[发明专利]基于DTCWT和IL-MVU的运动想象脑电信号的特征提取方法

权利要求书

1.基于DTCWT和增量式地标点最大 方差 展开 IL-MVU的运动想象脑电信号的特征提取方法，其特征在于：

步骤1，信号预处理；

根据MI-EEG信号产生的特点，MI-EEG的α节律和β节律中包含了特征较为明显的信息，并且C3和C4两通道的MI-EEG信号的事件相关同步/事件相关去同步现象最为明显，因此首先根据所有实验的C3和C4两导信号的平均能量谱分析确定脑电特征的有效时间范围，ch导联平均能量由下式计算：

其中，N代表运动想象任务次数，da^ch(u，v)代表MI-EEG信号第u次运动想像任务ch导联的第v个采样点的信号幅值，ch表示导联名称，ch＝{c3，c4}；依此得到想象左右手运动的平均能量谱，根据平均能量谱选取ERS/ERD现象最为明显的时间段OT[min，max]；

步骤2，对原始脑电信号进行L层双树复小波分解并对各子带的小波系数进行重构；

双树复小波变换由两次离散小波变换构成，两次离散小波变换分别构成实部树与虚部树，信号S(t)经双树复小波分解后得到两组小波系数与尺度系数，分别记为和由此得到双树复小波分解后各层复小波系数与复尺度系数表示如下：

其中，i为虚数单位；

假设由重构得到j尺度下的细节分量Dt_j，由重构得到近似分量A_L，则对于信号S^ch(t)的L层双树复小波分解可以表示为：

从而，将信号S^ch(t)划分为多个子带信号；设信号S^ch(t)的采样频率为f_s，则各分量分别所对应的频带范围依次为：[0，f_s/2^L+1]，[f_s/2^L+1，f_s/2^L]，[f_s/2^L，f_s/2^L-1]，…，[f_s/2²，f_s/2]；

步骤3，时频特征提取；

对步骤2中重构好的子带信号A_L，Dt_L，Dt_L-1…Dt₁进行截取，将其最优时间段OT内的数据分别记为设置长为2s的滑动时间窗，计算的能量如下：

针对C3和C4导联信号，选取频带范围与α节律和β节律相近的两个分量，分别记为并对其进行能量归一化：

每次滑动一个采样点，计算滑动时间窗内两个子带信号的归一化能量获得相应能量序列和其长度为(max-min-2fs+2)；进而，计算每个能量序列的均值

最后，由下式计算C3与C4导联在α节律和β节律的平均能量差AE_α,AE_β：

因此，对于每次运动想象任务，可以得到一个二维时频能量特征，记为F₁，表示如下：

F₁＝[AE_α AE_β]^T∈R^2×1 (9)

步骤4,非线性特征提取；

计算的平均功率谱，ry＝{α，β}，选取ERS/ERD现象最为明显的节律，得到以作为IL-MVU的输入；

步骤4.1，假设表示第u次运动想像任务的第v个采样点，为了得到更明显的初始特征，定义dS(u，v)如下式：

从而，获得第u次运动想像任务的初始高维特征D_u∈R^{(max-min+1)×1}如下：

D_u＝[dS(u，min)，dS(u，min+1)，…，dS(u，max)]^T,u＝1,2,…,N (11)

进而，构成初始高维特征集D∈R^{(max-min+1)×N}，并将其分为高维训练特征集为和高维测试特征集为两部分；

步骤4.2，针对高维训练特征集Tr设定L-MVU算法初始参数：地标点个数为m,低维特征维数为d，计算权值矩阵的近邻数为r，求解SDP问题的近邻数为k；将高维训练特征集Tr输入L-MVU算法，得到Tr的低维表示如下式：

步骤4.3，提出IL-MVU算法，并用于求取高维测试集Te的低维特征集Y^te；

针对高维测试特征集Te的一个新数据Te_u(u＝1，2，…，N-n₁)，首先在高维训练数据集Tr中求得其p个近邻点,记为p_uv(v＝1，2，…，p),得到Te_u的近邻点集合Ne_u为：

Ne_u＝{p_u1，p_u2，…，p_up} (13)

通过最小化式(14)中的ε,得到Te_u的重建权值向量W_u＝[W_u1，W₂，…，W_ip]；

式(14)满足约束条件：

在Y^tr中找到与近邻点p_uv相对应的低维表示,记为q_uv,按照高维空间中距离很近的点经过流行学习方法降维后在低维空间中依旧距离很近的原则，设重建权值向量W_i不变，则高维测试集特征Te_u的低维非线性特征计算如下：

从而，获得低维测试特征集为：

步骤4.4，对于任意一次运动想象，可以获得一个d维非线性特征F₂∈R^d×1；因此，可得到相应的低维特征训练集及特征测试集

步骤5，特征融合；

将步骤3得到的特征F₁与步骤4得到的特征F₂进行特征融合，得到本方法提取的特征向量F∈R^(2+d)×1，记作：

其中，将F₁放大100倍是为了与F₂达到同一数量级，以平衡两类特征的作用，有利于提高分类精度。