[发明专利]基于约束极速学习机的脑电信号分类方法

权利要求书

1.基于约束极速学习机的脑电信号分类方法，包括：

步骤1，对脑电信号进行特征提取，得到脑电信号的特征；

处理对象为一组训练数据集TrainData和一组测试数据集TestData，TrainData的样本量为N，维度为D；TestData的样本量为M，维度同样为D；其中TrainData与TestData中样本属于K个类别；

步骤1.1，采用固定时间窗把TrainData和TestData均分成S段脑电子信号；TrainData_i代表训练数据集中第i段子信号，每段子信号的维度为D_i，i＝1,2,…,S；TestData_i代表测试数据集中第i段子信号，每段子信号的维度为D_i，i＝1,2,…,S，D₁＝D₂＝…＝D_i＝W；

步骤1.2，对步骤1.1所得到的每一段子信号TrainData_i和TestData_i通过主成分分析方法进行降维；将特征值从大到小进行排序后，再根据累计贡献率，只保留前m个最大特征值对应的特征向量组合M_PCA＝[Φ₁,Φ₂,...,Φ_m]作为投影空间向量；将TrainData_i和TestData_i同时投影到M_PCA上，可得到PCA降维后的训练数据Train_i和测试数据Test_i；

步骤1.3，对步骤1.2中得到的特征向量通过线性判别分析LDA方法进行二次降维：

根据LDA准则，利用Train_i中不同类别样本的类间离散度矩阵以及同一类别样本的类内离散度矩阵计算出LDA的投影空间向量w^*；

把Train_i与Test_i投影到w^*上，得到第i段脑电子信号的特征：

TrainFeature_i＝Train_i·w^*

TestFeature_i＝Test_i·w^*

步骤1.4，对每一段子信号均按照步骤1.2和步骤1.3进行处理，计算出所有的TrainFeature_i与TestFeature_i，进行组合后得到最终的特征TrainFeature与TestFeature：

TrainFeature＝{TrainFeature₁，TrainFeature₂，…，TrainFeature_x}

TestFeature＝{TestFeature₁，TestFeature₂，…，TestFeature_x}

其特征在于还包括：

步骤2，用所述步骤1.4得到的特征TrainFeature训练约束极速学习机分类器模型，将TestFeature送入训练好的模型进行分类。

2.根据权利要求1所述的应用约束极速学习机对脑电信号进行分类的方法，其特征在于，所述步骤2进行分类的方法还包括以下步骤：

步骤2.1，给定隐层节点个数L和激励函数g(x)；随机产生输入权值a_i和偏置值b_i；x_i代表输入的第i个训练样本，即TestFeature_i，y_i代表x_i对应的标签；

步骤2.2，从TrainFeature的两个不同类c₁和c₂中分别随机取两个样本和，计算差分向量

步骤2.3，如果足够小，则从差分向量中删除继续执行步骤2.2；如果与差分向量里面已有的向量平行，则从差分向量中删除继续执行步骤2.2；

步骤2.4，计算标准化差分向量w和对应的偏置b：

w=2(xc2-xc1)||xc2-xc1||L22]]>

b=(xc1+xc2)T(xc2-xc1)||xc2-xc1||L22;]]>

步骤2.5，用向量w和偏置b构造权重矩阵W_n×L和偏置向量b_1×L；

步骤2.6，如果差分向量的个数小于L个，重复执行步骤2.2～2.5；

步骤2.7，计算隐含层的输出矩阵：

H=G(a1,b1,x1)...G(aL,bL,x1).........G(a1,b1,xN)...G(aL,bL,xN)N×L]]>

式中，G(a_i,b_i,x)＝g(x·a_i+b_i)；

步骤2.8，通过最小二乘法计算隐层节点的输出权重矩阵β_L×M：

β_L×M＝H⁺Y

式中，H⁺是广义逆矩阵，Y=y1T...yNT;]]>

步骤2.9，通过训练分类器模型，将TestFeature送入分类器进行分类，得到一组预测标签；预测标签与真实标签进行比较求出分类正确率；

步骤2.10，重复步骤2.1～2.9Z次，Z不小于50，计算出Z次的平均分类正确率作为最终的分类正确率。