基于空时频优化特征稀疏表示的运动想象脑电分类方法

摘要

本发明公开了基于空时频优化特征稀疏表示的运动想象脑电分类方法，主要采用线性判别准则选择最有利于分类的导联、时间段及频段，并通过共空间模式算法提取脑电特征，最后根据特征稀疏表示进行分类。本发明包括脑电信号预处理、导联选择、时频块选择、特征提取及特征分类。结果表明，本发明方法能有效选择最有利于分类的导联、时间段及频段，对由共空间模式算法提取的特征进行稀疏表示能取得较好的分类效果。与现有的算法相比，本方法能自动选择最有利于分类的空时频参数，并对最优时频块内的特征进行组合，有利于提高运动想象脑电信号分类的准确性。

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×(P₁+P₂))，其中N为导联数，M为每一导联的采样点数，P₁为训练集的样本数，P₂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×P₁)，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_Select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_Select×M×P₁)和测试集(N_Select×M×P₂)；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_Select×M×P₁)，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_Select×M×P₁×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_Select×M_Seg×P₁×E×T)，其中M_Seg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_Select×M_Seg×P₁×Q)和脑电信号测试集(N_Select×M_Seg×P₂×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_Select×M_Seg×(P₁+P₂)×Q)，针对每一个时频块i,i＝1,…,Q内的脑电信号训练集(N_Select×M_Seg×P₁)，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P₁个样本的脑电信号训练集中的每个样本(N_Select×M_Seg)和含有P₂个样本的脑电信号测试集中的每个样本(N_Select×M_Seg)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和测试集的特征集合其中Ftrain_j,i,j＝1,…,P₁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_j,i,j＝1,…,P₂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和其中且Ftest_j＝{Ftest_j,1；…；Ftest_j,Q}；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按照右手、右脚两类运动想象模式将其分成两类，即和其中N_H和N_F分别为右手、右脚的样本数，组成字典针对步骤四中得到的脑电信号测试集的特征集合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。