本文關(guān)鍵詞：基于解空間收縮的差分進(jìn)化算法的CLAD序列優(yōu)化

  更多相關(guān)文章： 差分進(jìn)化算法 去卷積 聽覺誘發(fā)電位 高刺激率

【摘要】：內(nèi)耳將傳入人耳的外界聲波的機(jī)械運(yùn)動能量轉(zhuǎn)換為生物電能,并以脈沖形式沿聽神經(jīng)纖維向各級高位中樞傳導(dǎo),最后傳至大腦皮層產(chǎn)生音感。這種由聲波激發(fā)的從內(nèi)耳到大腦皮層的神經(jīng)電活動,稱為聽覺誘發(fā)電位(Auditory evoked potential, AEP)。通過檢驗各個平面的聽覺誘發(fā)電位,可估計從內(nèi)耳到大腦皮質(zhì)各平面聽覺系統(tǒng)的功能性狀。臨床上主要采用刺激率較低的短聲(如click聲)多次重復(fù)作用于聽覺系統(tǒng)來提取聽覺誘發(fā)電位。當(dāng)刺激率提高使前后兩個刺激之間的時長(Stimulus onset asynchrony, SOA)短于單個刺激誘發(fā)的暫態(tài)AEP(High-order AEP, HO-AEP)的時長時,就會出現(xiàn)相鄰兩個刺激誘發(fā)的暫態(tài)AEP相互重疊的現(xiàn)象,這種重疊的AEP即為高刺激率AEP (High stimulus rate AEP, HSR-AEP)。高頻率的刺激聲能增大聽覺系統(tǒng)負(fù)荷,可以用于聽覺系統(tǒng)適應(yīng)性的研究以及提高臨床上對聽覺系統(tǒng)病變和早期腦干病變檢測的靈敏度。同時,在刺激個數(shù)相同的前提下,高刺激率的方式使得記錄時間縮短,這在臨床上對于兒童和不合作的受試者的檢測具有重要意義。因此,對高刺激率AEP的研究具有非常重要的理論和臨床應(yīng)用價值。 在高刺激率AEP模式下,HSR-AEP的重疊過程可以等效為單個刺激聲所誘發(fā)的暫態(tài)AEP與刺激序列的循環(huán)卷積效應(yīng)。因此恢復(fù)暫態(tài)AEP的過程就是去卷積的過程�；谏鲜瞿Ｐ�,如果取在一定范圍內(nèi)抖動的隨機(jī)數(shù)代替恒定的SOA,便可利用去卷積技術(shù)恢復(fù)暫態(tài)AEP。目前已有專家學(xué)者在這方面做出許多研究,主要的去卷積技術(shù)有最大長序列(Maximum length sequence, MLS)技術(shù)、連續(xù)循環(huán)平均去卷積(Continuous loop averaging deconvolution, CLAD)技術(shù)、Q序列去卷積(Quasi-periodic sequence deconvolution, QSD)技術(shù)以及多刺激率穩(wěn)態(tài)平均去卷積(Multi-rate steady-state averaging deconvolution, MSAD)技術(shù)。MLS是由“0”和“1”組成的二值隨機(jī)序列,具有嚴(yán)格的數(shù)學(xué)特性,利用序列本身的自相關(guān)特性去卷積恢復(fù)暫態(tài)AEP信號。但在一般情況下MLS信噪比較低,需要增加刺激個數(shù)才能獲得與常規(guī)方法相當(dāng)?shù)男旁氡?同時MLS中各刺激間隔呈倍數(shù)變化,使每次刺激誘發(fā)的AEP差異過大,從而破壞線性卷積模型。CLAD和QSD兩種方法是基于相同的理論基礎(chǔ)實現(xiàn),利用傅里葉變換在頻域?qū)崿F(xiàn)去卷積計算。刺激序列為非等間隔的,可以在較小范圍內(nèi)隨機(jī)抖動(Jitter)。刺激序列的頻域特性是決定暫態(tài)AEP重建效果的關(guān)鍵。MSAD技術(shù)采用刺激序列間SOA抖動的方法,記錄若干個不同刺激率的刺激序列分別作為刺激聲誘發(fā)AEP反應(yīng),每組刺激序列中SOA相同,結(jié)合逆變換過程中的正則化技術(shù)實現(xiàn)暫態(tài)AEP的重建。該技術(shù)在實現(xiàn)過程中需要合理選擇正則化參數(shù)從而避免恢復(fù)的暫態(tài)AEP波形失真。本文擬設(shè)計合適的算法生成滿足CLAD技術(shù)的最優(yōu)刺激序列。 CLAD去卷積技術(shù)是在頻域基于逆濾波器技術(shù)實現(xiàn),計算過程中將時域中刺激序列和暫態(tài)AEP的卷積轉(zhuǎn)換到頻域中兩者的相乘。即用記錄得到的腦電信號(其中包括HSR-AEP、自發(fā)腦電信號以及記錄過程中引入的干擾成分)的頻域信息除以刺激序列的頻譜信息,從而得到HO-AEP的頻譜,再通過傅里葉逆變換得到HO-AEP信號。在理想情況下我們希望背景噪聲(自發(fā)腦電信號和引入的干擾噪聲成分)為零,但實際運(yùn)用中無法避免噪聲成分的引入,所以盡可能的希望去卷積過程中能抑制這部分噪聲成分。當(dāng)刺激序列的頻譜在某些頻段出現(xiàn)小于1甚至趨近于零時,記錄到的腦電信號與刺激序列兩者頻域上相除這一過程將會放大噪聲成分或造成無解的情況。故CLAD去卷積技術(shù)中刺激序列需要滿足頻域大于1的約束條件。由于AEP信號主要集中在某一較窄的頻帶范圍內(nèi),為了計算方便可以要求刺激序列在相應(yīng)的頻帶范圍內(nèi)滿足約束條件,頻帶范圍外可以設(shè)置頻域加窗濾波方式過濾掉噪聲。同時為了避免頻域相除過程中奇異值的影響,刺激序列需要為非等間隔,即存在抖動(Jitter),這里我們定義抖動率(Jitter-ratio, JR)來表征序列的抖動程度。通常JR越大,序列越容易滿足約束條件,但抖動過大會導(dǎo)致每個刺激誘發(fā)的HO-AEP存在差異,從而導(dǎo)致線性卷積模型不成立。因此,CLAD技術(shù)中要求刺激序列在滿足頻域約束條件的同時JR盡可能小。目前CLAD序列的選擇都是采用隨機(jī)法生成大量序列,通過人工篩選的方式選擇合適的刺激序列。這種方式效率低且序列在去卷積過程中信噪比存在差別,同時也無法做到最低抖動率。因此如何簡單高效地生成最優(yōu)刺激序列是更加困難和亟待解決的問題。 CLAD序列的生成就是一個非線性的全局優(yōu)化問題。傳統(tǒng)的優(yōu)化算法利用單個初始點及所在點的導(dǎo)數(shù)等局部信息實現(xiàn)優(yōu)化,無法避免局部極小的問題。且主要面向線性空間優(yōu)化。由于CLAD序列生成優(yōu)化問題上不存在解析表達(dá)式,且組合優(yōu)化的搜索空間也隨刺激個數(shù)的增加而急劇增大,采用傳統(tǒng)的優(yōu)化算法或枚舉法無法求出最優(yōu)解。所以我們采用應(yīng)用于全局搜索的差分進(jìn)化(Differential evolution, DE)算法來實現(xiàn)最優(yōu)刺激序列的優(yōu)化。Storn和Price于1995年在遺傳算法的基礎(chǔ)上提出差分進(jìn)化算法。該算法是基于種群智能理論的優(yōu)化算法,保留了進(jìn)化算法的全局搜索策略,通過種群內(nèi)個體間的合作和競爭產(chǎn)生新的個體,降低了遺傳算法的復(fù)雜程度。具體來說是針對種群中每個個體,首先利用隨機(jī)選取的其他個體間的差異信息得到試驗個體,再將試驗個體與該個體按照一定的概率進(jìn)行交叉操作,最后以一對一的選擇機(jī)制選擇最優(yōu)個體。根據(jù)實際需要,本文在DE算法的基礎(chǔ)上提出解空間收縮的差分進(jìn)化(solution-space contraction DE,scDE)算法。 scDE算法基于序列自身特性,將刺激序列的頻域約束和抖動率融合成一個單目標(biāo)優(yōu)化函數(shù)。并將搜索空間局限在一個超立方體范圍內(nèi),根據(jù)抖動量的變化范圍,提出新的自適應(yīng)比例因子F的迭代策略實現(xiàn)搜索空間的動態(tài)縮減。為了增加迭代過程中種群多樣性同時避免早熟現(xiàn)象,文中引入了時變交叉因子CR,在保證序列滿足約束的前提下獲得抖動較小的最優(yōu)刺激序列。 按照J(rèn)eweet等在BMC網(wǎng)站上提供的人工優(yōu)化的CLAD(文中稱為QSD)序列,我們選擇其中適用于中潛伏期(Middle latency responses,MLR)的四組序列(這里稱為QS序列)。按照QS序列的初始條件(序列初始時間長度T0、序列包含刺激個數(shù)N和感興趣頻帶[fL'fH])利用scDE算法優(yōu)化得到對應(yīng)序列(這里稱為DS序列),比較QS.DS序列用于重建暫態(tài)AEP時的性能特點。實驗結(jié)果表明：在相同初始條件下,scDE算法優(yōu)化得到的最優(yōu)序列JR值更低,更能維持線性卷積模型；在不同信噪比(9.5dB.OdB.-6.OdB)下分別用QS.DS序列重建HO-AEP信號,發(fā)現(xiàn)DS序列在CLAD重建過程中抑制噪聲的能力更強(qiáng)；scDE算法時間復(fù)雜度為O(NP*N*Gmax),NP為種群數(shù),Gmax為最大迭代次數(shù)。一般情況下迭代進(jìn)行到約800次左右進(jìn)入較平緩狀態(tài),此時計算所用時間約為150ms左右；算法迭代初期進(jìn)行全局探索,當(dāng)快速定位到最優(yōu)解區(qū)域時將加強(qiáng)局部搜索。搜索空間會相應(yīng)出現(xiàn)先較大幅度的下降,繼而較小幅度的下降,最后穩(wěn)定在某一數(shù)值上；迭代過程中目標(biāo)函數(shù)值越來越小,并符合f(X)=ae-bG下降規(guī)律,其中G'=log10G,G為當(dāng)前迭代次數(shù)。隨著序列中包含刺激個數(shù)增多,參數(shù)a有變大趨勢,參數(shù)b則無明顯規(guī)律。本文研究表明scDE算法可以自動地生成各種參數(shù)下的低抖動率刺激序列,和傳統(tǒng)隨機(jī)生成序列人工篩選方式相比在保證噪聲抑制能力更優(yōu)的情況下工作效率大大提高。
【關(guān)鍵詞】：差分進(jìn)化算法 去卷積 聽覺誘發(fā)電位 高刺激率
【學(xué)位授予單位】：南方醫(yī)科大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2014
【分類號】：TN911.7;TP18
【目錄】：

• 摘要3-8
• ABSTRACT8-17
• 第一章 緒論17-24
• 1.1 背景和意義17
• 1.2 聽覺誘發(fā)電位基礎(chǔ)17-20
• 1.3 高刺激率聽覺誘發(fā)電位去卷積技術(shù)20-22
• 1.4 本文研究內(nèi)容22-24
• 第二章 連續(xù)循環(huán)平均去卷積(CLAD)技術(shù)及序列優(yōu)化模型24-32
• 2.1 高階AEP的數(shù)學(xué)模型24-25
• 2.2 CLAD去卷積技術(shù)25-26
• 2.3 序列需要滿足約束條件26-31
• 2.4 目標(biāo)函數(shù)31-32
• 第三章 解空間收縮的差分進(jìn)化(solution-space contraction DE,scDE)算法32-38
• 3.1 優(yōu)化算法32-33
• 3.2 差分進(jìn)化算法33-34
• 3.3 解空間搜索的差分進(jìn)化算法34-38
• 3.3.1 初始化34-35
• 3.3.2 自適應(yīng)變異策略35-36
• 3.3.3 交叉36-37
• 3.3.4 選擇37
• 3.3.5 終止37-38
• 第四章 scDE算法中參數(shù)選擇及結(jié)果分析38-50
• 4.1 參數(shù)選擇38-39
• 4.2 迭代過程中目標(biāo)函數(shù)值的變化39-43
• 4.3 迭代過程中搜索空間的變化43-44
• 4.4 重建信號對比分析44-48
• 4.4.1 實驗對象與儀器44-45
• 4.4.2 重建HO-AEP信號45-47
• 4.4.3 噪聲抑制47-48
• 4.5 討論48-50
• 第五章 總結(jié)和展望50-52
• 參考文獻(xiàn)52-58
• 攻讀碩士期間成果58-59
• 致謝59-61

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前8條

1 張曉偉;劉三陽;;免比例因子F的差分進(jìn)化算法[J];電子學(xué)報;2009年06期

2 馮潔婷;顏剛;王濤;詹長安;;Tikhonov正則化參數(shù)選擇對高速率刺激聽覺誘發(fā)電位重建的影響[J];航天醫(yī)學(xué)與醫(yī)學(xué)工程;2012年01期

3 吳亮紅;王耀南;袁小芳;周少武;;自適應(yīng)二次變異差分進(jìn)化算法[J];控制與決策;2006年08期

4 劉波;王凌;金以慧;;差分進(jìn)化算法研究進(jìn)展[J];控制與決策;2007年07期

5 蘇園園;王濤;林霖;;一種恢復(fù)高刺激率下聽覺誘發(fā)電位的迭代維納濾波方法[J];生物醫(yī)學(xué)工程研究;2008年03期

6 黃江華;李彬;林霖;朱程;王濤;;改進(jìn)DE算法優(yōu)化高刺激率AEP的刺激序列[J];數(shù)據(jù)采集與處理;2013年05期

7 馮潔婷;顏剛;鮮星宇;林霖;詹長安;王濤;;L-曲線估計正則化參數(shù)對高刺激率聽覺誘發(fā)電位重建的影響[J];中國生物醫(yī)學(xué)工程學(xué)報;2012年02期

8 朱程;王濤;黃江華;詹長安;譚小丹;;40 Hz暫態(tài)聽覺誘發(fā)電位中潛伏期成分的引出分析[J];中國生物醫(yī)學(xué)工程學(xué)報;2013年05期

，

本文編號：1133944