[发明专利]一种模式识别方法和脑电波信号处理方法以及基于脑电波的智能家居控制系统

说明书

技术领域

本发明涉及一种脑-机接口技术领域，更具体的是，本发明涉及一种模式识别方法和脑电波信号处理方法以及基于脑电波的智能家居控制系统。

背景技术

脑-机接口(Brain Computer Interface,BCI)技术是在人脑与计算机或其它电子设备之间建立的直接的交流和控制通道，通过这种通道，人就可以直接通过大脑来表达想法或操纵设备，而不需要语言或动作，这可以有效增强身体严重残疾的患者与外界交流或控制外部环境的能力，以提高患者的生活质量。

脑电信号是大脑组织电活动和大脑功能状态的综合反映，是一种机理相当复杂的随机信号，传统智能家居系统中，采集脑电波信号后，采用BP神经网络或者小波变换方法对脑电波信号进行处理，往往处理过的脑电波信号并非纯净无污染，导致用户通过脑电波控制智能家电时，系统不能清楚的识别用户的控制指令，控制智能家电过程较漫长，甚至生成错误指令，正确率低。

发明内容

为解决脑电信号控制智能家电过程较长，正确率低这一技术问题，本发明设计开发了一种基于极限学习机算法的模式识别方法，本方法仅需要设置网络的隐层节点个数，在算法执行过程中不需要调整网络的输入权值以及隐元的偏置，产生唯一的最优解。

本发明还提供了一种脑电波信号处理方法，可以将采集的脑电波信号处理。

本发明还设计了一种基于脑电波的智能家居控制系统，根据处理后的脑电信号，可以快速、正确对家居设备生成控制指令。

本发明提供的技术方案为：

一种基于极限学习机算法的模式识别方法，其特征在于，包括训练阶段：

步骤1：给定训练集N＝{(x_i,t_i)|x_i∈Rⁿ,t_i∈Rⁿ,i＝1,2,3,…L}，激励函数隐层节点数L，通过公式(1)设定单隐层前向网络：

其中，x_i为第i个样本，β_i为第i隐层节点的输出权值，a_i和b_i分别为随机生成的输入神经元与第i个隐层节点的输入权值和偏置，y_j为第j个隐含层的单隐层前向网络的输出，t_i表示第i个样本的实际标签；

步骤2：根据步骤1中的单隐层前向网络，并通过公式(2)拟合训练样本；

步骤3：通过公式(3)调整(a_i，b_i，β_i)；

步骤4：通过公式(4)计算输出权值矩阵β，

t＝Hβ (4)

其中，H为隐含层输出矩阵，

β为输出权值矩阵，

β＝[β₁，β₂，…,β_N]^T

t为目标矩阵。

t＝[t₁，t₂，…,t_N]^T

优选的是，根据公式(5)对所述训练阶段进行优化：

优选的是，

(1)当L＝N时，通过公式(6)计算β；

β＝H^-1t (6)

(2)当L<<N，通过公式(7)计算β。

β＝H⁺t (7)

相应地，本发明提供一种脑电波信号处理方法，包括：

步骤1：采用盲源分离去噪预处理方法对脑电波信号进行去噪预处理；

步骤2：采用小波包变换特征提取方法对脑电波信号进行特征提取；

步骤3：采用上述的基于极限学习机算法的模式识别方法对脑电波信号进行模式识别。

优选的是，所述盲源分离去噪预处理方法包括以下步骤：

步骤1：去均值

一组含噪声的混合信号x(t)，给定其数学期望为E[x(t)]，对混合信号x(t)进行中心化处理得到观测矢量

其中，t为时间序列；

步骤2：白化

通过公式(9)将去均值后的观测矢量进行线性变换排列矩阵P，得：

其中，v(t)中各个分量互不相关，且满足E[v(t)v^T(t)＝I]，I为单位矩阵；