[發明專利]基于多線性主成分分析的單次運動想象腦電信號識別方法

在審

• 申請號: 202010091776.4
• 申請日: 2020-02-13
• 公開（公告）號: CN111310656A
• 公開（公告）日: 2020-06-19
• 發明（設計）人: 付榮榮;楊陽;于寶;王世偉
• 申請（專利權）人: 燕山大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 北京孚睿灣知識產權代理事務所(普通合伙) 11474
• 代理人: 王冬杰

1.一種基于多線性主成分分析的單次運動想象腦電信號識別方法，其特征在于，該方法包括以下具體步驟：

步驟1、利用小波分析方法建立多次實驗的三階EEG張量數據，并將所述三階EEG張量數據隨機分成訓練集和測試集，包括如下具體步驟：

步驟11、在受試者根據提示想象左右手的運動時，采集受試者的腦電數據，并將采集到的每次運動想象時的腦電數據依次根據提示的時間點開始截取一定時長的腦電數據，組成包括時間、空間兩個維度的單次運動想象腦電數據矩陣，所述空間代表不同的采集通道；

步驟12、對所述腦電數據進行帶通濾波；

步驟13、采用復Morlet小波變換提取腦電信號中包含的頻域信息，并將提取出的頻域、時域、空間域數據構建成三階張量式中c表示通道，f表示頻率，t表示時間；

步驟14、將所述三階張量數據隨機分為訓練集和測試集采用交叉驗證的方式來選擇最優的分類模型；

步驟2、利用多線性主成分分析方法訓練所述測試集得到多模態降維投影矩陣，并對所述訓練集進行投影，得到降維的訓練集數據，包括如下具體步驟：

步驟21、對所述張量樣本進行中心化處理，式中為中心化后的樣本，為原始樣本，為樣本均值，M為樣本數；

步驟22、計算初始協方差矩陣X_m(n)X_m(n)^T，式中X_m(n)為X_m n模展開后的矩陣，并對所述初始協方差矩陣進行特征分解，取最大的d'個特征值對應的特征向量組成投影矩陣U⁽ⁿ⁾(n＝1,2,3)，得到初始化的降維投影矩陣；

步驟23、對步驟22得到的所述初始化降維投影矩陣進行局部優化，包括如下具體步驟；

步驟231、進行投影式中左下標1、2、3表示1模、2模、3模乘積；

步驟232、計算總散度式中為張量范數；

步驟233、對n＝1、2、3，計算投影后張量n模展開后協方差矩陣的特征值，取d'個所述特征值對應的特征向量組成新的投影矩陣U⁽ⁿ⁾(n＝1,2,3)，用所述新的投影矩陣更新并計算新的

步驟234、判斷是否成立，式中k為優化迭代次數，η為自定義的閾值，如果得到最終的投影矩陣₁U⁽¹⁾,₂U⁽²⁾,₃U⁽³⁾，計算得到經過多線性主成分分析降維后的訓練集數據；否則重復步驟231、232和233；

步驟3、利用所述降維的訓練集數據進行特征選擇后訓練分類器，得到最優的分類模型，包括如下具體步驟：

步驟31、將所述降維后的多組三階張量形式的訓練集數據展開為一維數組，計算每一個特征分量的類內離散度類間離散度和二者的比值式中k＝1,2,…,K，K為類別數；M_k為每類樣本的樣本數；V_m為第k類樣本；為每類樣本的均值；為全體樣本的均值；

步驟32、將所述每一特征分量按照J的大小排序，只保留最大的前D組特征分量，所述D為自定義的特征數，可以多次嘗試尋找最佳的特征數；

步驟33、利用得到的數據訓練分類器得到分類投影矩陣U_classify；

步驟4、用降維后的測試集數據檢驗最終的分類性能，得到分類準確率，包括如下具體步驟：

步驟41、將測試集數據先經過多線性主成分分析降維同樣展開成一維數組選擇特征；

步驟42、經過分類矩陣U_classify投影得到類別，最終得到分類準確率。

2.根據權利要求1所述的基于多線性主成分分析的單次運動想象腦電信號識別方法，其特征在于，所述步驟11中將采集到的腦電數據依次根據提示的時間點截取時長為1秒的腦電數據。

3.根據權利要求1所述的基于多線性主成分分析的單次運動想象腦電信號識別方法，其特征在于，所述步驟12中，所述帶通濾波的通帶范圍為8～13Hz。

4.根據權利要求1所述的基于多線性主成分分析的單次運動想象腦電信號識別方法，其特征在于，所述步驟13中，所述復Morlet小波的帶寬參數為1Hz，中心頻率為2Hz。