1.一种基于独立分量分析的运动想象脑电信号分类方法,包括以下步骤:S1:实验数据的采集:采集脑电信号并对脑电信号进行预处理,将预处理后的脑电信号随机分为训练集和测试集;
S2:基于单次试验样本的空域滤波器训练:将训练集数据依次选择单次试验样本数据进行独立分量分析计算,并基于源的空间分布模式实现运动相关分量的自动识别获取;
S3:基于零训练分类器的运动想象分类识别;
S4:导联的优化选择:使用训练集数据进行导联的优化选择,将优化后的导联代入测试集,循环步骤S2和S3,得到最终的分类识别率;
其中,导联优化选择方法如下:
S41:主电极的选择:将运动皮层的9个电极{FC3,C3,CP3,FC4,C4,CP4,FCz,Cz,CPz}分为三组{FC3,C3,CP3},{FC4,C4,CP4}和{FCz,Cz,CPz},并从这三组电极中分别选择1个电极作为运动相关主电极{main_1,main_2,main_3},在9组导联组合中,计算出三类运动想象的分类识别率最高的一组将作为三个主电极{main_r,main_l,main_f};
S42:辅助电极的选择:除去三个主电极,从余下的11个电极中选择一个电极作为辅助电极sub_1,并组成新的电极组合{main_l,main_r,main_f,sub_1},在11组4导联组合中,计算出三类运动想象的分类识别率最高的一组作为导联组合,并将选择的辅助电极作为第一辅助电极;依次类推,再从余下的电极中依次选择第二辅助电极,第三辅助电极,直到三类运动想象的分类识别率达到最大值,记录此时的导联组合和电极个数M,并将选择的导联用于测试集样本的分类识别中。
2.根据权利要求1所述的基于独立分量分析的运动想象脑电信号分类方法,其特征在于,步骤S1的具体步骤包括:
根据标准10‑20系统,使用14个头皮电极{Fp1,Fp2,FC3,FCz,FC4,C3,Cz,C4,CP3,CPz,T
CP4,O1,Oz,O2}记录左手、右手和脚三类运动想象数据X=[x1,x2,...,xN] (N=1,2...,
14),并对采集的原始脑电数据进行带通滤波和归一化处理,然后将归一化后的脑电信号随机分为训练集和测试集。
3.根据权利要求2所述的基于独立分量分析的运动想象脑电信号分类方法,其特征在于,对脑电信号进行带通滤波的截止频率为8‑30Hz。
4.根据权利要求1所述的基于独立分量分析的运动想象脑电信号分类方法,其特征在于,所述步骤S2的具体步骤包括:S21:基于单次试验样本数据的ICA算法设计:从训练集中依次选择单次实验数据设计ICA空域滤波器W,并计算分离后的独立源S和源的空间分布模式A;
S22:运动相关独立分量的自动获取:依据源的空间分布模式A,从分离出的独立源S中自动识别出和左手、右手和脚三类运动想象相关的独立分量{sl,sr,sf},并得到对应的空域滤波器{wl,wr,wf}。
5.根据权利要求4所述的基于独立分量分析的运动想象脑电信号分类方法,其特征在于,在步骤S21中,独立分量分析算法包括以下步骤:S211:输入EEG信号X、学习率lrate和迭代次数Num;
S212:初始化分离矩阵W,迭代次数i;
W=eye(N)/100;i=0S213:分离矩阵W的迭代公式如下:i=i+1;s=wx
T T
ΔW={I‑E[sign(S)S+ss]}WW←W+lrate*ΔW;
S214:重复步骤S213,直到i>Num,输出分离矩阵W;
S215:计算源信号S,并进行方差归一化处理:S216:计算混合矩阵A
‑1
A=W 。
6.根据权利要求4所述的基于独立分量分析的运动想象脑电信号分类方法,其特征在于,在步骤S22中,对应于左手、右手和脚三类运动想象相关的独立源{sl,sr,sf}的自动识别算法,包括以下步骤:
S221:从{FC4,C4,CP4},{FC3,C3,CP3}和{FCz,Cz,CPz}三组电极中分别选择1个电极作为运动相关的主电极,记录三个主电极{main_l,main_r,main_f}在原始EEG信号X=[x1,T
x2,...,xM]中的排列位置Pi,Pj,Pk;
S222:计算绝对值混合矩阵|A|的每一列的最大值,并记录每列|ai|中最大值的位置imax(i):如果imax(i)=Pi,则分离出的源S中第i个源si即为sl;依次类推,如果imax(i)=Pj,则分离出的源S中第i个源si即为sr;如果imax(i)=Pk,则分离出的源S中第i个源si即为sf;
S223:如果在混合矩阵|A|同时存在三列|ai|,|aj|,|ak|,这三列中最大值的元素分别为|aPi,i|,|aPj,j|,|aPk,k|,则判定此次计算为有效计算,否则,判定此次计算为无效计算,并将该单次实验样本从训练集中剔除。
7.根据权利要求1所述的基于独立分量分析的运动想象脑电信号分类方法,其特征在于,所述步骤S3的具体步骤包括:将步骤S2中识别出的三个运动相关独立分量{sl,sr,sf}进行带通滤波,得到事件相关同步化和去同步化现象较明显的频带范围内的运动相关独立分量信号{s1l,s1r,s1f},并计算其运动想象时间段内的能量,作为特征代入零训练分类器进行分类,分类结果和真实的运动想象标签对比,得到相应的分类识别率。
8.根据权利要求7所述的基于独立分量分析的运动想象脑电信号分类方法,其特征在于,所述步骤S3中滤波后的三个运动相关独立分量信号{s1l,s1r,s1f}在运动想象时间段(T1:T2)的能量El、Er、Ef计算如下:El=var(s1l(T1:T2));Er=var(s1r(T1:T2));Ef=var(s1f(T1:T2))其中,T1和T2为运动想象的起始和终止时间点。
9.根据权利要求7所述的基于独立分量分析的运动想象脑电信号分类方法,其特征在于,所述步骤S3中根据三类运动想象的分类判别依据如下:[V,class_MI]=min([El,Er,Ef])其中,class_MI∈{“1”、“2”、“3”}分别代表左手、右手和脚运动想象;将class_MI和真实的运动想象标签进行比对,将正确分类的标签个数除以总的标签个数,得到分类识别率。