[發明專利]一種面向持續想象腦電信號的分類方法

有效

• 申請號: 201310273395.8
• 申請日: 2013-07-02
• 公開（公告）號: CN103345640A
• 公開（公告）日: 2013-10-09
• 發明（設計）人: 段立娟;續艷慧;楊震;馬偉;張祺;鐘宏燕
• 申請（專利權）人: 北京工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06F3/01
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 張慧

1.一種面向持續想象腦電信號的分類方法，其特征在于包括以下步驟：

步驟一，進行轉換點檢測；

轉換點檢測主要用于確定轉換點處樣本之間的距離閾值U；假設存在樣本類別標簽已知的訓練數據集X和樣本類別標簽未知的測試數據集Y，數據集中樣本分別屬于多個不同的類別，計算距離閾值U的方法如下：

（1）計算訓練數據集X中兩兩相鄰樣本之間的歐幾里得距離，并保存為向量Dist；

（2）根據訓練數據集的樣本類別標簽將步驟（1）計算得到的向量Dist分為兩部分：若兩相鄰樣本屬于同一類別，將其距離歸入向量X_notrans中，記為類內樣本距離向量；若兩相鄰樣本屬于不同的類別，將其距離歸入向量X_trans中，記為類間樣本距離向量；

（3）計算X_notrans中所有距離的最大值，記為U₁；

（4）計算X_trans中所有距離的最小值，記為U₂；

（5）根據步驟（3）和步驟（4）的結果，將U₁和U₂中較小的那個作為閾值U，即U=min（U₁,U₂）；

步驟二，進行樣本純化；

樣本純化主要用于確定同類樣本之間的距離范圍[a,b]，a、b分別為距離的最小值和最大值；具體方法如下：

（1）將訓練數據集X拆分成兩部分，一部分X_train用作分類器學習，一部分X_test用作預測；

（2）使用數據集訓練支持向量機分類器，得到分類器模型，然后對X_test數據集進行預測，得到X_test數據集的預測標簽；

（3）對比X_test數據集的真實標簽和預測標簽，計算數據集中所有被分類器連續預測正確的同一類別的相鄰樣本之間的歐氏距離，并記為向量D；

（4）對步驟（3）得到的距離向量D進行統計分析，確定其分布函數，一般情況下，該向量服從正態分布或近似正態分布；

（5）根據步驟（4）確定的向量D的分布函數，估計其在95%的置信度時均值估計的置信區間作為同類樣本之間的距離范圍[a,b]；

步驟三，進行分類識別；

分類識別是在求得閾值U和距離范圍[a,b]的基礎上，對未知樣本類別的測試數據集Y進行預測，具體方法如下：

（1）使用訓練數據集X訓練支持向量機分類器，對測試數據集Y進行預測，得到測試數據集的樣本預測標簽向量predict；

（2）計算測試數據集中相鄰樣本之間的歐式距離d_i，i=1,2,…,N-1，N是測試數據集中的樣本個數；

（3）若d_i大于等于U，說明第i個樣本和第i+1個樣本之間存在類別轉換點，轉到步驟（5）；

（4）若d_i小于U，說明第i個樣本和第i+1個樣本屬于同一類別，再判斷d_i是否在范圍[a,b]內，若d_i在[a,b]范圍內，說明這兩個樣本很可能是被分類器正確預測的樣本，將這兩個樣本的預測標簽添加到一個名為judgeset的判斷集合中；若d_i不在[a,b]范圍內，返回步驟（2）；

（5）當檢測到一個轉換點時，計算judgeset判斷集合中各個類別標簽的數量，返回數量最多的標簽作為這個轉換點和上一個轉換點之間所有樣本的類別標簽，然后清空judgeset判斷集合，轉到步驟（3）對下一個轉換點的檢測。