1.一种基于相对小波包熵脑网络和改进版lasso的运动想象脑电识别方法,其特征在于,包括:
数据预处理,根据功率谱密度计算R2图,得到每个数据集信息量最大的频率波段并进行带通滤波,并通过SCSP算法进行通道筛选,将每个数据集的通道进行筛选,得到最优筛选通道;特征提取,通过小波包方法对脑电信号的细节系数和近似系统进行提取并计算小波包能量熵值,得到小波包能量熵特征,并通过小波包能量熵值构建脑功能网络,提取脑网络的拓扑特征;并根据数据预处理中SCSP算法对不同类样本的方差进行方差特征提取,得到方差特征;将小波包能量熵特征、拓扑特征和方差特征进行融合,得到较高维度的特征矩阵;
特征选择,通过基于互信息和相关性的Lasso方法并结合Relief‑f的方法进行特征选择,筛选出较小维度的特征矩阵。
2.根据权利要求1所述的一种基于相对小波包熵脑网络和改进版lasso的运动想象脑电识别方法,其特征在于,所述数据预处理还包括通过小波软阈值去噪算法对脑电信号进行去噪处理,具体为:脑电信号经过小波分解之后,信号的小波系数幅值大于噪声,含噪信号在各个尺度上通过正交小波基进行分解之后,将低分辨率的值全部保存下来,对于高分辨率下的分解值,通过设定阈值,将幅值低于该阈值的小波系数置为零,高于该阈值的小波系数进行相应的收缩和直接保留,将处理后所得到的小波系数通过逆小波技术进行重构,还原得到去噪后的脑电信号。
3.根据权利要求1所述的一种基于相对小波包熵脑网络和改进版lasso的运动想象脑电识别方法,其特征在于,所述SCSP算法具体包括:通过计算投影矩阵每一个通道的得分,对每一类得分最高的通道进行筛选;
将筛选出的通道进行合并,得到最优的筛选通道。
4.根据权利要求1所述的一种基于相对小波包熵脑网络和改进版lasso的运动想象脑电识别方法,其特征在于,所述小包波方法具体包括:计算脑电信号每一层能量系数:将脑电信号分解为n层,得到n层的近似系数{Aj},j=
1,2…n和细节函数{Dj},j=1,2…n,其中j代表的分解层数,每一层的能量系数的计算公式如下所示:
其中,Ej表示第j层得能量系数,通过上式,小波变换后的近似系数取平均值,细节系数取二范数,将细节系数以及近似系数作为每一层的能量值,其中,取近似系数的原值作为能量系数的一部分,并取细节系数的二范数均值来作为能量系数的一部分。
计算总能量:根据得到的每一层的能量系数计算总能量,具体计算公式如下所示:其中,Etotal表示总的小波包能量值;
计算小波能量值:通过每一层的能量系数和总能量计算相对小波能量值,具体公式如下所示:
其中,Pj表示相对小波能量值;
计算小波包能量熵:根据香农熵理论,计算EEG信号的小波包能量熵,具体公式如下所示:
其中,Sm代表了通道m的相对小波包能量熵,根据计算出通道与通道之间的小波包能量熵值,得到每个数据集的小波包能量熵特征。
5.根据权利要求1所述的一种基于相对小波包熵脑网络和改进版lasso的运动想象脑电识别方法,其特征在于,所述构建脑功能网络具体包括:定义节点:将通道筛选过后的每一个通道电极作为一个节点进行脑功能网络构建;
计算权重:计算边的权重值,其中所述权重值为小波包相对能量熵值;
定义阈值:按照稀疏度30%的标准阈值确定稀疏度;
计算提取特征:计算并提取构建的脑网络的拓扑特征,所述拓扑特征包括节点的度,节点的聚类系数,脑功能网络的全局效率和脑功能网络的一范数和谱范数特征。
6.根据权利要求5所述的一种基于相对小波包熵脑网络和改进版lasso的运动想象脑电识别方法,其特征在于,所述计算提取特征具体包括:节点度计算:对节点的度进行计算,具体公式如下:其中,所述ki表示第i个节点的度,Rij和Rji分别表示从i节点到j节点的边以及从j节点到i节点的边是否存在;
节点聚类系数计算:根据节点的度数计算整个脑网络的聚类系数,具体计算公式如下:其中,C表示节点的聚类系数,t表示在节点i周围所存在的三角形个数;
全局效率计算:对脑功能网络的全局效率进行计算,具体计算公式如下:其中,E表示脑功能网络的全局效率,dij表示从第i个节点到第j个节点的最短距离。
7.根据权利要求1所述的一种基于相对小波包熵脑网络和改进版lasso的运动想象脑电识别方法,其特征在于,所述Lasso方法具体包括:优化目标函数:根据特征与标签的互信息和相关性信息,优化Lasso算法的目标函数,所述目标函数包括具体为:
T T 2 T
arg min(||y‑wX||2+α||w||1+βwCw) (8)其中,C表示平方互信息相关性矩阵,w表示每个特征向量的权重系数,α和β表示学习率,控制整个目标函数的优化速度,所述C矩阵的计算公式如下所示:其中,R表示互信息以及相关性的系数矩阵,符号表哈达吗乘积,所述R矩阵中每个元素的计算公式如下所示:
其中,mutInf表示两个特征向量之间的相关性系数,rkl表示R矩阵的每一个系数。
8.根据权利要求1所述的一种基于相对小波包熵脑网络和改进版lasso的运动想象脑电识别方法,其特征在于,所述Relief‑f方法具体为:从训练集D中随机选择一个样本R,从和R同类的样本中寻找k最近邻样本H,从和R不同类的样本中寻找k个最近邻样本M,更新特征权重W,所述特征权重W的更新公式如下所示:其中,diff()表示R样本和H样本在特征A上的差值,mk则表示总体采样的个数。
9.根据权利要求1所述的一种基于相对小波包熵脑网络和改进版lasso的运动想象脑电识别方法,其特征在于,当特征提取完成后,还包括通过分类器对普适性进行验证,K近邻分类器、收缩线性判别分析分类器、随机森林分类器和集成K近邻分类器、收缩线性判别分析分类器得到的集成分类器。