买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉江苏大学申请的专利一种基于遗传算法和快速独立成分分析的脑电波信号分离方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN113935382B 。

龙图腾网通过国家知识产权局官网在2026-01-02发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202111271574.9，技术领域涉及：G06F18/2135；该发明授权一种基于遗传算法和快速独立成分分析的脑电波信号分离方法是由彭禹铭;韩飞设计研发完成，并于2021-10-29向国家知识产权局提交的专利申请。

本一种基于遗传算法和快速独立成分分析的脑电波信号分离方法在说明书摘要公布了：本发明公开了一种基于遗传算法和快速独立成分分析的脑电波信号分离方法，包括对脑电波信号数据进行预处理，使用粒子群算法PSO来改进遗传算法从而构建FASTICA算法的初始矩阵W，通过FASTICA算法对含噪声的脑电波盲源信号进行信号分离。本发明充分利用遗传算法和粒子群算法的快速收敛，结合FASTICA对盲源信号的快速分离结的优点，对脑电波信号进行信号分离，解决以往FASTICA使用随机初始矩阵的复杂度和收敛速度慢的问题，进一步提高对处理信号分离问题的工作人员的工作效率，减少工作人员的工作时间，有效的将噪声信号从盲源信号中提取出来并提高脑电波盲源信号分离的准确率。

本发明授权一种基于遗传算法和快速独立成分分析的脑电波信号分离方法在权利要求书中公布了：1.一种基于遗传算法和快速独立成分分析的脑电波信号分离方法，其特征在于，包括步骤： 步骤1：获取脑电波信号数据，提取出脑电波信号的数据并根据不同的编码格式将数据转换成进行计算的数值数据； 步骤2：对获取到的源信号数据进行数据预处理，采用去均值、白化两个方法对数据初始化； 步骤3：使用遗传算法找出初始化矩阵W，并对W矩阵做去相关处理； 步骤4：设置新的更新机制，每次循环更新Wnew的值； 步骤5：对Wnew进行去相关处理； 步骤6：计算Wnew与W的范数，若该值收敛于0，则结束整个流程，否则返回步骤4进行循环； 所述的步骤1包含下列步骤： 步骤1.1：首先准备好脑电波信号数据，将所有的数据类型都转换成数值数据类型加以使用，使用4*20000的数值数据类型，为GitHub提供的小鼠大脑视觉皮层局部电位数据集； 步骤1.2：将脑电波信号用Python中的pandas库从excel中读取出，转换成数值数据类型，脑电波信号由4*20000的数组组成，4表示4个信号源，20000表示每个信号源的20000个点，4组数据混合在一起的数据由Pyhton中的matplotlib库来绘制出混合信号的折线图； 所述的步骤2包含下列步骤： 步骤2.1：对获取到的脑电波信号数据进行数据预处理，首先要中心化，对脑电波信号数据所形成的矩阵X的n个行向量去均值，然后从对应的行中减去这个均值，即使用python中的mean函数求出平均值mean，然后矩阵X-＝mean； 步骤2.2：对获取到的脑电波信号数据进行数据预处理，中心化后要进行白化步骤，白化的本质是去相关，首先利用numpy库中的cov函数找出中心化后的矩阵X的协方差矩阵COV_X,在使用numpy库中的linalg.elgh函数求出COV_X的单位特征向量P和特征值组成的对角阵D,最后计算出白化矩阵完成白化步骤； 所述的步骤3包含下列步骤： 步骤3.1：初始化遗传算法的参数，如变异参数t1，变异概率pc，交叉参数t2，交叉概率pm，函数的上下界； 步骤3.2：适应度函数的选取，在所有的等方差的随机变量中，高斯变量的熵最大，因此利用熵来度量非高斯性，这里采用负熵作为适应度函数，负熵定义为：JY＝HYgauss-HY 其中Y表示某种信号，JY是Y的负熵，H为变量的微分熵，Ygauss是n个高斯随机变量组成的随机矢量，与Y有相同的均值和协方差；根据互信息将负熵表示为： 其中I为互信息，最小化互信息就等于最大化负熵，因此基于负熵最大化的代价函数为： 其中，为负熵最大化的代价函数，detW为W矩阵的行列式； 步骤3.3：确定好目标函数和迭代次数N后，对初始种群进行选择、交叉、变异进行N次迭代，选择出最终的种群；其中，选择的方法使用轮盘赌选择，交叉的方法使用SBX模拟二进制交叉方法，变异使用基于PSO的非均匀变异算法； 在轮盘赌选择算法中：首先计算每一个个体的适应度fxi，i＝1,2,…,M,M为种群的大小，然后计算出给个个体遗传到下一代种群中的概率 其中Pxi为种群概率，fxi为适应度，再计算出每个个体的累计概率 其中，q[i]被称之为染色体x[i]，i＝1,2…,n，的累计概率最后在[0,1]区间内产生以个均匀分布的伪随机数r，计数器a＝0，当且仅当伪随机数r＞qi[j]且r＜qi[j+1]时，循环进行new_popu[i][a]＝population[j][a]，其中population[j][a]为种群数组，new_popu[i][a]为生成的新的种群数组，a+＝1，直至a大于维度上限； 在模拟二进制交叉算法中：设置交叉参数20，交叉概率为0.4，在区间[0,1]中生成一个伪随机数r，当r小于0.4时，再在[0,1]区间值中生成一个伪随机数a作为随机参数放入交叉公式之中； 在基于PSO的非均匀变异算法中：设置变异概率为0.2，引入PSO进入到传统非均匀变异算法之中，提出使用Ubesti的代替传统非均匀变异算法的目标函数上下界，使每一次迭代时，每个个体都向局部最优解靠近，局部最优解又不断向全局最优解靠近从而增加整个算法的收敛性，通过将定义好的局部最优解Ubest代替原非均匀变异中的目标函数上下界UL、UM，每次迭代后更新Ubest，并在没次更新Ubest时进行越界处理，当新的点更新完后值大于1则置为1，小于0则置为0，在经过选择、交叉，变异后，将父代的种群和子代的种群合并形成一个新的种群，大小为2N,计算新种群的适应度，并从中挑选出适应度最优的前N个种群作为新生成的种群； 整个步骤3.3的流程如下所示： 步骤3.3.1：初始化种群； 步骤3.3.2：计算适应度函数； 步骤3.3.3：轮盘赌选择； 步骤3.3.4：模拟二进制交叉； 步骤3.3.5：基于PSO的非均匀变异算法； 步骤3.3.6：合并种群； 步骤3.3.7：重新计算适应度函数； 步骤3.3.8：生成新的种群； 步骤3.3.9：迭代是否达到最大值，若已达最大值到则结束整个流程，否则返回步骤3.3.3； 所述的步骤4包含下列步骤： 通过以上步骤生成一个4*4的变换矩阵，用于接下来的脑电波信号分离，设S＝WZ， Wnew＝E{gsZT}-E{g′s}W 其中gs是s的分布函数，W为信号源矩阵，Z为变换矩阵，S为新生成的脑电波矩阵，可选函数3种，这里选择 它的导数为g′s＝1-g2s，在实际的代码中还会引入alpha常量，即gs＝tanhalpha*s、g′s＝alpha1-g2s，且1≤alpha≤2，通常设置alpha＝1，完成对Wnew的更新后方可对其进行去相关处理； 所述的步骤5包含下列步骤： 对W去相关，将步骤4所求得的更新后的Wnew放入去相关公式：其中是WWT的逆平方根，用特征值分解获得，WWT＝PDPT，其中P是单位特征向量，D是特征向量组成的对角阵，那么 所述的步骤6包含下列步骤： 最后需要求出Wnew和W范式dist，若范式dist的值小于设置常数ε，ε取值为e-15，则输出Wnew作为分离矩阵，否则跳回步骤4继续循环迭代直至达到最大迭代次数；求范式的公式为：最终求出的Wnew矩阵即脑电波信号分离成功后的矩阵，大小为4*20000，其中W[0]表示分离后的第一组信号，W[1]表示分离后的第二组信号，W[2]表示分离后的第三组信号，W[3]表示分离后的第四组信号，使用Python中的matplotlib库将4组分离后的信号绘制成折线图，就完成了对混合的复杂脑电波信号的分离。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人江苏大学，其通讯地址为：212013 江苏省镇江市京口区学府路301号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。