[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

说明书

技术领域

本发明集中解决在脑机接口系统设计中，脑电波(EEG)信号的分类问题，着重描述了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。

背景技术

脑机接口(BCI)通过分析大脑信号记录，将神经肌肉疾病患者与计算机连接起来。有了精心设计的脑机接口系统，机器可以更好地帮助或辅助治疗神经肌肉疾病患者。上述脑电波(Electroencephalogram，EEG)信号作为非侵入性获取的信号，是BCI应用系统的设计中研究得最多的。不同模式的EEG信号可以反映人体大脑不同的活动，因此脑电波(EEG)分类是脑机接口系统设计中至关重要的一个步骤。

在脑电波信号的特征提取中，常用的特征有AR模型参数，多变量AR参数，傅里叶变换特征，边缘化离散小波变换系数等。近年来，离散小波边缘化变换系数(mDWT)因可以较好的显示EEG信号的时域瞬态特性，而广泛应用于EEG信号分类。本发明中使用离散小波边缘化变换系数来描述EEG特征。

现有较成功的EEG分类方法是基于支撑向量机，然而基于SVM的方法并没有利用离散小波边缘化变换系数非负且加和为1这一性质。本发明采用的基于超狄利克雷分布的分类，刚好弥补这一点，由于mDWT系数分别来自于相互独立的通道，可以用超狄利克雷分布来模拟，且实验数据表明效果优于支撑向量机。

发明内容

针对现有语音传输过程中的丢包问题，本发明的目的是提供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，以此来提高分类的准确率。

为达到上述目的，本发明提出的非线性最优化缺失值估计方法包括下列步骤：

通道选择步骤：将输入的每个通道变换并归一化后，取能量最大的M个通道形成一个超向量；

非线性去相关步骤：由于每个通道形成的向量是中性向量，可以利用其中性性质进行非线性去相关生成向量u；

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：用贝塔混合模型设计分类器。

通道选择步骤中，输入的EEG信号包含S个相互独立的通道，这一步骤的目的是选出和最后分类任务最相关的M组通道，排除相关性不大的噪声通道，以此来增加最终分类结果的准确率。

步骤如下：

1)将输入的每个通道的EEG信号进行变换，如离散小波变换,傅立叶变换等,得到变换域归一化的K+1维向量[x₁,x₂,...,x_K+1]^T，其元素为：

2)对每一通道算其能量，即平方和：

3)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：

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，符合中性向量的特征。

非线性去相关步骤中，对选定的M个通道中每一通道做去相关。随机变量x＝[x₁,x₂,...,x_K+1]^T，满足x_k≥0且那么x中所有元素都是中性的，向量x是中性向量(neutral vector)。含有K+1个元素的中性向量有K维自由度。本发明利用其中性性质用非线性可逆变换来去相关，使其转换为一组相互独立的变量。由于x中所有元素都是中性的，x_k独立于其他归一化元素，那么其余归一化元素可以组成一个新的中性向量。本步骤的过程如下：

1)输入中性向量：x＝[x₁,x₂,...,x_K+1]^T

2)按图2所示算法流程图做非线性去相关,其中，P＝2^T-(K+1)，0_P是全0的P×1向量，和分别表示x_t中奇数和偶数位置的元素，运算符./表示每个元素分别相除，并特殊定义0/0＝1；

3)输出：