主权项 |
基于空时频优化特征稀疏表示的运动想象脑电分类方法,其特征在于,该方法包含以下几个步骤:步骤一、脑电信号预处理:对脑电信号进行升采样及带通滤波处理,得到处理后的脑电信号集(N×M×(P<sub>1</sub>+P<sub>2</sub>)),其中N为导联数,M为每一导联的采样点数,P<sub>1</sub>为训练集的样本数,P<sub>2</sub>为测试集的样本数;步骤二、导联选择:对于经步骤一处理后得到的脑电信号训练集(N×M×P<sub>1</sub>),采用线性判别准则量化每个导联的类间区分能力,并对各个导联的类间区分能力进行降序排序,选择前N<sub>Select</sub>个导联,抽取所选择的导联的脑电信号,得到新的脑电信号训练集(N<sub>Select</sub>×M×P<sub>1</sub>)和测试集(N<sub>Select</sub>×M×P<sub>2</sub>);步骤三、时频块选择:对于经步骤二处理后得到的脑电信号训练集(N<sub>Select</sub>×M×P<sub>1</sub>),针对每一个样本中的每一个导联内的包含M个采样点的脑电信号,在E个频段内对其进行带通滤波,得到处理后的脑电信号训练集(N<sub>Select</sub>×M×P<sub>1</sub>×E),再针对每一个频段内的每一个样本中的每一个导联内的包含M个采样点的脑电信号,在T个时间段内进行分割,得到处理后的脑电信号集(N<sub>Select</sub>×M<sub>Seg</sub>×P<sub>1</sub>×E×T),其中M<sub>Seg</sub>为单个时间段内的采样点数,采用线性判别准则量化每个时频块内脑电信号的类间区分能力,并对各个时频块内脑电信号的类间区分能力进行降序排序,选择前Q个时频块,抽取所选择的时频块内的脑电信号,得到新的脑电信号训练集(N<sub>Select</sub>×M<sub>Seg</sub>×P<sub>1</sub>×Q)和脑电信号测试集(N<sub>Select</sub>×M<sub>Seg</sub>×P<sub>2</sub>×Q);步骤四、特征提取:对于经过步骤三处理后得到的脑电信号集(N<sub>Select</sub>×M<sub>Seg</sub>×(P<sub>1</sub>+P<sub>2</sub>)×Q),针对每一个时频块i,i=1,…,Q内的脑电信号训练集(N<sub>Select</sub>×M<sub>Seg</sub>×P<sub>1</sub>),采用共空间模式算法求取滤波器组,根据该滤波器组对含有P<sub>1</sub>个样本的脑电信号训练集中的每个样本(N<sub>Select</sub>×M<sub>Seg</sub>)和含有P<sub>2</sub>个样本的脑电信号测试集中的每个样本(N<sub>Select</sub>×M<sub>Seg</sub>)进行滤波,并计算滤波后信号的方差作为特征,得到训练集的特征集合<img file="FDA0000982996290000011.GIF" wi="390" he="70" />和测试集的特征集合<img file="FDA0000982996290000012.GIF" wi="379" he="71" />其中Ftrain<sub>j,i</sub>,j=1,…,P<sub>1</sub>为第i个时频块内脑电信号训练集的第j个样本的特征向量,Ftest<sub>j,i</sub>,j=1,…,P<sub>2</sub>为第i个时频块内脑电信号测试集的第j个样本的特征向量,最后针对训练集和测试集中的每个样本,将Q个时频块内的特征向量进行拼接,得到脑电信号训练集和测试集的特征集合<img file="FDA0000982996290000021.GIF" wi="558" he="71" />和<img file="FDA0000982996290000022.GIF" wi="505" he="74" />其中<img file="FDA00009829962900000211.GIF" wi="571" he="71" />且Ftest<sub>j</sub>={Ftest<sub>j,1</sub>;…;Ftest<sub>j,Q</sub>};步骤五、特征分类:对于步骤四得到的脑电信号训练集的特征集合<img file="FDA0000982996290000023.GIF" wi="582" he="71" />按照右手、右脚两类运动想象模式将其分成两类,即<img file="FDA0000982996290000024.GIF" wi="414" he="77" />和<img file="FDA0000982996290000025.GIF" wi="443" he="71" />其中N<sub>H</sub>和N<sub>F</sub>分别为右手、右脚的样本数,组成字典<img file="FDA0000982996290000026.GIF" wi="994" he="71" />针对步骤四中得到的脑电信号测试集的特征集合<img file="FDA0000982996290000027.GIF" wi="498" he="71" />中的每一个特征向量,采用线性稀疏表示模型将其表示为字典中各个向量的线性组合,最后通过比较系数的能量进行右手、右脚运动想象脑电信号分类。 |