[發明專利]一種基于非高斯中性向量特征選擇的腦電波(EEG)信號分類方法

有效

• 申請號: 201510067912.5
• 申請日: 2015-02-09
• 公開（公告）號: CN104680176B
• 公開（公告）日: 2018-04-24
• 發明（設計）人: 馬占宇;齊峰
• 申請（專利權）人: 北京郵電大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明集中解決在腦機接口系統設計中，腦電波(EEG)信號的分類問題，著重描述了一種基于非高斯中性向量特征選擇的腦電波信號分類方法。

背景技術

腦機接口(BCI)通過分析大腦信號記錄，將神經肌肉疾病患者與計算機連接起來。有了精心設計的腦機接口系統，機器可以更好地幫助或輔助治療神經肌肉疾病患者。上述腦電波(Electroencephalogram，EEG)信號作為非侵入性獲取的信號，是BCI應用系統的設計中研究得最多的。不同模式的EEG信號可以反映人體大腦不同的活動，因此腦電波(EEG)分類是腦機接口系統設計中至關重要的一個步驟。

在腦電波信號的特征提取中，常用的特征有AR模型參數，多變量AR參數，傅里葉變換特征，邊緣化離散小波變換系數等。近年來，離散小波邊緣化變換系數(mDWT)因可以較好的顯示EEG信號的時域瞬態特性，而廣泛應用于EEG信號分類。本發明中使用離散小波邊緣化變換系數來描述EEG特征。

現有較成功的EEG分類方法是基于支撐向量機，然而基于SVM的方法并沒有利用離散小波邊緣化變換系數非負且加和為1這一性質。本發明采用的基于超狄利克雷分布的分類，剛好彌補這一點，由于mDWT系數分別來自于相互獨立的通道，可以用超狄利克雷分布來模擬，且實驗數據表明效果優于支撐向量機。

發明內容

針對現有語音傳輸過程中的丟包問題，本發明的目的是提供一種基于非高斯中性向量特征選擇的腦電波信號分類方法，以此來提高分類的準確率。

為達到上述目的，本發明提出的非線性最優化缺失值估計方法包括下列步驟：

通道選擇步驟：將輸入的每個通道變換并歸一化后，取能量最大的M個通道形成一個超向量；

非線性去相關步驟：由于每個通道形成的向量是中性向量，可以利用其中性性質進行非線性去相關生成向量u；

特征選擇步驟：按差分熵或方差從大到小排序，對每個通道分別取N_m個為最終特征；

貝塔分類器設計步驟：用貝塔混合模型設計分類器。

通道選擇步驟中，輸入的EEG信號包含S個相互獨立的通道，這一步驟的目的是選出和最后分類任務最相關的M組通道，排除相關性不大的噪聲通道，以此來增加最終分類結果的準確率。

步驟如下：

1)將輸入的每個通道的EEG信號進行變換，如離散小波變換,傅立葉變換等,得到變換域歸一化的K+1維向量[x₁,x₂,...,x_K+1]^T，其元素為：

2)對每一通道算其能量，即平方和：

3)取E_s值最大的M個通道作為后面步驟分析的通道，這M個通道的所有元素形成一個超向量：

上述超向量中，每個通道(即x_m)中的元素都非負且加和為1，符合中性向量的特征。

非線性去相關步驟中，對選定的M個通道中每一通道做去相關。隨機變量x＝[x₁,x₂,...,x_K+1]^T，滿足x_k≥0且那么x中所有元素都是中性的，向量x是中性向量(neutral vector)。含有K+1個元素的中性向量有K維自由度。本發明利用其中性性質用非線性可逆變換來去相關，使其轉換為一組相互獨立的變量。由于x中所有元素都是中性的，x_k獨立于其他歸一化元素，那么其余歸一化元素可以組成一個新的中性向量。本步驟的過程如下：

1)輸入中性向量：x＝[x₁,x₂,...,x_K+1]^T

2)按圖2所示算法流程圖做非線性去相關,其中，P＝2^T-(K+1)，0_P是全0的P×1向量，和分別表示x_t中奇數和偶數位置的元素，運算符./表示每個元素分別相除，并特殊定義0/0＝1；

3)輸出：