[发明专利]一种基于改进S变换的运动想象分类识别方法

权利要求书

1.一种基于改进S变换的运动想象分类识别方法，其特征在于，包括以下步骤：

S1：获取脑电信号，并对脑电信号进行预处理；所述脑电信号包括训练集、测试集、训练集标签和测试集标签；

S2：采用改进S变换对预处理后的脑电信号的每一个信道提取功率谱密度特征数据；

S3：将所有训练集特征数据和训练集标签放入采用径向基函数的支持向量机分类器中进行训练得到训练模型，根据训练模型预测出测试集预测标签，并将测试集预测标签与实际的测试集标签进行比较，得到分类正确率；

S4：进行信道选择，获得最终的分类正确率。

2.根据权利要求1所述的基于改进S变换的运动想象分类识别方法，其特征在于，

步骤S1中所述对脑电信号进行预处理是指对脑电信号进行降采样处理和滤波处理。

3.根据权利要求2所述的基于改进S变换的运动想象分类识别方法，其特征在于，步骤S2还包括：

不断调整改进S变换的尺度因子p和q，获得不同尺度因子p和q下的训练集特征数据和测试集特征数据，并保存；

其中改进S变换的表达式为

其中高斯窗函数

高斯窗函数标准差为

其中，τ为平移因子，f为频率，t为时间，i为虚函数；p和q为尺度因子。

4.根据权利要求3所述的基于改进S变换的运动想象分类识别方法，其特征在于，步骤S3中所述将所有训练集特征数据和训练集标签放入采用径向基函数的支持向量机分类器中进行训练得到训练模型，根据训练模型预测出测试集预测标签具体包括：

不断调整支持向量机分类器的惩罚参数c和核函数参数g，训练出不同惩罚参数c和核函数参数g的分类模型，利用分类模型对测试集特征数据进行预测，得到测试集预测标签。

5.根据权利要求4所述的基于改进S变换的运动想象分类识别方法，其特征在于，所述分类模型具体为：

如果训练集特征数据线性可分，支持向量机分类器所对应的分类模型为：

f(x)＝W^T*X+b；

如果训练集特征数据不能线性可分，支持向量机分类器所对应的分类模型为：

其中，表示X映射后的特征向量，X表示训练集，W是权重向量，W^T表示W的转置，b为偏置。

6.根据权利要求5所述的基于改进S变换的运动想象分类识别方法，其特征在于，步骤S3中将测试集预测标签与实际的测试集标签进行比较，得到分类正确率具体通过以下公式得到分类正确率：

7.根据权利要求4、5或6所述的基于改进S变换的运动想象分类识别方法，其特征在于，步骤S4所述进行信道选择，获得最终的分类正确率具体包括：

S4-1：根据分类正确率筛选出最优尺度因子p和q；

S4-2：对最优尺度因子p和q下提取的训练集特征数据利用交叉验证法得到每个信道的交叉验证准确率；

S4-3：根据交叉验证准确率剔除不合格信道，对剩余信道使用排除法和穷举法进行信道选择，剔除干扰信道和噪声信道，对最终剩余信道进行测试获得最终分类正确率。

8.根据权利要求7所述的基于改进S变换的运动想象分类识别方法，其特征在于，步骤S4-2中每个信道的交叉验证准确率由下式求得：

其中每次交叉验证准确率由下式求得：