[发明专利]一种运动想象脑电信号的特征提取方法

权利要求书

1.一种运动想象脑电信号的特征提取方法，其特征在于包括以下步骤：

步骤1，信号采集及预处理；

首先通过脑电采集装置采集n导脑电信号，并将采集到的信号通过有限脉冲响应滤波器进行8～30Hz带通滤波，滤波后信号为x(t)＝[x₁(t),x₂(t),…,x_n(t)]∈R^N×n；其中N为样本点总数，n为脑电导联数目，x_i(t)为第i导滤波后的脑电信号，i＝1,2,…,n，t＝{1,2,…,N}；

步骤2，对步骤1得到的脑电信号x_i(t)(i＝1,2,…,n)进行经验模态分解；

步骤2.1，确定x_i(t)的所有极值点，采用三次样条法对极大值点和极小值点进行拟合，得到上包络线e_imax(t)和下包络线e_imin(t)；

步骤2.2，计算上、下包络线的平均值，公式如下：

mi(t)=ei max(t)+ei min(t)2]]>

步骤2.3，计算剩余信号r_i(t)；

令：

c_i(t)＝x_i(t)-m_i(t)

若c_i(t)不满足固有模态函数IMF整个信号段内极值点和过零点数量相等或至多相差1的筛选停止条件，则将c_i(t)取代x_i(t)重复步骤2.1～2.3；否则，取c_i(t)为分离出的一阶IMF分量，并按照下式计算剩余信号r_i(t)：

r_i(t)＝x_i(t)-c_i(t)

步骤2.4，令x_i(t)＝r_i(t)，重复步骤2.1～2.3的筛选过程，直到r_i(t)的极值点个数小于等于2时，终止经验模态分解过程；

在经验模态分解过程结束时，假设x_i(t)被分解成k阶IMF分量和最终剩余信号r_ik(t)之和，即：

xi(t)=Σj=1kcij(t)+rik(t)]]>

其中，c_ij(t)表示第j次筛选得到的IMF分量；取前g阶IMF分量c_ij(t)(j＝1,2,…,g)构成其中g≤k，g的值可以根据分类准确率进行选取；从而，获得x^(t)=[x^1(t),x^2(t),...,x^n(t)]T∈RE×N,]]>其中E＝g·n；

步骤3，采用共同空间模式方法提取脑电信号特征；

对两类运动想象A和B分别进行T_A、T_B次实验，T_A、T_B为正整数；

步骤3.1，计算混合空间的协方差；

首先，计算两类运动想象信号每次实验的协方差，公式如下：

C=x^(t)x^(t)Ttrace{x^(t)x^(t)T}∈RE×E]]>

其中，为矩阵的迹，即矩阵的对角线元素之和；

然后，分别计算两类运动想象的平均协方差：

CA=1TAΣi=1TACA,i]]>

CB=1TBΣi=1TBCB,i]]>

其中，C_A,i、C_B,i分别表示运动想象A和B的第i次实验的协方差；

进而求得混合空间的协方差：

C_M＝C_A+C_B

步骤3.2，对混合空间协方差进行特征值分解，公式如下：

CM=UMΛMUMT]]>

其中，U_M为特征向量矩阵，Λ_M为特征值对角矩阵；

步骤3.3，进行白化处理；

对Λ_M进行降序排序得到Λ_Md，并对U_M做同样的行列变换得到U_Md；令对C_A、C_B分别进行白化处理，如式如下：

S_A＝PC_AP^T

S_B＝PC_BP^T

利用S_A、S_B具有相同的特征向量的特点，经特征值分解后可得：

S_A＝BΛ_AB^T

S_B＝BΛ_BB^T

其中，B为S_A与S_B的共同特征向量，Λ_A、Λ_B分别为S_A和S_B的特征对角矩阵，且Λ_A+Λ_B＝I，I为单位矩阵；

因此求得空间滤波器矩阵为：

W＝B^TP

对进行W滤波得：Z0=W·x^(t)∈RE×N;]]>

步骤3.4，求特征向量f；

提取Z₀的前m行和后m行(m≤E/2)，构成Z＝[z₁,z₂,…,z_2m]^T∈R^2m×N，然后进行特征提取，计算公式如下：

fi=var(zi)Σj=12mvar(zj)]]>

其中，var(·)表示方差，i＝1,2,…,2m，则特征向量f＝[f₁,f₂,…,f_2m]^T；

步骤4，根据分类结果优化参数；

首先将脑电训练数据和测试数据按照步骤1、2、3提取特征向量，并依据特征训练集和测试集分别对分类器进行训练和测试，然后根据分类准确率确定步骤2.4中g和步骤3.4中m的最优值，即选取分类准确率最高时的g和m值。