[發(fā)明專利]一種基于組合差異進化的腦電信號特征選擇及分類方法

有效

• 申請?zhí)枺?/td>: 201410245808.6
• 申請日: 2014-06-05
• 公開（公告）號: CN103996054B
• 公開（公告）日: 2017-02-01
• 發(fā)明（設計）人: 譚平;譚冠政;王勇;蔡自興
• 申請（專利權）人: 中南大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06F3/01
• 代理公司: 長沙市融智專利事務所43114
• 代理人: 黃美成

1.一種基于組合差異進化的腦電信號特征選擇方法，其特征在于，包括以下步驟：

步驟1：選取腦電信號樣本數(shù)據(jù)X_t×c，并對腦電信號樣本數(shù)據(jù)進行預處理獲得訓練樣本X為t×c的矩陣，X^FFT為m×c的矩陣，t是每一個電極采集數(shù)據(jù)個數(shù)，m是每個導聯(lián)在一個T時間段內(nèi)的特征值個數(shù)，c為腦電信號的導聯(lián)個數(shù)；

步驟2：設定染色個體和適應度函數(shù)，設置策略知識庫、迭代停止條件及染色個體種群，并對染色個體及迭代次數(shù)進行參數(shù)初始化；

以空間濾波器和特征選擇器作為染色個體[S,K]，S的編碼為實數(shù)，K采用0和1編碼；

步驟3：按照組合差異進化算法對每一個染色個體進行變異、修補及交叉處理，獲得新染色個體；

步驟4：以新染色個體的實數(shù)編碼部分作為空間濾波器對訓練樣本進行空間濾波，獲得樣本特征向量V為m×c₁的矩陣，c₁為空間濾波輸出維數(shù)；接著利用新染色個體的{0,1}編碼部分作為特征選擇器對樣本特征向量構建訓練特征向量X_V，K為m×c₁的矩陣，計算每個新染色個體的K_f，利用適應度函數(shù)計算每個新染色個體的適應值；

K_f為特征選擇器所選的特征個數(shù)與頻域特征向量中特征總個數(shù)的比值；

步驟5：判斷是否滿足迭代停止條件，如果不滿足，令迭代次數(shù)G＝G+1，并轉到步驟3；否則，輸出種群中的最優(yōu)染色個體R_best的實數(shù)部分S作為腦機接口中的空間濾波器，K{0,1}部分作為腦機接口中的特征選擇器。

2.根據(jù)權利要求1所述的基于組合差異進化的腦電信號特征選擇方法，其特征在于，所述步驟1中腦電信號樣本數(shù)據(jù)X_t×c采用設定頻率范圍內(nèi)的腦電信號數(shù)據(jù)；

所述預處理是指對腦電信號樣本數(shù)據(jù)以T時間窗進行分幀處理，并對每幀數(shù)據(jù)進行FFT變換。

3.根據(jù)權利要求2所述的基于組合差異進化的腦電信號特征選擇方法，其特征在于，所述染色個體初始化包括：空間濾波器通過隨機函數(shù)生成實數(shù)，特征選擇器初始化為1，S為c×c₁的矩陣。

4.根據(jù)權利要求3所述的基于組合差異進化的腦電信號特征選擇方法，其特征在于，所述適應度函數(shù)為fitness(S,K)＝E_LDA+λ|K_f|，其中，E_LDA為分類誤差，通過線性判決分析對腦電信號特征向量X_V進行訓練獲得；K_f為特征選擇器所選的特征個數(shù)與頻域特征向量中特征總個數(shù)的比值，λ為調整參數(shù)，0.1<λ<0.5；

腦電信號特征向量X_V的獲取過程為：利用每一個染色個體[S,K]中的空間濾波器對腦電信號X進行空間濾波，然后對空間濾波后的結果進行FFT變換獲得頻域特征向量最后利用染色個體中的特征選擇器對頻域特征向量進行特征選擇，選擇后的結果作為腦電信號特征向量X_V。

5.根據(jù)權利要求4所述的基于組合差異進化的腦電信號特征選擇方法，其特征在于，所述迭代停止條件為：迭代次數(shù)超過最大迭代代數(shù)G_Max＝1000或連續(xù)30次迭代后適應度函數(shù)變化率小于0.001。

6.一種基于組合差異進化的腦電信號特征分類方法，其特征在于，采用權利要求1-5任一項所述的基于組合差異進化的腦電信號特征選擇方法，選擇的空間濾波器及特征選擇器形成的最優(yōu)染色個體R_best，具體包括以下幾個步驟：

步驟A：利用最優(yōu)染色個體R_best，按照步驟4所述方法對訓練樣本進行空間濾波和特征選擇，獲得最優(yōu)訓練特征向量X_V′，利用SVM分類器對最優(yōu)訓練特征向量X_V′進行訓練，獲得分類器C_svm；

步驟B：對待測試數(shù)據(jù)按照步驟1所述方法進行預處理獲得待測試樣本Y^FFT為m×c的矩陣，利用獲得的最優(yōu)染色個體R_best依據(jù)步驟4所述方法對待測試樣本進行空間濾波和特征選擇，獲得待測試特征向量Y_V′，將待測試特征向量Y_V′輸入步驟A獲得的分類器C_svm，輸出分類結果。