSA的总和组件 ( )。

3.3。熵措施

熵各种行之有效的措施,如ApEn SampEn, MSEn,等等,提出了量化的数量规律性或不规则的生理信号收集的对象代表人体的生理过程动态系统(50- - - - - -52]。ApEn是生理的复杂性测量信号,可用于测量基于评估的可预测性的不规则的生理信号。SampEn ApEn的修改版本,提出Richman et al。(51),更好的性能比ApEn一致性和依赖数据长度(51]。FuzzyEn Chen等人提出的。(52),开发SampEn的基础上,用模糊隶属函数(通常是指数函数的家庭)进行模糊测量两个向量的相似度,相似并不突然改变(52]。MSEn,科斯塔等提出的。(12),是基于评估SampEn在多个时间尺度。MSEn用作熵度量生理信号中考虑了多个时间尺度。原始信号分为不重叠的部分使用粗粒度的,然后每个片段的数据点的平均值是重组粗粒度的信号。

我们使用ApEn、SampEn FuzzyEn, MSEn熵措施从SSA组件中提取特征源于生理信号。ApEn, SampEn FuzzyEn,典型的计算参数 或3, 0.25×性病,性病是时间序列的标准差。本文计算的作业参数ApEn, SampEn, CmpMSE, PermEn如表所示2。
熵措施 数据长度 嵌入维数 宽容 比例因子 参考
ApEn 4097 (EEG) 2 0.15×性病 − (50,51]
SampEn 2 0.15×性病 − (51]
5000(肌电图)
FuzzyEn 2 0.15×性病 − (52]
≈5088 (RR-intervals)
MSEn 2 0.15×性病 7 (12,57]
表2
计算的作业参数ApEn, SampEn FuzzyEn, MSEn。
3.4。筛选的SSA组件

筛选的SSA组件生成的SSA组件可以被视为一个步骤的特征降维。的paired-sample - - - - - -科恩的测试和效果 已经广泛应用于现有的研究(35,53]。在我们的工作中,当评估的性能提出entropy-based模式学习,paired-sample - - - - - -科恩的测试和效果 首先被用来屏幕的SSA组件在训练阶段。

的熵措施SSA组件, paired-sample值 - - - - - -测试得到的两组样本熵措施用于排名SSA组件在训练阶段。越低 值,更有识别力的SSA的熵度量组件。在这篇文章中,将先验统计意义 ,当 值小于0.05,SSA的组件将会被认为是著名的SSA组件。此外,科恩的 静态计算出统计上显著的观察检查效果两组样本的相应措施。科恩的 是特别受欢迎的荟萃分析中两对两组样本的差异被认为是重要的(53]。影响的大小 被认为是中考虑大如果吗 ,建议在现有的研究(53,54]。本文的大小 用于指示的SSA组件模式学习。

3.5。模式分类器和交叉验证

机器学习可以学习数据数据驱动决策。有许多强大的机器学习算法用于模式分类器。在本文中,我们使用两个经典的机器学习算法作为模式分类器,即。支持向量机和线性判别分析(LDA)。支持向量机的主要工作原理是将输入空间映射到一个高维特征空间,然后使用核函数来确定特征空间的线性最优分离超平面。LDA,基于内部和类间散布矩阵,可以实现线性决策边界通过最大化类间散射和最小化类内散射。在我们的工作中,支持向量机实现与LIBSVM工具箱(55LDA),由FITCDISCR实现Matlab的函数。表3介绍了支持向量机的参数的细节和LDA模式分类器应用于我们的工作。支持向量机,支持向量机的类型选为C-SVC ( )和径向基函数(RBF)用作内核函数( )。我们搜索参数空间2(−10:8)一步的一个寻找最优值参数c和g和其他参数使用默认值根据LIBSVM工具箱指令(推荐36,56]。LDA, FITCDISCR函数的判别类型设置为线性,正规化对应线性判别分析。
分类器 参数 值
支持向量机 0 (C-SVC)
2(径向基核函数)
搜索参数空间2(−10:8)步的一个寻找最优值
搜索参数空间2(−10:8)步的一个寻找最优值
乔治。 “Discrim类型” “线性”(正规化线性判别分析)
表3
支持向量机参数的细节和LDA模式分类器。

有两种类型的交叉验证对机器学习,一个是详尽的交叉验证,另一个是nonexhaustive交叉验证,它的目的是将整个样本分为训练集和测试集,本文分析交叉验证(LOOCV)和5倍交叉验证(FFCV)用作entropy-based验证性能的评价策略模式学习。LOOCV,作为一个详尽的交叉验证方法,使用每一个样本作为测试集完全一次,而其余样本作为训练集测试之前。FFCV, nonexhaustive交叉验证方法,随机整个样本划分成五个子集(57]。每个子集作为测试集到底是一次,而其余之前被用作训练集测试子集。所有测试的结果的绩效评估是平均获得最终的统计指标。

3.6。绩效评估

准确性、敏感性,特异性,阳性预测值(PPV)以及阴性预测值(NPV)通常用作统计措施评估模式识别的性能(35,38]。这些统计的数学表达式给出的措施

在哪里 是对应于真实积极的实例的数量确定为积极的情况下, 对应的数量是正确的-实例标识为负的情况下, 对应的数量是正确的-确定为积极的实例和实例 对应的数量是正确的积极的实例确定为消极的实例。

4所示。结果

4.1。眼睛状态识别从脑电图信号

为了证明其有效性,提出entropy-based模式学习是用来识别脑电图信号的闭眼和关注国家。在这个实验中,脑电图信号首先表示为组件通过使用十边边角与窗口长度 然后,四的熵措施,ApEn SampEn, MSEn,和FuzzyEn从十SSA组件中提取特征量化脑电图信号闭眼和观察生理状态下。计算参数的四个完善的熵措施设置如表所示2。

图2ApEn显示值的统计结果,SampEn, MSEn,和第一到第十FuzzyEn SSA组件闭眼和观察生理状态下的EEG信号,这意味着±标准erssrors。SSA组件的顺序从1日到10日在图2表示第一个十SSA EEG信号的组件,这是相应的大小降序排列的十eignvalues根据EEG信号的SSA的结果。对于每一个SSA组件的EEG信号,paired-sample - - - - - -测试用于测试的意义之间的熵措施闭眼状态和关注状态。的 paired-sample值 - - - - - -测试ApEn, SampEn、MSEn FuzzyEn闭眼之间的第一个十SSA组件状态和关注状态如表所示4。

(一)”name=
(一)
(b)”name=
(b)
(c)”name=
(c)
(d)”name=
(d)
图2
ApEn值的统计结果(a)、(b) SampEn, FuzzyEn (c)和(d) MSEn第一十SSA组件闭眼和观察生理状态下的EEG信号,这意味着±标准错误。SSA组件的顺序从1到10号对应的大小降序排列十eignvalues根据EEG信号的SSA的结果。
SSA组件的顺序 ApEn SampEn FuzzyEn MSEn
1日 3.13×10−30 4.78×10−34 7.80×10−39 5.00×10−6
2日 1.60×10−11 2.75×10−12 7.21×10−5 4.33×10−10
3日 0.0555 0.0888 6.77×10−12 1.62×10−4
4日 0.0326 0.0531 1.29×10−6 6.29×10−5
5日 7.48×10−5 3.75×10−5 0.316 5.31×10−3
6日 3.25×10−10 5.98×10−10 0.767 2.93×10−4
7日 2.54×10−10 5.48×10−11 1.48×10−9 3.54×10−3
8日 1.10×10−18 3.55×10−18 1.30×10−5 8.89×10−14
9日 5.17×10−16 4.79×10−16 2.62×10−6 0.372
10日 1.85×10−19 2.45×10−19 1.97×10−15 6.83×10−5
表4
的 paired-sample值 - - - - - -测试ApEn, SampEn、MSEn FuzzyEn第十SSA组件之间的脑电图信号闭眼和关注的状态。

在表4,越小 值,更重要的是熵措施之间的SSA组件闭眼状态和关注的状态。按照升序排序 paired-sample值 - - - - - -测试、ApEn和SampEn EEG信号的第十SSA组件可以列为1、5、10、9、8、7、6、3、4分别和2。以同样的方式,因为FuzzyEn第一个十SSA组件脑电图信号可以排名1、8、3、5、9、10、4、7、6和2,分别;MSEn,第十SSA EEG信号的组件可以排名3、2、6、4、9、7、8、1和5,分别。此外,对于大多数SSA组件ApEn, SampEn, MSEn FuzzyEn, 值小于0.05,除了ApEn第三SSA组件( ),3日和4日的除了SampEn SSA组件( 分别为0.0531),除了FuzzyEn SSA组件(5号和6号 和0.767,分别),除了MSEn 9日SSA组件( )。

接下来,我们使用支持向量机作为模式分类器性能的评价和LOOCV交叉验证策略提出entropy-based模式学习的目标识别脑电图信号的闭眼和开放的生理状态。首先,我们需要屏幕的SSA组件在训练阶段。当 值小于0.05,SSA组件将被认为是著名的SSA组件。因此,利用paired-sample特征降维 - - - - - -SSA组件的测试,只有熵措施有显著差异( )闭眼状态和关注状态之间被选为模式分类器的输入特征。表5礼物的绩效评估提出entropy-based模式学习识别脑电图信号的闭眼和关注生理状态。闭眼状态被指定为积极的实例和关注状态被指定为负的实例。
运用 DimEnM DimIF 精度 灵敏度 特异性 PPV 净现值
ApEn 10 9 95.50% 95.00% 96.00% 95.96% 95.05%
SampEn 10 8 94.50% 93.00% 96.00% 95.88% 93.20%
FuzzyEn 10 8 96.50% 96.00% 97.00% 96.97% 96.04%
MSEn 10 9 92.00% 89.00% 95.00% 94.68% 89.62%
运用熵措施;DimEnM维熵措施;DimIF、尺寸输入功能;PPV、阳性预测值;NPV,消极的预测价值。
表5
绩效评估提出entropy-based模式学习识别脑电图信号的闭眼和关注国家。支持向量机和LOOCV作为模式分类器和交叉验证策略,分别。

在表5,因为十个SSA组件从脑电图信号获得通过使用SSA窗口长度 ,ApEn的维度,SampEn、FuzzyEn MSEn都是10。然而,根据paired-sample的实验结果 - - - - - -测试在训练阶段,十个SSA组件的尺寸ApEn进行模式分类器的输入特征是9。同样,SampEn的输入特征的维度,FuzzyEn,和MSEn进行模式分类器是8,8和9,分别。如表所示5,它可以观察到,对四个完善的熵措施,提出entropy-based模式学习可以实现出色的表现来识别脑电图信号的闭眼和关注生理状态。具体地说,基于ApEn提出entropy-based模式学习,SampEn, FuzzyEn, MSEn,闭眼和关注生理状态的识别精度是95.50%,94.50%,96.50%,和92.00%,分别。应该指出的是,基于FuzzyEn最佳精度达到96.50%。

4.2。物理行为分类从EMG信号

显示其适用性,提出entropy-based模式被用来分类学习正常的和侵略性的物理行为从EMG信号。此外,为了说明提出entropy-based模式学习的优越性,我们做了一个比较研究与现有的研究结果报道范教授(14]。的EMG信号在我们的实验中,第一个5000数据点的第一个频道(对应于正确的二头肌EMG信号)被用来确保公平和有效的比较,这是相同的EMG信号用于范教授的研究(14]。首先,EMG信号首先表示为二十SSA组件通过使用SSA窗口长度 。ApEn, SampEn、MSEn FuzzyEn从二十SSA组件中提取特征量化EMG信号在正常和侵略性的物理行为。计算参数ApEn、SampEn MSEn, FuzzyEn也表所示2。

图3ApEn显示值的统计结果,SampEn, MSEn,二十SSA和FuzzyEn第一个组件的EMG信号在积极的和正常的生理行为,这意味着±标准错误。SSA组件的顺序从1日至20日在图320 SSA表示第一个组件的EMG信号,这是相应的大小降序排列的结果显示20 eignvalues SSA的EMG信号。为每个SSA组件EMG信号,paired-sample - - - - - -测试是用来测试的意义之间的熵措施积极的和正常的生理行为。的 paired-sample值 - - - - - -测试ApEn, SampEn、MSEn FuzzyEn二十SSA的第一个组件之间的积极的和正常的生理行为如表所示6。

(一)”name=
(一)
(b)”name=
(b)
(c)”name=
(c)
(d)”name=
(d)
图3
ApEn值的统计结果(a)、(b) SampEn, FuzzyEn (c)和(d) MSEn EMG信号的第一个20 SSA组件在积极的和正常的生理行为,这意味着±标准错误。SSA组件的顺序从1到20是相应的大小降序排列的结果显示20 eignvalues SSA的EMG信号。
SSA组件的顺序 ApEn SampEn FuzzyEn MSEn
1日 0.004 0.012 1.53×10−5 0.127
2日 0.002 0.005 2.40×10−5 0.037
3日 0.010 0.036 9.21×10−5 0.027
4日 0.036 0.065 4.74×10−5 0.046
5日 0.153 0.452 8.67×10−5 0.095
6日 1.96×10−4 1.01×10−3 7.15×10−7 0.255
7日 2.94×10−4 1.14×10−3 1.08×10−6 0.921
8日 0.018 0.016 2.03×10−5 0.608
9日 0.924 0.560 0.005 0.704
10日 0.246 0.629 7.68×10−5 0.801
11日 0.323 0.988 1.60×10−4 0.671
12日 0.443 0.853 3.80×10−4 0.532
13日 0.595 0.052 1.54×10−3 0.309
14日 0.584 0.109 1.69×10−3 0.092
15日 0.375 0.087 0.80×10−3 0.179
16日 0.587 0.096 1.91×10−3 0.183
17 0.734 0.072 0.36×10−3 0.037
18 0.039 0.006 8.44×10−3 0.003
19 0.506 0.035 0.40×10−3 0.017
20 0.103 0.009 2.82×10−3 0.048
表6
的 paired-sample值 - - - - - -测试ApEn, SampEn、MSEn FuzzyEn EMG信号的第一个20 SSA组件之间的积极的和正常的生理行为。

在表6,越小 值,更重要的是熵措施SSA组件之间的积极的和正常的生理行为。按照升序排序 paired-sample值 - - - - - -二十SSA ApEn测试,第一个组件的EMG信号可以列为4,3,5,7,10日,1,2,6,20日,11日,12日,14日,18日,16日,13日,17日,19日,8日,15日,分别和9。的 ApEn大多数SSA组件的值大于0.05,除了1日,2日,3日,4日,6日,7日,8日和18日SSA组件。SampEn同样,EMG信号的第一个20 SSA组件可以列为6 3,9日,11日,16日,1、2、7、17日,18日20日,19日,10日,15日,13日,14日,12日,4,8,分别和5。的 SampEn大多数SSA组件的值也大于0.05,除了1日,2日,3日,6日,7日,8日,18日、19日和20日SSA组件。二十SSA FuzzyEn,第一个组件EMG信号被评为3、5、9、6、8、1,2,4,19日,7日,10,12日,15日,16日,14日,17日,11日,20日13日和18日。的pFuzzyEn二十SSA组件的值都小于0.05。二十SSA MSEn,第一个组件的EMG信号被评为10,4、3、6、9、13、20、16、18、19日,17日,15日,14日,8、11、12、5、1、2和7。的 MSEn大多数SSA组件的值大于0.05,除了2日,3日,4日,17日,18日、19日和20日SSA组件。

接下来,我们分别使用SVM和LDA模式分类器和LOOCV交叉验证策略评估准确性的侵略性和正常的物理行为的识别EMG信号。应该注意,LDA的原因和LOOCV用于我们的实验,我们用相同的模式分类器和交叉验证策略范教授的研究(14),为了确保公平的比较。像entropy-based模式学习EEG信号,我们利用paired-sample - - - - - -在训练阶段测试特征降维。表7提出提出entropy-based模式学习的绩效评估来确定积极的和正常的物理行为从EMG信号。
研究 分类器 运用 DimEnM DimIF 精度
我们的工作 支持向量机 ApEn 20. 8 77.50%
支持向量机 SampEn 20. 9 80.00%
支持向量机 FuzzyEn 20. 20. 87.50%
支持向量机 MSEn 20. 7 80.00%
乔治。 ApEn 20. 8 72.50%
乔治。 SampEn 20. 9 75.00%
乔治。 FuzzyEn 20. 20. 68.78%
乔治。 MSEn 20. 7 73.75%
范教授的研究(14] 乔治。 TSME 20. 20. 61.25%
乔治。 MSEn 20. 20. 50.00%
表7
绩效评估提出entropy-based模式学习积极的和正常的物理行为进行分类,从EMG信号。交叉验证的策略是基于LOOCV。运用熵措施;DimEnM维熵措施;DimIF、尺寸的输入特性。

在表7,因为二十SSA组件从EMG信号获得通过使用SSA窗口长度 ,ApEn的维度,SampEn、FuzzyEn MSEn都是20。此外,根据paired-sample的实验结果 - - - - - -测试在训练阶段,前二十SSA组件EMG信号,所有SSA组件之间的FuzzyEn咄咄逼人的身体动作和正常的身体动作是重要的( )。因此,FuzzyEn进行模式分类器的输入特征尺寸是20。然而,对于一些ApEn SSA的组件,SampEn,和MSEn,没有显著差异( )之间的积极的身体动作和正常的身体动作。最后,ApEn的输入特征的维度,SampEn,和MSEn提出entropy-based模式学习只是8,9,分别和7。

如表所示7,提出基于ApEn entropy-based模式学习,SampEn, FuzzyEn, MSEn,使用支持向量机作为模式分类器时,积极的和正常的物理行为的识别精度是77.50%,80.00%,87.50%,和80.00%,分别;当LDA用于模式分类器,识别精度是72.50%,75.00%,68.78%,和73.75%,分别。然而,对于范教授的研究(14),积极的和正常的物理行为的识别精度分别为61.25%和50.00%,对应的LDA与节省时间多尺度熵(TSME)特性和LDA与MSEn特性,分别。因此,根据表中的结果7,我们可以清楚地观察到一个方法比,表现在范教授的研究报道。此外,对比结果充分证明了该entropy-based模式学习有很强的辨别能力揭示特定biosignal模式从EMG信号。

4.3。心从RR-Intervals状态检测信号

广泛应用展示潜力评估提出entropy-based模式学习的生理信号,我们进一步提出entropy-based模式学习识别使用NSR-heart和CHF-heart州RR-intervals信号。此外,我们还做了一个比较最近的研究报道刘翔et al。(57]。第一次在我们的实验中,RR-interval信号表示为十二个SSA组件通过使用SSA窗口长度 。ApEn, SampEn、MSEn FuzzyEn提取从十二个SSA组件来量化RR-interval心跳信号的两种不同的状态下(NSR-heart状态和CHF-heart状态)。计算参数ApEn、SampEn MSEn, FuzzyEn表所示2。应该注意,第一个小时RR-interval信号的使用在我们的实验中,每个主题的心跳的节奏是不同的。因此,数据点第一个小时的长度RR-interval信号都不是固定的。长度的均值和标准差的数据点NSR-heart和CHF-heart状态 分别和5266±623。

图4显示的值的统计结果ApEn, SampEn, MSEn,和第一至第十二位FuzzyEn SSA组件RR-intervals信号NSR-heart和CHF-heart状态下,这意味着±标准错误。SSA组件的顺序从1日到12日在图4表示第一个十二SSA组件SSA RR-intervals信号的方法,这是对应的大小降序排列十二eignvalues结果显示RR-intervals SSA的信号。对于每个SSA组件,科恩的效应大小 之间的SSA组件的熵措施NSR-heart和CHF-heart状态计算,排名SSA组件。科恩的的价值 ApEn、SampEn MSEn, FuzzyEn第一个十二SSA组件RR-interval NSR-heart和CHF-heart州之间的信号如表所示8。

(一)”name=
(一)
(b)”name=
(b)
(c)”name=
(c)
(d)”name=
(d)
图4
ApEn值的统计结果(a)、(b) SampEn, FuzzyEn (c)和(d)第一至第十二位MSEn SSA组件RR-intervals信号NSR-heart下CHF-heart州,这意味着±标准错误。SSA组件的顺序从1到12的大小降序排列对应十二eignvalues结果显示RR-intervals SSA的信号。
SSA组件的顺序 ApEn SampEn FuzzyEn MSEn
1日 0.120 0.082 0.420 0.023
2日 0.334 0.678 1.131 0.561
3日 0.126 0.328 0.515 0.167
4日 0.171 0.271 0.001 0.149
5日 0.304 0.449 0.208 0.695
6日 0.104 0.340 0.199 0.225
7日 0.340 0.573 0.190 0.418
8日 0.101 0.333 0.140 0.610
9日 0.674 0.894 0.707 0.794
10日 0.497 0.706 0.275 0.487
11日 0.730 0.834 0.267 0.575
12日 0.716 0.775 0.158 0.697
表8
科恩的的价值 ApEn、SampEn MSEn, FuzzyEn第一个十二SSA组件RR-interval NSR-heart和CHF-heart州之间的信号。

在表8科恩的,值越大 ,更重要的是熵措施之间的SSA组件NSR-heart和CHF-heart状态。据科恩的值的降序排列 ,ApEn,第一个十二SSA组件RR-interval信号被评为10,6,9、8、7、11、5、12、3、4、1和2,分别。科恩的的价值 9日、10日、11日和12日SSA组件都大于0.40。SampEn以同样的方式,第一个十二SSA组件RR-interval信号被列为12日5,10,11日,7日,8日,6日,9日,1、4、2和3分别。科恩的的价值 2日,5日,7日和9日,12日SSA组件是大于0.40。FuzzyEn,十二个SSA组件从1日到12日订单列为4、1、3、12日7,8,9,11,2,5,6,分别和10。科恩的的价值 1日,2日,3日和9日SSA组件都大于0.40。MSEn,十二个SSA组件从1日到12日订单排名12,6,10,11,3、9、8、4、1、7、5、分别和2。大多数SSA组件的值的MSEn 2日,5日和7th第-12 SSA组件是大于0.40。

接下来,我们使用支持向量机作为模式分类器和FFCV交叉验证策略评估的性能提出entropy-based模式学习,目的是识别NSR-heart和CHF-heart州RR-interval信号。首先,我们还需要屏幕的SSA组件在训练阶段。科恩的利用效果 降低特征维数的大小 用于指示的SSA组件。表9显示了提出entropy-based模式学习的绩效评估来确定NSR-heart和CHF-heart州RR-interval信号。
研究 运用 DimEnM DimIF 精度 灵敏度 特异性
我们的工作 ApEn 12 4 73.49% 44.83% 88.89%
SampEn 12 7 79.52% 51.72% 94.44%
FuzzyEn 12 4 86.75% 75.86% 92.59%
MSEn 12 8 81.93% 65.52% 90.74%
MSE_RR [57] MSEn - - - - - - - - - - - - 74.6% 72.9% 75.0%
MSE_dRR [57] MSEn - - - - - - - - - - - - 85.6% 84.4% 86.8%
运用熵措施;DimEnM维熵措施;DimIF、尺寸的输入特性。
表9
绩效评估提出entropy-based模式学习检测NSR-heart CHF-heart各州RR-interval信号。支持向量机和LOOCV作为模式分类器和交叉验证策略,分别。

在表9,因为12个SSA组件从RR-interval信号获得通过使用SSA窗口长度 ,ApEn的维度,SampEn、FuzzyEn MSEn都是12。然而,据科恩的值的实验结果 在训练阶段,ApEn的输入特征的维度,SampEn, FuzzyEn, MSEn模式分类器4,7日,4和8位。如表所示9,提出基于ApEn entropy-based模式学习,SampEn, FuzzyEn,和MSEn NSR-heart的识别精度和CHF-heart州是73.49%,79.52%,86.75%,和81.93%,分别。应该注意的是,为提出entropy-based模式学习识别NSR-heart CHF-heart各州RR-interval信号,最优基于FuzzyEn识别精度达到86.75%。在刘的研究中,传统的原始RR-intervals MSEn分析信号(称为MSE_RR),识别精度5倍交叉验证数据点的长度时74.6% ;MSEn分析的微分RR区间信号(称为MSE_dRR),识别精度5倍交叉验证数据点的长度时85.6% 。因此,识别精度的基于MSEn提出entropy-based模式学习的识别精度高于7.33% MSE_RR在刘的研究中,提出entropy-based模式学习和识别精度比基于FuzzyEn MSE_RR的识别精度和MSE_dRR刘的研究。

5。讨论

在这篇文章中,我们让一个创新尝试开发一种新的方法论entropy-based模式学习基于SSA组件和熵的评估办法,生理信号。提出entropy-based模式学习的一个新特性工程方法基于SSA分解方法应用于生理信号特征提取的熵措施。生理信号首先被表示为一系列的SSA组件,然后从结果中提取熵措施SSA组件。由此产生的SSA组件数据自适应,这是密切相关的生理信号本身的时间结构(46]。提出entropy-based模式学习的主要好处是,SSA组件可以帮助促进熵措施从生理信号的特征提取。熵在我们的工作,四个行之有效的措施,ApEn, SampEn, FuzzyEn,计算和MSEn SSA组件作为生理信号的特性。提出entropy-based模式学习可以实现有效的评估模式学习的生理信号。我们的实验证明该entropy-based模式学习能够揭示特定biosignal模式在脑电图,肌电图,RR-interval信号。为什么提出entropy-based模式学习生理信号的表示SSA组件可以增强biosignal模式识别值得关注。

一个可能的解释是,从信号的角度分解,SSA的生理信号的表示组件可以提取更多的信息比生理信号本身特征的歧视,提高biosignal模式从生理信号。为了证明熵措施的辨别能力的差异之间的SSA组件和生理信号本身,我们进一步研究了entropy-based模式学习的生理信号本身不表示SSA组件识别特定模式在脑电图,肌电图,和RR-interval信号,并与实验结果做了个比较SSA的生理信号的表示组件。在这个实验中,我们集中在FuzzyEn熵测量进行实验分析。表10介绍了识别精度的比较结果entropy-based模式学习识别脑电图中的特定模式,肌电图和RR-interval信号有无SSA组件表示。模式学习任务# 1、# 2和# 3指闭眼和关注国家识别脑电图信号,积极的和正常的物理行为从EMG信号分类,并从RR-intervals NSR-heart和CHF-heart状态检测信号,分别,这只是模式学习任务在前一节中。三个模式学习任务的模式分类器和交叉验证策略都是基于支持向量机和LOOCV。
模式的学习任务 主要方法 DimIF 精度
# 1 FuzzyEn提取SSA组件的脑电图信号 8 96.50%
FuzzyEn从脑电图信号提取 1 71.50%
# 2 FuzzyEn提取SSA组件的EMG信号 20. 87.50%
FuzzyEn EMG信号的提取 1 80.00%
# 3 FuzzyEn提取RR-intervals SSA组件的信号 4 83.13%
从RR-intervals FuzzyEn提取 1 65.06%
表10
识别精度的比较结果entropy-based模式学习识别特定biosignal模式从脑电图、肌电图,与没有SSA组件和RR-interval信号表示。模式学习任务# 1,# 2,# 3,FuzzyEn用作熵特性实验分析,支持向量机作为模式分类器和LOOCV用作交叉验证策略。DimIF、尺寸的输入特性。

根据前一节的实验结果,学习任务# 1和# 2的模式,提出entropy-based模式学习的最佳识别精度基于FuzzyEn 96.50%, 87.50%。模式学习任务# 3,为了做一个更好的比较,我们使用了LOOCV(一个详尽的交叉验证),而不是FFCV验证策略。提出entropy-based模式学习,最优识别精度实现模式识别任务的# 3到83.13%。然而,如表所示10时,脑电图、肌电图和没有SSA组件代表RR-interval信号,识别精度模式学习任务# 1,# 2,# 3是71.50%,80.00%,和65.06%,分别,这实验结果明显低于前者。因此,根据实验结果比较,可以清楚地观察到熵措施的辨别能力强于基于SSA组件本身的生理信号。应该注意,entropy-based模式学习的生理信号,熵措施是1的尺寸表10因为生理信号本身是用来计算的熵度量的实验。

当生理信号表示为SSA组件,SSA的参数窗口的长度是非常重要的性能提出entropy-based模式学习(58]。为了评估窗口长度的参数对性能的影响提出entropy-based模式的学习,我们提出entropy-based模式学习使用不同的窗口长度探讨闭眼和关注国家从脑电图信号识别和积极的和正常的物理操作从EMG信号分类,分别。表11给出了比较结果的识别精度提出entropy-based模式学习识别闭眼和关注国家从脑电图信号使用不同的窗口长度,和分类激进的和正常的物理操作从EMG信号使用不同的窗口长度。
眼睛状态识别从脑电图信号 窗口长度 6 10 14 16 20. 30.
DimEnM 6 10 14 16 20. 30.
DimIF 4 8 10 11 16 22
精度(%) 90.00 96.50 93.50 88.00 88.00 90.00
运用 FuzzyEn
PatterC 支持向量机
CrossVS LOOCV
物理行为分类从EMG信号 窗口长度 5 10 15 20. 25 30.
DimEnM 5 10 15 20. 25 30.
DimIF 5 10 15 20. 24 30.
精度(%) 72.50 81.25 75.00 87.50 70.00 75.00
运用 FuzzyEn
PatterC 支持向量机
CrossVS LOOCV
DimEnM维熵措施;DimIF、尺寸输入功能;运用熵措施;PatternC,模式分类器;CrossVS,交叉验证策略;支持向量机,支持向量机;LOOCV,分析交叉验证。
表11
比较结果的识别精度提出entropy-based模式学习识别特定biosignal模式从脑电图和肌电图信号与SSA组件表示的使用不同的窗口长度。

如表所示11,闭眼和关注国家的识别脑电图信号,当窗口长度是选为6,10日,14日,16日,20日和30日提出entropy-based模式的识别精度是90.00%,96.50%,93.50%,88.00%,88.00%,和90.00%,分别。最好的精度96.50%是通过提出entropy-based模式学习窗口长度 。识别激进和正常的身体行动的EMG信号,当窗口长度是选为5,10、15、20、25日和30日提出entropy-based模式的识别精度是72.50%,81.25%,75.00%,87.50%,70.00%,和75.00%,分别。最好的精度87.50%是通过提出entropy-based模式学习窗口长度 。根据实验结果,以达到最优的性能提出entropy-based模式学习,窗口的长度应该选择一个适当的值来获得足够的基本组件来自生理信号。此外,根据实验结果表11,最多的窗口长度不获得最优识别准确性提出entropy-based模式学习。因此,SSA的窗口长度的参数不能选择太大,这对性能有不利影响提出entropy-based模式学习。这可能是由于这样的事实,如果窗口长度太大,可能会造成一些基本组件相互混合(46,58]。

最后,如表所示11最优选择窗口的长度可能随不同类型的生理信号提出entropy-based模式学习。肌电图信号,窗口长度的最佳选择 。然而,对EEG信号窗口长度的最佳选择 。最主要的原因可能是,当执行SSA分解,选择合适的窗口长度取决于手的问题(46,58]。SSA的方法更多的是一个探索,比一个确认的过程建模工具(46,58]。在实际应用中,如何确定SSA的窗口长度的参数是值得深入研究的一个重要问题。我们所知,在一般情况下,没有通用的规则和明确的建议可以给窗口长度的选择。在我们的工作中,为特定的模式学习任务,SSA的参数窗口的长度密切相关的模式分类器的输入特征的维数(SSA组件的数量)。窗口长度的值w被视为hyperparameter机器学习方法(模式分类器)和基于网格搜索,确定这是一个常见的做法为手动hyperparameter搜索(59]。

有一些优点和缺点在我们当前的研究。提出entropy-based模式学习,主要优点如下。首先,采用SSA组件促进熵措施从生理信号的特征提取的能力发现biosignal生理信号的模式。SSA SSA组件分解的自适应方法数据,可以被视为生理信号的时序结构(46]。其次,提出小说entropy-based模式学习有很好的通用性和灵活性结合不同的机器学习算法和不同的熵措施,如泡沫熵(60),排列熵(61年],短期的香农熵和熵Renyi [21,62年,63年)等,识别特定biosignal模式在脑电图、肌电图和其他生理信号。第三,提出entropy-based模式学习基于SSA组件是非常适合多成分的动态分析,生理信号的非平稳、非线性信号,因为SSA组件直接获得的SSA方法可应用于任意信号包括非平稳的信号(45),特别适合分析和预测生理与复杂的非平稳信号。然而,对于该entropy-based模式学习,有一些缺点如下。首先,代表生理信号与SSA组件,SSA的参数窗口的长度应该仔细确定。正如已经提到的,没有可靠的方法来自动确定窗口长度。另一方面,为了达到最优的性能提出entropy-based模式学习,筛查的组件是必不可少的一步的目的选择合适的熵措施SSA组件。的维数熵措施提出entropy-based模式学习应该仔细确定。最后,不可否认的是熵措施非常家中,尤其是生理信号表示为SSA组件。提出entropy-based模式学习的计算成本成正比SSA组件在实际应用的数量。

6。结论

在这篇文章中,一个创新entropy-based模式学习采用SSA组件提取熵措施提出了评估的生理信号。提出entropy-based模式学习的主要创新是基于工程方法的一个新特性使用SSA和熵的组合战略措施的利益促进熵措施从生理信号的特征提取,这是不同于entropy-based模式学习的方法可用来处理生理信号。证明的有效性、适用性和通用性提出entropy-based模式的学习,三种生理信号、脑电图、肌电图,和RR-interval信号,用于实验评估。两个经典的机器学习算法,支持向量机和LDA,作为模式分类器识别脑电图信号的闭眼和关注国家,积极的和正常的物理行为进行分类从EMG信号,并检测NSR-heart和CHF-heart州RR-interval信号,分别。实验结果表明,提出的出色的表现取得了entropy-based模式学习。最优识别精度达到96.50%,87.50%,和86.75%,对应闭眼和关注国家识别从脑电图信号,积极的和正常的物理行为从EMG信号分类,并从RR-interval NSR-heart和CHF-heart状态检测信号,分别。实验结果还与可用的研究已经取得了一些比较近日报道,这充分证明该entropy-based模式学习医疗评估生理信号可以实现更好的性能。此外,根据实验结果基于生理信号的比较自己和SSA组件,它是得出结论,提出entropy-based模式学习基于SSA组件识别精度远高于那些基于生理信号本身。尽管有一些缺点,如SSA的窗口长度应该仔细确定,我们相信该entropy-based模式学习是一种很有前途的大道在生理信号的分析和预测,神经系统疾病诊断,人工智能,和决策系统等等。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作由深圳政府支持部分基础研究资助(JCYJ20170412151226061和JCYJ20180507182241622)。

引用

  1. o .浮士德y Hagiwara, t . j .香港o . s . Lih和美国r . Acharya“深度学习医疗应用程序基于生理信号:复习一下,”计算机在生物医学方法和项目卷。161年,1-13,2018页。视图:出版商的网站|谷歌学术搜索
  2. j . Gomez-Pilar j . Poza c·戈麦斯et al .,“大脑网络的预测能力脑电图改变模型在精神分裂症认知,“精神分裂症的研究卷,201年,第129 - 120页,2018年。视图:出版商的网站|谷歌学术搜索
  3. j . Gomez-Pilar r . Corralejo l . f . Nicolas-Alonso d·阿尔瓦雷斯和r . Hornero”Neurofeedback训练与运动想象BCI:老年人的神经认知改进和脑电图变化,“医学和生物工程和计算,54卷,不。11日,第1666 - 1655页,2016年。视图:出版商的网站|谷歌学术搜索
  4. r·k·Tripathy和美国Rajendra Acharya”使用的功能从RR-time系列和脑电图信号自动分类深度睡眠阶段的神经网络框架,“生物控制论和生物医学工程,38卷,不。4、890 - 902年,2018页。视图:出版商的网站|谷歌学术搜索
  5. j . Gomez-Pilar j . Poza a . Bachiller c·戈麦斯诉莫利纳和r . Hornero“神经网络重组分析精神分裂症听觉古怪的任务中使用小波熵,”熵,17卷,不。8,5241 - 5256年,2015页。视图:出版商的网站|谷歌学术搜索
  6. j . Gomez-Pilar a . Lubeiro j . Poza et al .,”功能在精神分裂症脑电网络分析:更大的调制隔离和赤字的证据,”Neuro-Psychopharmacology和生物精神病学的进展卷,76年,第123 - 116页,2017年。视图:出版商的网站|谷歌学术搜索
  7. a·h·h·Al-Nuaimi e . Jammeh l .太阳和e . Ifeachor”复杂性措施量化脑电图的变化在阿尔茨海默氏症,”复杂性卷,2018篇文章ID 8915079, 12页,2018。视图:出版商的网站|谷歌学术搜索
  8. s Narula k羞愧,a . m .萨勒姆·奥马尔,j·t·达德利和p·p·森古普塔,“机器学习算法来自动形态学和功能在二维超声心动图评估,”美国心脏病学会杂志》上,卷68,不。21日,第2295 - 2287页,2016年。视图:出版商的网站|谷歌学术搜索
  9. d·b·德怀尔、p . Falkai和n . Koutsouleris”临床心理学和精神病学的机器学习方法。”临床心理学的年度审查,14卷,不。1,第118 - 91页,2018。视图:出版商的网站|谷歌学术搜索
  10. k .羞愧、k·w·约翰逊和b s Glicksberg“机器学习在心血管医学:我们到了吗?”心,卷104,不。14日,第1164 - 1156页,2018年。视图:出版商的网站|谷歌学术搜索
  11. w·吴、纳和z,”梅格贝叶斯机器学习:脑电图/信号处理测量,”IEEE信号处理杂志,33卷,不。1,14-36,2016页。视图:出版商的网站|谷歌学术搜索
  12. m·科斯塔a . l . Goldberger和c·k·彭”的多尺度熵分析复杂的生理时间序列,”物理评论快报,卷89,不。6、2002。视图:出版商的网站|谷歌学术搜索
  13. 严c . c . p . Li Karmakar, m . Palaniswami和c·刘,“分类5 s癫痫脑电图记录使用分布样本熵和熵,”前沿生理学,7卷,p。136年,2016年。视图:出版商的网站|谷歌学术搜索
  14. t·d·范教授”,让使用者生理信号的多尺度熵分析,“熵,9卷,不。6,257年,页2017。视图:出版商的网站|谷歌学术搜索
  15. w l。楚,硕士。黄,B.-L。剑,K.-S。程”,脑电图分析熵在精神分裂症的视觉唤起情感,“普通精神病学年报,16卷,不。1,34页,2017。视图:出版商的网站|谷歌学术搜索
  16. l .西班牙a门、m . Javorka和g . Nollo”高效计算多尺度熵的短生物医学时间序列线性状态空间模型的基础上,“复杂性ID 1768264条,卷。2017年,13页,2017。视图:出版商的网站|谷歌学术搜索
  17. 诉Sucic: Saulig, b . Boashash”估计的组件使用短期的多组分的非平稳信号时频Renyi熵,”EURASIP先进的信号处理杂志》上,第2011卷,第125页,2011年。视图:出版商的网站|谷歌学术搜索
  18. j . Lerga n . Saulig r . Lerga,Štajduhar,“TFD阈值估计脑电图组件的数量和占主导地位的如果使用短期renyi熵”学报第十届国际研讨会上图像和信号处理和分析当前2017IEEE,页80 - 85年,卢布尔雅那,斯洛文尼亚,2017。视图:出版商的网站|谷歌学术搜索
  19. j . Lerga n . Saulig r . Lerga,Ž。TFD Milanović”效应的阈值基于EEG信号分析在本地Renyi熵”第二届国际多学科会议上计算机和能源科学SpliTech 2017,页1 - 6、CROSBI分裂,克罗地亚,2017。视图:谷歌学术搜索
  20. a . Bachiller a . Lubeiro a Diez et al .,“减少熵调制的脑电图对新奇和相关性在精神分裂症P300的任务,”欧洲档案精神病学和临床神经科学,卷265,不。6,525 - 535年,2015页。视图:出版商的网站|谷歌学术搜索
  21. f . HržićŠtajduhar, s . Tschauner e . Sorantin和j . Lerga”基于局部熵的方法对x射线图像分割和裂缝检测、”熵,21卷,不。4 p。338年,2019年。视图:出版商的网站|谷歌学术搜索
  22. 美国拉:Sriraam g·p·库马尔,A . s .对冲基金,”一个新颖的方法实时识别癫痫发作使用最小方差修改模糊熵,”IEEE生物医学工程,卷65,不。11日,第2621 - 2612页,2018年。视图:出版商的网站|谷歌学术搜索
  23. u r . Acharya f·莫利纳里美国诉Sree, s将k·h·Ng和j·s .苏瑞,“使用熵自动诊断癫痫脑电图,”生物医学信号处理和控制,7卷,不。4、401 - 408年,2012页。视图:出版商的网站|谷歌学术搜索
  24. t .温家宝和z,“卷积神经网络和autoencoders-based无监督特征学习的EEG信号,”IEEE访问》第六卷,第25410 - 25399页,2018年。视图:出版商的网站|谷歌学术搜索
  25. 问:张先生,y, m . Wang和y汉,“听觉识别特定对象的注意力从实验脑电图信号通过熵措施和机器学习,”熵,20卷,不。5,386年,页2018。视图:出版商的网站|谷歌学术搜索
  26. 李x, d的歌,张平,y, y, b .胡,“探索跨学科脑电图特征情感识别,”神经科学前沿,12卷,p。162年,2018年。视图:出版商的网站|谷歌学术搜索
  27. a·莫特和a·阿坎人“情感识别脑电图信号通过使用多元经验模态分解,“模式分析与应用,21卷,不。1,第89 - 81页,2018。视图:出版商的网站|谷歌学术搜索
  28. k . n . v . p . s . Rajesh和r . Dhuli“心电图分类使用非线性分解方法和支持向量机,心跳”计算机在生物学和医学卷,87年,第284 - 271页,2017年。视图:出版商的网站|谷歌学术搜索
  29. 诉Gupta, t . Priya a . k . Yadav, r . b . Pachori和美国r . Acharya“焦EEG信号的自动检测利用灵活的分析小波变换的特征提取,”模式识别的字母卷,94年,第188 - 180页,2017年。视图:出版商的网站|谷歌学术搜索
  30. b . Abhijit p . Ram和美国r . Acharya”Tunable-Q基于小波变换的多变量可模糊熵应用焦EEG信号分析,“熵,19卷,不。3,p。99年,2017年。视图:出版商的网站|谷歌学术搜索
  31. 美国Patidar和t . Panigrahi检测癫痫发作使用Kraskov熵应用于tunable-Q EEG信号的小波变换,“生物医学信号处理控制34卷,第80 - 74页,2017年。视图:出版商的网站|谷歌学术搜索
  32. m·沙玛,a . Dhere r . b . Pachori和美国r . Acharya“焦EEG信号的自动检测使用新的时频局部正交小波滤波器,”以知识为基础的系统卷,118年,第227 - 217页,2017年。视图:出版商的网站|谷歌学术搜索
  33. x h . Li, l .曹e . Li h .梁和x陈,“一个新的心电图信号基于WPD ApEn特征提取,分类”电路、系统和信号处理,35卷,不。1,第352 - 339页,2016。视图:出版商的网站|谷歌学术搜索
  34. w l。郑,B.-L。陆”,因为它使得基于脑电图对临界频带和渠道与深神经metworks情感识别,”IEEE自治精神的发展,7卷,不。3、162 - 175年,2015页。视图:出版商的网站|谷歌学术搜索
  35. r·沙玛,r . Pachori Acharya,”一个综合指数焦脑电图信号的识别使用离散小波变换和熵措施,”熵,17卷,不。8,5218 - 5240年,2015页。视图:出版商的网站|谷歌学术搜索
  36. y, y, j . Wang和郑x”比较脑电图信号分类方法基于小波包分解,“神经计算和应用,26卷,不。5,1217 - 1225年,2015页。视图:出版商的网站|谷歌学术搜索
  37. x, y, b . Liu和d .黄”分类基于EEG信号的自回归模型和小波包分解,“神经处理信件,45卷,不。2、365 - 378年,2017页。视图:出版商的网站|谷歌学术搜索
  38. r·沙玛,r . Pachori和美国阿”应用程序的固有模态函数熵措施焦脑电图信号的自动识别,”熵,17卷,不。2、669 - 691年,2015页。视图:出版商的网站|谷歌学术搜索
  39. y Kumar m . l .该文,r . s . Anand“癫痫发作检测使用基于DWT模糊近似熵和支持向量机,”Neurocomputing,卷133,不。8,271 - 279年,2014页。视图:出版商的网站|谷歌学术搜索
  40. 2019年,“脑电时间序列http://epileptologie-bonn.de/cms/front_content.php?idcat=193&lang=3&changelang=3。视图:谷歌学术搜索
  41. r . g . Andrzejak k . Lehnertz f . Mormann c .里克·大卫和c e . Elger”迹象的非线性时间序列的确定性和有限维结构大脑电活动:依赖记录区域和大脑状态,”物理评论E,卷64,不。6、文章ID 061907, 2001。视图:出版商的网站|谷歌学术搜索
  42. “生理动作的数据集,”2019年,https://archive.ics.uci.edu/ml/datasets/EMG +物理+行动+数据+ #。视图:谷歌学术搜索
  43. “正常窦性心律RR间隔数据库”,2019年,https://physionet.org/content/nsr2db/1.0.0/。视图:谷歌学术搜索
  44. “充血性心力衰竭RR间隔数据库”,2019年,https://physionet.org/content/chf2db/1.0.0/。视图:谷歌学术搜索
  45. p . Bonizzi j·m·h·卡雷尔o . Meste和r·l·m·彼得斯,“奇异谱分解:分解时间序列的新方法,”先进的自适应数据分析,卷06,不。04,1450011页,2014年。视图:出版商的网站|谷歌学术搜索
  46. n . Golyandina诉Nekrutkin, a . Zhigljavsky分析时间序列的结构:SSA和相关技术查普曼和大厅/ CRC佤邦,美国,2002年。
  47. s . Sanei m . Ghodsi h . Hassani,“一种适应性奇异谱分析方法从心脏杂音检测的声音,“医学工程与物理,33卷,不。3、362 - 367年,2011页。视图:出版商的网站|谷歌学术搜索
  48. s . l .祖拜迪j . Dooley r . m . Alkhaddar m . Abdellatif h . Al-Bugharbee和s . Ortega-Martorell”预测每月水需求的新方法将奇异谱分析与神经网络相结合,“《水文卷,561年,第145 - 136页,2018年。视图:出版商的网站|谷歌学术搜索
  49. h·侯赛因·s . Heravi, a . Zhigljavsky”与奇异谱分析预测欧洲工业生产,”国际期刊的预测,25卷,不。1,第118 - 103页,2009。视图:出版商的网站|谷歌学术搜索
  50. s . m .平卡斯”近似熵作为衡量系统的复杂性。”美国国家科学院院刊》上,卷88,不。6,2297 - 2301年,1991页。视图:出版商的网站|谷歌学术搜索
  51. j·s·里奇曼和j·r·摩尔人”使用近似熵和生理时间序列分析样本熵,”美国Physiology-Heart和循环生理学杂志》上,卷278,不。6,H2039-H2049, 2000页。视图:出版商的网站|谷歌学术搜索
  52. h·w·陈,z . Wang谢,w . Yu”表征表面EMG信号基于模糊熵,”IEEE神经系统和康复工程,15卷,不。2、266 - 272年,2007页。视图:出版商的网站|谷歌学术搜索
  53. s . Bo z渔洞、y Chaochao w . Shuihua和l .彭“熵分析短期心跳间隔时间序列在正常走路,”熵,19卷,不。10,568年,页2017。视图:出版商的网站|谷歌学术搜索
  54. s . s . Sawilowsky“新效应大小的经验法则,“《现代应用统计方法,8卷,不。2、597 - 599年,2009页。视图:出版商的网站|谷歌学术搜索
  55. c . c . Chang和c·j·林,”LIBSVM:支持向量机的库,”ACM智能交易系统和技术,卷2,不。3,1-27,2011页。视图:出版商的网站|谷歌学术搜索
  56. w·l·郑陆和b . l .”,因为它使得基于脑电图对临界频带和渠道与深层神经网络情感识别,”IEEE自治精神的发展,7卷,不。3、162 - 175年,2015页。视图:出版商的网站|谷歌学术搜索
  57. c .刘和r高,“多尺度熵分析的微分RR间隔时间序列信号及其在检测充血性心力衰竭中的应用”熵,19卷,不。6,251年,页2017。视图:出版商的网站|谷歌学术搜索
  58. 徐,h . Hu l .霁,p . Wang”嵌入维度选择适应性EEG信号的奇异谱分析,“传感器,18卷,不。3,p。697年,2018年。视图:出版商的网站|谷歌学术搜索
  59. 格拉汉姆·古德费勒,y Bengio, a .考维尔深度学习,麻省理工学院出版社,2016年。
  60. g .酱油、m . Aktaruzzaman和r .天使”泡沫熵:一个熵几乎免费的参数,“IEEE生物医学工程,卷64,不。11日,第2718 - 2711页,2017年。视图:出版商的网站|谷歌学术搜索
  61. c·班德和b .筛”排列熵:一种自然复杂性度量时间序列,”物理评论快报,卷88,不。17日,ID 174102条,2002年。视图:出版商的网站|谷歌学术搜索
  62. j . Lerga n . Saulig诉Mozetic, r . Lerga”数量的脑电图信号组件使用短期Renyi熵估计,”学报第一国际计算机和能源科学多学科会议上(SpliTech)IEEE,页1 - 6,分裂,克罗地亚,2016。视图:出版商的网站|谷歌学术搜索
  63. j . Lerga: Saulig,诉Mozetič”算法基于短期Renyi熵和如果估计嘈杂的EEG信号分析,“计算机在生物学和医学卷。80年,1-13,2017页。视图:出版商的网站|谷歌学术搜索

版权©2020云陆等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。

更多相关文章

PDF 下载引用 引用
下载其他格式更多的
ePub
XML
订单打印副本订单
的观点651年
下载577年
引用

相关文章

文章奖:2020年杰出的研究贡献,选择由我们的首席编辑。获奖的文章阅读。