[发明专利]一种基于决策树的脑电信号特征选择方法

说明书

技术领域

本发明涉及脑电研究中的脑电信号分析方法，特别是涉及脑电信号特征选择方法。

背景技术

人的大脑是一个非常复杂的系统，脑电信号（Electroencephalograph，EEG）是通过头皮覆盖电极和导电介质采集到的大脑神经元细胞的放电活动，包含了大量的表征人体生理心理状态的信息。脑电信号的研究是当今科学研究中非常前沿的领域之一，涉及脑电信号的采集、预处理、处理以及脑电信号的应用等多个方面，对认知科学、神经科学、心理学、病理生理学、信息与信号处理、计算机科学、生物技术、生物医学工程乃至应用数学等多个领域的研究都有极其重要的作用。随着脑科学的日益热门，越来越多的研究人员都投入到了脑电信号的研究热潮中。

由于大脑结构的复杂性，大脑活动会引发大脑某个区域或多个区域的放电。为了更加精细而全面地采集到大脑活动区域的EEG信号，研究人员在需要在被试大脑的不同位置采集EEG信号。目前的采集装置基本采用多通道方式，如较常见的有40导、64导、128导和256导电极帽等等。由于脑电信号的采集精度为毫秒级，导致单电极脑电数据具有很高的属性维度，并行处理多导联数据时，脑电数据的维度会更高。另外，根据心理学研究发现，不同的刺激或实验任务会激活不同的大脑功能区，更深入地从大脑生理结构来讲，不同的刺激或实验任务会导致大脑的不同结构的神经元细胞产生放电行为。又根据脑电信号的特征可知，我们采集到的EEG信号有很多冗余信息。因此，在脑电信号的研究过程中，无论是出于减少数据维度的考虑，还是去除无效冗余电极或冗余信息的考虑，对电极的筛选是不可缺少的环节。

传统的电极选择（空间特征选择）方法一般是优势电极重组法，即依据人工统计单个电极的分类效果来选择优势电极（对整体的分类正确率有提升或者没有下降的电极）。该方法有两点不足：（1）依靠主观经验选择电极，容易造成信息偏失；（2）人工操作复杂，费时耗力。

发明内容

针对上述传统的电极选择方法的不足，本发明提出一种基于决策树的脑电信号特征选择方法。该方法充分利用决策树自动选择优势属性（优势特征）的这一特点，使特征选择更客观，从而使脑电信号的分类正确率更高。

实现本发明方法的主要思路是：将采集的多通道脑电信号进行预处理；利用主成分分析法（PCA）对预处理后的脑电信号进行特征提取，得到特征向量；将特征提取后的特征向量输入到决策树中，进行优势特征选择；对决策树选择出的优势特征进行重组；将重组后的优势特征向量输入到支持向量机（SVM）中，进行EEG信号分类，得到分类正确率。

一种基于决策树的脑电信号特征选择方法，包括如下步骤：

（1）采集数据

受试者佩戴电极帽，想象上下移动屏幕上的光标。采集受试者脑电信号，得到训练样本集和测试样本集。

（2）数据预处理

将采集到的所有电极的训练样本集，按样本量不变、维度增加的方法重组成一个训练数据集，即重组成一个矩阵；用同样的方式处理所有电极的测试样本集，得到测试数据集。

将预处理后的测试数据集和训练数据集以维度不变、增加样本量的方法组合成一个数据集，然后再将此数据集平均地分成10份，将其中1份作为测试数据，其它9份作为训练数据。

（3）特征提取

利用PCA对训练数据集和测试数据集进行降维，得到降维后的特征向量。

（4）特征选择

利用决策树对降维后的特征向量进行优势特征选择，得到优势特征在数据集中的位置；再将优势特征对应位置的数据，按样本量不变、维度增加的方法进行重组，得到优势特征向量。

（5）分类

将重组后的优势特征向量输入到SVM分类器中，进行EEG信号分类，求分类正确率。

（6）求分类正确率

轮流选择步骤（2）所述的10份数据中的1份作为测试数据，其它9份作为训练数据，重复步骤（3）、（4）、（5），共进行10次实验，求10次实验所得到分类正确率的平均值，得到最终的分类正确率。

与现有技术相比，本发明具有以下明显的优势和有益效果：

（1）本发明应用决策树进行优势特征选择，操作简单，无需人工参与，节省时间和人力。

（2）本发明应用决策树进行优势特征选择，选择过程中避免了人的主观因素的影响，使选择更客观，分类正确率更高。实验表明，运用本发明方法进行EEG信号分类的平均正确率为89.1%，比运用传统的优势电极重组法提高了0.9%。

附图说明

图1为本发明所涉及方法的流程图；