[發明專利]基于希爾伯特黃變換和支持向量機優化的腦電波分析方法

在審

• 申請號: 202011448121.4
• 申請日: 2020-12-09
• 公開（公告）號: CN112668402A
• 公開（公告）日: 2021-04-16
• 發明（設計）人: 馮德軍;何昕;朱佳成;劉洋
• 申請（專利權）人: 山東大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/00
• 代理公司: 青島華慧澤專利代理事務所(普通合伙) 37247
• 代理人: 馬千會

本發明涉及計算機信號處理領域，涉及一種腦電波信號的分析方法。基于希爾伯特黃變換和人工蜂群算法優化支持向量機優化的腦電波分析方法，包括以下步驟：采集腦電波信號數據；所述腦電波數據為想象不同運動狀態對應的腦電波信號；采用經驗模式分解法對原始腦電波信號進行分解，得到一系列固有模態函數；從所述的固有模態函數中提取腦電波特征；將提取的腦電波特征作為輸入向量，利用分類器中進行分類，從而對腦電波信號對應的運動狀態進行區分。本發明用希爾伯特黃變換提取特征，人工蜂群算優化的支持向量機分類，具有更強的適應性、更好的分類能力以及更高的計算效率，有助于提高腦電波分類的準確率。

技術領域

本發明涉及計算機信號處理領域，涉及一種腦電波信號的分析方法。

背景技術

信號經過傅立葉變換后，完全喪失了時域上的信息，而希爾伯特黃變換則較為細致地體現了信號的時域和頻域上的局部二維信息。希爾伯特黃變換是一種能用于對非平穩信號時頻分析的方法，它由Norden E.Huang(黃鄂)等人在1998年提出。希爾伯特黃變換通過對非平穩、非線性信號進行經驗模態分解，得到內蘊模態函數使得瞬時頻率和振幅具有了物理意義。并且這種變換方法并不事先設定基函數，變換方法本身可以在變換過程中根據信號的局部特征自動選取基函數，這一特點使得在分解的過程中保留了數據本身的特性，特別適用于非線性、非平穩信號的分析。基于的時頻分析方法被公認為近年來對以傅立葉變換為基礎的線性平穩信號分析的一個重大突破。目前希爾伯特黃變換應用范圍很廣，分布在聲音信號檢測、氣象數據分析、地震信號分析、分子運動的動態仿真分析、機械工程檢測等領域。在這些領域里的成功應用，已經證明了它在對一維時間序列信號分析上的性能，在分析非線性、非穩態信號上很有優勢，超過了各種傳統方法。

由于支持向量機強大的泛化能力，它己經被廣泛應用在生物信息學和模式識別領域中，并取得了很顯著的效果。此外，支持向量機在解決現實工程問題方面已經顯示了其優秀的性能，諸如在腦機接口領域里，就有較為廣泛的應用。為解決非線性數據的不可分，一種常用的方式就是引入核函數。支持向量機核函數中存在很多參數，然而，根據經驗選擇的參數往往不是最優的。

人工蜂群算法是一種群體智能模型算法，它由土耳其學者Karaboga在2005年提出，該算法是一種模擬蜜蜂群體尋找優良蜜源的仿生智能計算方法。算法模型具有很多優良的性能，如算法復雜度低，魯棒性強，每次迭代都進行全局和局部搜索，從而在較大程度上避免了局部最優。基于其卓越的性能，常常被用來解決復雜的優化問題，當然也包括對支持向量機的優化。

發明內容

本發明的目的是提供一種基于希爾伯特黃變換和人工蜂群算法優化支持向量機參數的腦電波分析方法，通過希爾伯特黃變換提取腦電波中能量、瞬時頻率、瞬時幅度、瞬時相位等特征，將提取出的特征輸入到支持向量機中進行分類并利用人工蜂群算法對徑向基核函數中的參數進行優化，可對腦電信號進行分類和識別，以區分出想象左手、右手、腳和舌頭運動的四種狀態的信號，進而可以轉化為不同的控制信號。

為了實現上述目的，本發明采用的技術方案是：一種基于希爾伯特黃變換和人工蜂群算法優化支持向量機優化的腦電波分析方法，包括以下步驟：

采集腦電波信號數據；所述腦電波數據為想象不同運動狀態對應的腦電波信號；

采用經驗模式分解法對原始腦電波信號進行分解，得到一系列固有模態函數；

從所述的固有模態函數中提取腦電波特征；

將提取的腦電波特征作為輸入向量，利用分類器進行分類，從而對腦電波信號對應的運動狀態進行區分。

進一步地，所述步驟S2中，采用經驗模式分解法分解腦電波原始信號，每個信號得到八階固有模態函數。

進一步地，對前三階固有模態函數進行希爾伯特黃變換得到希爾伯特譜和邊際譜，通過邊際圖提取出25維特征向量，作為腦電波特征。

進一步地，所述的分類器為采用人工蜂群算法優化的支持向量機。