1.一种基于个体自适应的运动想象脑电特征表征方法,其特征在于,具体包括如下步骤:
步骤1,获取受试者多类别多通道运动想象脑电信号并进行预处理,利用巴特沃兹滤波器对预处理后的脑电信号带通滤波后进行频带划分,得到多个子频带下的脑电信号样本数据;
步骤2,对于步骤1得到的各子频带下的脑电信号样本数据,通过ReliefF的自适应通道选择方法,完成各频带下最优通道集的选择;
步骤3,对于步骤2所述各频带下的最优通道集,利用SBH‑CSP方法完成各频带的有效特征提取,将提取到的有效特征进行特征融合,得到各频带下的融合特征;
步骤4,将各频带下的融合特征按照一定比例划分为训练特征集和测试特征集;利用SVM算法构建网络模型,并利用训练特征集对所述网络模型进行训练,利用测试特征集对网络模型进行测试,得到各频带下的融合特征的分类识别结果。
2.根据权利要求1所述的一种基于个体自适应的运动想象脑电特征表征方法,其特征在于,所述步骤1的具体方法如下:步骤1.1,获取受试者多类别多通道运动想象脑电信号并进行预处理,包括小波去噪、共平均参考和基线校正;
步骤1.2,利用6阶巴特沃兹滤波器对预处理后的脑电信号进行8~32Hz的带通滤波,并对滤波后的脑电信号进行频带平均划分,得到6个子频带脑电信号;
步骤1.3,对每一个子频带脑电信号均进行样本划分,得到每一个子频带下的高维脑电信号样本数据;其中,第i个子频带的高维脑电信号样本数据表示为:式中, 为第i个子频带脑电信号的第j个通道,i=1,2,3,4,5,6,j=1,2,…,n,t=
1,2,…,N;N为脑电信号采样点总数,n为脑电信号通道总数,t为第t个采样点。
3.根据权利要求1所述的一种基于个体自适应的运动想象脑电特征表征方法,其特征在于,步骤2所述通过ReliefF的自适应通道选择方法,完成各频带下最优通道集的选择,具体方法如下:
步骤2.1,对于高维脑电信号样本数据,提取每个通道的5个时频域观察特征,即频带能量、功率、功率谱密度、瞬时能量和小波包能量;
步骤2.2,利用ReliefF的自适应通道选择方法计算每个观察特征的权重,并根据权重由大到小进行排列;
步骤2.3,根据观察特征权重大小的通道分布情况,挑选出每个子频带符合要求的通道,得到各频带下最优通道集。
4.根据权利要求3所述的一种基于个体自适应的运动想象脑电特征表征方法,其特征在于,所述步骤2.1中,频带能量的计算公式为:式中,B为频带能量,N为脑电信号采样点总数,t为第t个采样点, 为第i个子频带脑电信号的第j个通道,i=1,2,3,4,5,6,j=1,2,…,n,t=1,2,…,N;n为脑电信号通道总数,J表示虚数单位,ω表示角频率;
功率的计算公式为:
式中,T为功率;var()为协方差函数;
功率谱密度的计算公式为:
式中,P'为功率谱密度;
瞬时能量的计算公式为:
式中,I为瞬时能量,*表示卷积运算;
小波包能量的计算公式为:
式中,W为小波包变换能量, 表示 经过小波包分解重构后的信号。
5.根据权利要求1所述的一种基于个体自适应的运动想象脑电特征表征方法,其特征在于,步骤2.2所述利用ReliefF的自适应通道选择方法计算每个观察特征的权重,具体方法如下:
对步骤1所述脑电信号样本数据中的每一个样本标注类别标签;
对于任一观察特征,首先,从步骤1所述脑电信号样本数据中随机选择一个样本Rq;
然后,在与样本Rq相同类别标签的样本数据中选择k个最近邻样本,并在与样本Rq不同类别标签的样本数据中选择k个最近邻样本;
最后,根据权重单次迭代公式不断更新所述观察特征对应的权重,循环计算M次,直至所述样本数据中全部样本均完成计算,得到该观察特征的最终权重;所述权重单次迭代公式为:
q+1 q
式中,W (Al)为第q+1个样本的第l个观察特征A的权重;W (Al)为第q个样本的第l个观察特征A的权重;Al为第l个观察特征A;Hr为与样本Rq相同类别标签的k个最近邻样本中的第r个样本;p(C)为在样本中属于类别C的样本所占比值;p(Class(Rq))为与样本Rq相同类别标签的样本占样本数据总样本的比值,其中Class(Rq)为样本Rq的标签;Mr(C)为与样本Rq不同类别标签k个最近邻样本中的第r个样本,r=1,2,3…k;函数diff(A,R1,R2)表示样本R1和样本R2在观察特征A上的差,计算方法如下:R1[A]表示在样本R1上观察特征A的值;R2[A]表示在样本R2观察特征A上的值;max(A)表示在样本R1和R2上观察特征A的最大的值;min(A)表示在样本R1和R2上观察特征A的最小的值。
6.根据权利要求1所述的一种基于个体自适应的运动想象脑电特征表征方法,其特征在于,步骤3所述利用SBH‑CSP方法完成各频带的有效特征提取,具体包括如下步骤:步骤3.1,针对各频带构建各自对应的CSP模型,所述CSP模型具体为:记X1和X2为步骤1中任意两种类别运动想象脑电信号矩阵;
求上述两种类别运动想象脑电信号矩阵归一化后的协方差矩阵RI和RII分别为:式中,上标T表示矩阵的转置,trace()表示矩阵的迹;
求解混合空间协方差矩阵R:
式中, 分别表示两种类别运动想象脑电信号的平均协方差矩阵;
对混合空间协方差矩阵R进行特征值分解:T
R=UΛU
式中,U是矩阵R的特征向量矩阵,Λ是混合空间协方差矩阵R对应的特征值构成的对角矩阵;其中 且λ1,λ2…λL分别为L个特征值,矩阵U中每个列向量uα是矩阵R对应于特征值λα的特征向量,α=1,2,3…L;
将求解得到的对角矩阵Λ按照其特征值进行降序排列后,求白化矩阵P:‑1
式中,Λ 表示矩阵Λ的逆矩阵;
分别对两种类别运动想象脑电信号矩阵归一化后的协方差矩阵RI和RII进行白化处理并进行主成分分解:
式中,S1表示矩阵RI白化处理后的矩阵;S2表示矩阵RII白化处理后的矩阵;B1表示矩阵S1的特征向量矩阵,B2表示矩阵S2的特征向量矩阵;Λ1、Λ2分别对应矩阵S1和S2特征值所构成的对角矩阵;
矩阵RI和RII白化处理后,满足B1=B2,Λ1+Λ2=E,则得到S1的最大特征值所对应的特征向量使S2有最小的特征值;其中E表示单位矩阵;
则求得空间滤波器所对应的投影矩阵W为:T
W=BP
式中,B=B1=B2;
将步骤1所述对应频带下的样本脑电信号矩阵通过空间滤波器W,得到特征向量矩阵Z:Z=WX
式中,X为不同类别运动想象脑电信号矩阵,X=X1,X2。
接着在特征向量矩阵Z中,提取前m个和后m个特征值所对应的特征向量,并构成空间滤波信号Zp,p=1,2,…,2m,并归一化求得特征向量:式中,y为对应频带下的脑电信号样本归一化后的特征向量,Zpo表示空间滤波信号Zp的第po行信号;var()为协方差函数;
步骤3.2,计算各频带下特征向量矩阵Z中对应的前四个特征值之和,并选择特征值之和最大的两个频带,设置这两个频带的特征参数为4;计算剩余四个频带下的特征向量矩阵Z对应的前三个特征值之和,选择特征值之和最大的两个频带,设置这两个频带的特征参数为3;将最终剩余的两个频带设置其特征参数为2;
步骤3.3,利用CSP对各频带下脑电信号进行特征提取,并根据步骤3.2中各频带特征参数获得有效特征数量集。