一种面向持续想象脑电信号的分类方法

摘要

本发明属于模式识别领域，公开了一种面向持续想象脑电信号的分类策略。首先，假设不同想象任务之间存在转换点，转换点处样本间的欧几里得距离要大于转换点之间的样本间距离，通过设定样本间距离阈值检测出转换点；其次，认为持续想象同一任务时，会因注意力涣散、疲倦等因素导致信号受噪声污染，该策略加入样本纯化思想，通过设定样本间距离范围，从与任务对应的所有样本中筛选出部分样本，并返回这部分样本中的大多数类别作为该任务所有样本的类别。本发明通过充分考虑相邻样本之间的联系，提高了整体样本的识别率，非常适合对持续的脑电信号进行离线分析。

主权项

一种面向持续想象脑电信号的分类方法，其特征在于包括以下步骤：步骤一，进行转换点检测；转换点检测主要用于确定转换点处样本之间的距离阈值U；假设存在样本类别标签已知的训练数据集X和样本类别标签未知的测试数据集Y，数据集中样本分别属于多个不同的类别，计算距离阈值U的方法如下：(1)计算训练数据集X中两两相邻样本之间的欧几里得距离，并保存为向量Dist；(2)根据训练数据集的样本类别标签将步骤(1)计算得到的向量Dist分为两部分：若两相邻样本属于同一类别，将其距离归入向量X_notrans中，记为类内样本距离向量；若两相邻样本属于不同的类别，将其距离归入向量X_trans中，记为类间样本距离向量；(3)计算X_notrans中所有距离的最大值，记为U₁；(4)计算X_trans中所有距离的最小值，记为U₂；(5)根据步骤(3)和步骤(4)的结果，将U₁和U₂中较小的那个作为阈值U，即U＝min(U₁,U₂)；步骤二，进行样本纯化；样本纯化主要用于确定同类样本之间的距离范围[a,b]，a、b分别为距离的最小值和最大值；具体方法如下：(1)将训练数据集X拆分成两部分，一部分X_train用作分类器学习，一部分X_test用作预测；(2)使用数据集训练支持向量机分类器，得到分类器模型，然后对X_test数据集进行预测，得到X_test数据集的预测标签；(3)对比X_test数据集的真实标签和预测标签，计算数据集中所有被分类器连续预测正确的同一类别的相邻样本之间的欧氏距离，并记为向量D；(4)对步骤(3)得到的距离向量D进行统计分析，确定其分布函数，一般情况下，该向量服从正态分布或近似正态分布；(5)根据步骤(4)确定的向量D的分布函数，估计其在95％的置信度时均值估计的置信区间作为同类样本之间的距离范围[a,b]；步骤三，进行分类识别；分类识别是在求得阈值U和距离范围[a,b]的基础上，对样本类别标签未知的测试数据集进行预测，具体方法如下：(1)使用训练数据集X训练支持向量机分类器，对测试数据集Y进行预测，得到测试数据集的样本预测标签向量predict；(2)计算测试数据集中相邻样本之间的欧式距离d_i，i＝1,2,…,N‑1，N是测试数据集中的样本个数；(3)若d_i大于等于U，说明第i个样本和第i+1个样本之间存在类别转换点，转到步骤(5)；(4)若d_i小于U，说明第i个样本和第i+1个样本属于同一类别，再判断d_i是否在范围[a,b]内，若d_i在[a,b]范围内，说明这两个样本很可能是被分类器正确预测的样本，将这两个样本的预测标签添加到一个名为judgeset的判断集合中；若d_i不在[a,b]范围内，返回步骤(2)；(5)当检测到一个转换点时，计算judgeset判断集合中各个类别标签的数量，返回数量最多的标签作为这个转换点和上一个转换点之间所有样本的类别标签，然后清空judgeset判断集合，转到步骤(3)对下一个转换点的检测。