欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2020108189479
申请人: 安徽大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种结合集成学习与独立分量分析的运动想象分类方法,包括以下步骤:

S1:采集脑电信号并进行预处理,将预处理后的脑电数据分为训练集和测试集;

S2:在所述训练集中随机选择P个不同的单次试验样本数据,构造P个不同的ICA空域滤波器组;

S3:用P个空域滤波器组对测试集中的一个单次试验样本数据进行空域滤波,并提取特征;

S4:采用P个基于简单分类规则的基分类器进行分类识别,得到对这一个单次试验数据的P个预测标签;

S5:对P个预测标签进行遍历,用多数投票法结合策略集成所有基分类器预测结果,得到单次试验数据的最终分类结果;

S6:对所有的测试数据执行上述S3至S5的集成学习分类步骤,计算整个测试集的分类识别率。

2.根据权利要求1所述的结合集成学习与独立分量分析的运动想象分类方法,其特征在于,在步骤S1中,对采集的原始脑电信号进行预处理的过程包括:选取9导联数据并进行

8—30Hz带通滤波和最大幅值归一化处理。

3.根据权利要求1所述的结合集成学习与独立分量分析的运动想象分类方法,其特征在于,在步骤S2中,在所述训练集中随机选择P个不同的单次试验样本数据的具体步骤包括:对于一个训练数据集X={x1,x2,...,xn}共有n个单次试验样本数据,将整数序列[1:n]随机排序得到一个新的序列b,取序列b的前P个元素[b(1),b(2),...,b(P)],在训练集X中找到b中元素值对应位置的{xb(1),xb(2),...,xb(P)}作为随机选择的P个单次试验样本。

4.根据权利要求1所述的结合集成学习与独立分量分析的运动想象分类方法,其特征在于,在步骤S2中,构造P个不同的ICA空域滤波器组的具体步骤包括:S201:初始化一个分离矩阵W,对于其中的一个单次试验数据x,初始化独立源信号s=WTx,对分离矩阵W进行迭代学习,算法如下:W←W+lrate×(I-sign(s)sT-ssT)W

其中,lrate表示学习率;对分离矩阵W求逆得到混合矩阵A=[a1,a2,…,a9];

S202:对A求绝对值得到|A|=[|a1|,|a2|,...,|a9|],初始化一个全零数组[m1,m2,…,m9],对|ai|(i={1,2,...,9})中的每个元素进行遍历,判断当前元素数值是否大于mi位置处的元素,若是则更新mi为当前元素的下标值,否则不变;

S203:记录左手、右手和脚三类运动想象数据相关的主电极位置,分别记为Ll,Lr,Lf;

S204:判断|A|中是否同时存在三列分别在主电极处有最大值,即在[m1,m2,…,m9]中是T否有mi,mj,mk,使其满足mi=Ll,mj=Lr,mk=Lf,且i≠j≠k;若能找到,则在分离矩阵W中找到对应的第i列、第j列、第k列保存,作为单次试验数据x构造的一个ICA空域滤波器组w={wl,wr,wf};否则将x丢弃,并重新随机选择P个样本数据;

S205:对于P个不同的单次试验样本数据,重复步骤S201至S204,得到P个不同的滤波器组{w1,w2,...,wP}。

5.根据权利要求1所述的结合集成学习与独立分量分析的运动想象分类方法,其特征在于,步骤S3的具体步骤包括:假设采集的脑电数据为左手、右手和脚三类运动想象数据,运动想象时段起始时间为T1,结束时间为T2,一个单次试验样本数据为y=[y1,y2,…,y9]T;

S301:用一个空域滤波器对一个单次试验数据y=[y1,y2,…,y9]T滤波得到3个独立源信号{sl,sr,sf},分别取{sl,sr,sf}在时间点T1与T2之间的数据,并进行10—14Hz频带范围的带通滤波,然后分别对滤波后的3个源信号求平方和,得到特征向量e=[el,er,ef];

S302:分别用P个空域滤波器对同一个单次试验数据执行步骤S301,得到P个特征向量{e1,e2,...,eP}。

6.根据权利要求1所述的结合集成学习与独立分量分析的运动想象分类方法,其特征在于,步骤S4的具体步骤包括:假设采集的脑电数据为左手、右手和脚三类运动想象数据,在步骤S3中提取的P个特征向量为{e1,e2,...,eP},其中ei=[el,er,ef](i={1,2,...,P});

S401:简单分类规则分类为比较特征向量ei=[el,er,ef]各个元素的大小,若el/er/ef值最小,则预测为左手/右手/脚部运动想象,即得到一个对样本y的预测标签c,其中,c∈{“1”,“2”,“3”}分别表示左手、右手和脚的运动想象;

S402:对P个特征向量均执行步骤S401的简单分类规则,一个特征向量对应构造一个基分类器,最后得到P个对样本y的预测标签{c1,c2,…,cP}。

7.根据权利要求1所述的结合集成学习与独立分量分析的运动想象分类方法,其特征在于,步骤S5的具体步骤为:假设采集的脑电数据为左手、右手和脚三类运动想象数据,对P个预测标签进行遍历,分别统计预测为左手、右手和脚部想象运动的标签个数,并比较其大小,找出得票最多的预测标签,判定其为本单次试验数据的最终分类结果。

8.根据权利要求1所述的结合集成学习与独立分量分析的运动想象分类方法,其特征在于,步骤S6的具体步骤包括:对所述测试数据集中的所有单次试验样本数据进行步骤S3至S5的集成学习分类,将每个样本的最终分类结果与其真实的运动想象标签进行对比,将正确分类的单次试验个数除以总的单次试验个数,得到最终的分类识别率,其计算公式如下: