[发明专利]基于W‑PCA和无监督GHSOM的脑电信号识别方法

权利要求书

1.基于W-PCA和无监督GHSOM的脑电信号识别方法，W-PCA中文简称多尺度主元分析，GHSOM中文简称为基于生长、分层的自组织映射，其特征在于，该方法包括以下步骤：

步骤1，获得脑电信号；

实验者戴上电极帽放松安静地坐在计算机前，按照屏幕上提示的向左、向右的命令执行左、右手想象运动，通过差分电极从国际标准的10～20导联系统的C3、C4电极获得数据；

步骤2，脑电信号预处理；

利用FIR滤波器对采集的脑电信号进行8-30H_Z带通滤波，以获取较为明显的相关去同步化ERD生理特征数据段；

步骤3，基于小波变换结合主元分析对脑电信号在多尺度上进行特征提取；

步骤4，利用无监督GHSOM神经网络对特征向量进行分类；

步骤3所述基于小波变换结合主元分析对脑电信号在多尺度上进行特征提取的方法包括以下步骤：

(1)提取C3通道采集到的想象左、右手运动脑电信号特征：

首先，选择Daubechies类db5小波函数对C3通道想象左、右手运动脑电信号数据集LC3、RC3的所有采样点分解5层，得到每一尺度上相应的小波分解系数，小波分解的表达式为：

式中，h(k)和g(k)- 为 共轭镜像滤波器组，分别对应低通和高通滤波器的单位脉冲；将信号从尺度j到尺度j+1逐步分解，j为分解层数，小波分解后的小波系数为是分解得到的低频信号，即原信号的逼近信号，D_jf是分解得到的高频信号，即细节信号；

然后，对小波系数进行主成分分析，选取贡献度高的主元作为区分C3通道采集的想象左、右手脑电信号的特征向量，并将其标记为Feature_A、Feature_B，其中，Feature_A表示想象左手运动特征向量集，Feature_B表示想象右手运动特征向量集；

(2)提取C4通道采集到的想象左、右手运动脑电信号特征：

选择Daubechies类db5小波函数对C4通道想象左、右手运动脑电信号数据集LC4、RC4的所有采样点由式(1)分解5层，得到每一尺度上相应的小波分解系数；然后，对小波系数进行主成分分析，选取贡献度高的主元作为区分C4通道采集的想象左、右手脑电信号的特征向量，并将其标记为Feature_C、Feature_D，其中，Feature_C表示想象左手运动特征向量集，Feature_D表示想象右手运动特征向量集；

(3)将C3、C4两个通道的特征进行串联作为区分想象左、右手运动的特征向量XL＝[Feature_A，Feature_C]，XR＝[Feature_B，Feature_D]，其中，XL表示想象左手运动特征向量集，XR表示想象右手运动特征向量集。

2.根据权利要求1所述的基于W-PCA和无监督GHSOM的脑电信号识别方法，其特征在于，步骤4所述利用无监督GHSOM神经网络对特征向量进行分类的方法包括以下步骤：

(1)在XL、XR中分别随机选取样本向量组成训练特征向量作为GHSOM网络的输入向量数据集X，求其平均值作为GHSOM网络第0层映射单元U₀的权值向量，即GHSOM网络的第0层只含有一个由一个映射单元U₀构成的SOM映射网络；分别由式(2)和式(3)计算映射神经元的量化误差qe₀和SOM映射网络的量化误差QE₀：

qe_i＝∑_j||w_i-x_j|| (2)

其中，i是第n层SOM映射网络中的第i个神经元，x_j是映射到映射单元i的输入向量数据，m为第n层SOM映射网络中所包含的神经元数目；w_i为映射神经元i的权值向量，qe_i为w_i的欧氏距离；

QE₀＝qe₀，且不满足整个网络层数生长准则函数qe_i＜τ₁qe₀，其中，τ₁在0～1之间取值，用于控制GHSOM网络的层数，需建立一个2×2的子层作为GHSOM网络的第1层SOM映射网络，第0层只有一个神经元，从第0层拓展出1个2×2的SOM映射网络分层生成第1层，在第1层SOM网络训练过程中，神经元2拓展出2×2的SOM映射网络并增加了一行神经元，变成3×2的SOM映射网络；神经元4拓展出2×2的SOM映射网络并增加了一列神经元，变成2×3的SOM映射网络；

(2)对GHSOM网络进行训练，即代表输入向量的神经元进行竞争，拥有权向量与输入向量之间的欧氏距离最小的神经元为获胜神经元；调整获胜神经元和邻域神经元的权值更加接近输入向量，以达到分类目标；对第一层SOM网络反复训练K次之后，根据两个准则函数qe_i＜τ₁qe₀和QE_n＜τ₂qe_i对其进行判断，以自适应调整网络层数和每层SOM映射网络的大小，其中τ₂在0～1之间取值，用于控制GHSOM网络每层SOM网络的神经元个数；

(3)将XL、XR中剩下样本向量作为测试数据集输入完成训练的分类器，利用固定的权向量集对其进行识别，以测试分类器的优劣：测试数据集向量与完成训练的权向量通过Sigmoid函数计算得到节点的输出值，最大值对应神经元为其代表神经元，再与训练得到的代表两类信号的神经元进行对比，判断其是否被正确识别。