[发明专利]一种运动执行的单次脑电特征提取分类方法

说明书

一种运动执行的单次脑电特征提取分类方法，该方法将多元经验模态分解算法和共同空间模式算法进行结合，对运动执行的单次脑电进行处理，提取出表征不同运动意图的脑电信号特征后，对提取的脑电信号特征进行分类，得出单次运动执行脑电所表征的运动执行类别，本方法能够解决现有多分类运动执行任务分类正确率较低的问题，通过结合多元经验模态分解和共同空间模式，有效提高多任务脑电信号的识别率，降低了运算过程的复杂度。

技术领域

本发明属于脑电信号识别控制技术领域，特别涉及一种运动执行的单次脑电特征提取分类方法，基于多元经验模态分解和共同空间模式的运动执行单次脑电分类方法，用于不同运动执行的脑电信号模式识别研究。

背景技术

大脑是人体最重要的生理器官，通过指导神经肌肉来使人体进行一系列行为活动。但是，不少疾病能降低甚至阻隔大脑与神经之间的传递功能，致使人体丧失肌肉活动能力。研究表明，人脑在结构和功能上具有可塑性，早期正确的康复训练能促进脑神经修复，减少神经元死亡，改善患者的运动功能。因此，利用脑损伤患者康复训练过程中的脑电信号来准确提取患者主动意识特征，并对不同的运动意图进行模式识别分类研究，之后根据该运动意图对患者进行主动康复训练，对于促进患者的运动功能康复具有重要的理论意义和应用价值。

一种典型的手部动作模式识别算法主要包括两个阶段：特征提取和分类。在特征提取的过程中，如何将不同信号的隐含信息转化为特征明显、区分度高的信号，直接关系到分类识别的结果。使用不同的特征提取算法，可以得到不同的分类正确率。目前，用于脑电信号特征提取的算法主要包括时域、频域和时频分析方法，其中共同空间模式凭借其可以有效提高信噪比、不需人工干预的优点得到了广泛应用，但是CSP是基于二阶统计量的，对信号野值点比较敏感，这些野值点会影响协方差矩阵的计算，从而使得投影矩阵的方向发生偏转，进而导致特征的可分性降低。多元经验模态分解是近些年来发展起来的一种非平稳信号的分解方法，已经有学者将其与CSP结合起来用于脑电信号的特征提取，但是这种算法只选择了特定频段的2-3个MIMF分量对信号进行重构，并不包含全频段的脑电信息，因此分类正确率仍然不高。

发明内容

针对现有的多类运动执行任务分类正确率较低等问题，本发明的目的是提供一种运动执行的单次脑电特征提取分类方法，基于多元经验模态分解和共同空间模式的运动执行单次脑电信号分类方法，CSP算法可以从空间角度提取多通道信号的特征，有效提高信号的信噪比；MEMD方法可以将非线性非平稳的脑电信号分解为多个平稳的本征模态函数，实现非平稳信号的平稳化处理，将两种方法结合起来用于脑电信号的特征提取，可以有效提高多任务脑电信号的识别率。

为达到上述目的，本发明提供如下技术方案：

一种运动执行的单次脑电特征提取分类方法，包括以下步骤：

步骤一：获取多通道运动执行脑电信号并对脑电信号进行预处理；

步骤二：分别对每组脑电信号X(t)进行MEMD分解；脑电信号经过MEMD分解后产生m个频率由高到低排列的MIMF分量，每个MIMF都为一个时间长度为t的n通道信号，各通道信号都处于同一频段内；

步骤三：通过一对多CSP算法构造K分类的空间滤波器W1,W2,...,WK，通过脑电信号在空间滤波器中的滤波效果得出不同运动执行所对应空间滤波器下的特征向量，进而通过对特征向量进行对数运算，减少特征维数，同时可以进一步增强不同运动执行的特征间差异；

步骤四：采用PCA特征降维的方法将得到特征进行组合，在减少特征向量维数的基础上，最大程度地保留特征间的差异。

步骤五：利用一对多的支持向量机分类算法，对多类任务的脑电信号进行分类识别，根据各个分类器输出的决策值大小确定每个测试样本的唯一属性。