[发明专利]一种基于非高斯中性向量特征选择的脑电波(EEG)信号分类方法

权利要求书

1.一种基于非高斯中性向量特征选择的脑电波信号分类方法，其特征在于，包括以下步骤：

通道选择步骤：将输入的每个通道的EEG信号进行离散小波变换,得到小波变换系数w(k,j)，再边缘化得到离散小波边缘化变换因子mDWT向量有：

ck=Σj=0L/2K-1|w(k,j)|k=1,...,K-1Σj=0L/2K-1|wH(K,j)|k=KΣj=0L/2K-1|wL(K,j)|k=K+1,]]>

变换域归一化的K+1维向量[x₁,x₂,...,x_K+1]^T，其元素为：

xk=ckΣi=1K+1ci,k=1,...,K+1]]>

对每一通道算其能量，即平方和：

Es=Σi=1K+1xi2,s=1,...,S]]>

取E_s值最大的M个通道作为后面步骤分析的通道，这M个通道的所有元素形成一个超向量：

xsup=[x1T,x2T,...,xMT]T;]]>

上述超向量中，每个通道即x_m中的元素都非负且加和为1，其中1≤m≤M，符合中性向量的特征；

非线性去相关步骤：对每个通道的中性向量x＝[x₁,x₂,...,x_K+1]^T，利用其中性性质进行去相关操作获取非线性去相关矢量u；具体步骤如下:对每个通道的中性向量x进行补零生成其中，0_P是全0的P×1向量，P＝2^N-(K+1)，进行N轮循环获取非线性去相关矢量其中1≤t≤N,x₁＝x_zp，和分别表示x_t中奇数和偶数位置的元素，运算符./表示逐元素相除，并特殊定义0/0＝1，u_t由中非零元素组成；

特征选择步骤：按差分熵或方差从大到小排序，对每个通道分别取N_m个为最终特征；

贝塔分类器设计步骤：每个脑电波信号通道中获取的N_m维去相关矢量特征维度间互相独立满足多维贝塔分布：

f(u~)=Πr=1NmBeta(ur;ar,br),]]>

对于选取的M个通道，共选了维变量，分布为：

f(u~sup)=Πi=1MΠr=1NmBeta(u~ir;air,bir)]]>

贝塔分布的参数可以通过如下步骤获取:

1)x＝[x₁,x₂,...,x_K+1]^T满足狄利克雷分布，其分布参数为α＝[α₁,α₂,...,α_K+1]^T，初始设α₁＝α，i＝2；

2)若length(α_i)≠2，重复以下步骤：

α_l,i＝α_2l-1,i-1+α_2l,i-1

a_l,i-1＝α_2l-1,i-1,b_l,i-1＝α_2l,i-1

其中L＝length(α_i-1)-1，若L为偶数取1≤l≤L/2，若L为奇数取1≤l＜(L+1)/2；

若L为偶数取α_i＝[α_1,i,...,α_l,i,α_L+1,i-1]^T，若L为奇数取α_i＝[α_1,i,...,α_l,i]^T；

a_i-1＝[a_1,i-1,...,a_l,i-1]^T,b_i-1＝[b_1,i-1,...,b_l,i-1]^T；

3)若length(α_i)＝2

设a_i＝α_1,i,b_i＝α_2,i，输出参数：

训练数据包含两类，分别标记为C∈{+1,-1}，利用+1样本和-1可以分别训练两个模型与来表征正常与有病的脑电波信号；

分类测试时提取M个通道的超特征矢量并利用最大后验公式

进行判决，

其中p(C)为先验概率，表示训练数据中+1样本与-1样本的比例。

2.如权利要求1所述的一种脑电波信号分类方法，其特征在于，特征选择步骤中，由于狄利克雷变量是完全中性向量，去相关之后得到向量u中的各个元素相互独立，根据可交换性，可加性，和中性性质，向量u中的每个元素都是符合贝塔分布Beta(x；a,b)；按差分熵或方差从大到小排序，每一个通道取最大的N_m个为最终特征，这一步骤可通过如下两种方法分别实现：

(1)按x的方差计算：

var(x)=E{[x-E(x)]2}=ab(a+b)2(a+b+1);]]>

(2)按x的差分熵计算：

H(x)=-E[ln Beta(x;a,b)]=lnΓ(a)Γ(b)Γ(a+b)-(a-1)ψ(a)-(b-1)ψ(b)+(a+b-2)ψ(a+b),]]>

其中，E[·]为求期望操作，