[发明专利]基于共同空间模式特征宽度学习的脑电分类方法

权利要求书

1.基于共同空间模式特征宽度学习的脑电分类方法，其特征在于：该方法包括以下步骤：

步骤(1)获取多通道运动想象脑电信号，并进行预处理操作；

步骤(2)采用一对多的共同空间模式对预处理之后的数据进行特征提取；

步骤(3)步骤(2)中提取的特征向量作为宽度学习算法的输入，每个输入向量被映射成为特征节点和增强节点，通过不断的增加节点以满足模型训练的要求，最后得到最优的分类器模型；

具体是：模型的输出Y由特征节点和增强节点构成：

其中，特征节点Z_i＝φ(XW_i+β_i),i＝1,...,n，φ表示特征节点的映射函数，β_i表示第i个偏置，Z_i由样本X通过特征映射组合而来，增强节点H_m＝ξ(ZⁿW_m+β_m)由特征节点再一次映射得到，ξ表示增强节点的映射函数，β_m表示第m个偏置，W^m是网络由输入到输出之间的权值，通过不断更新权值完成模型训练；所述的样本X为步骤(2)得到的特征向量F；m为增强节点个数；

步骤(4)采用步骤(3)得到最优分类器模型对新的脑电特征进行分类。

2.根据权利要求1所述的基于共同空间模式特征宽度学习的脑电分类方法，其特征在于：步骤(1)获取多通道运动想象脑电信号，并进行预处理操作；具体为：采用多导联电极帽采集不同运动想象实验范式下的脑电信号，并使用8-30Hz的Butter-worth带通滤波器对数据进行预处理。

3.根据权利要求1所述的基于共同空间模式特征宽度学习的脑电分类方法，其特征在于：步骤(2)采用一对多的共同空间模式对预处理之后的数据进行特征提取；具体是：对于C类运动想象任务的特征提取，存在N×T维的样本矩阵X_i，i＝1,2,...,C，其中N为通道数，T表示每个通道的采样点数；由归一化协方差矩阵分解得到的矩阵U和H计算获得各类想象任务下的投影方向其中是U₁中前k个最大的特征值所对应的特征向量；将样本X向投影方向进行投影，得到滤波信号Z＝PX,C类模式就得到滤波信号组Z＝[Z¹,...,Z^c]∈R^M×T,其中M＝C×k；对信号提取出的特征向量表示为

其中，var(z_p)表示第p行分量的方差，得到向量F＝[f₁,...,f_M]就是提取出的样本特征。