[发明专利]基于分形几何和概率协作的运动想象任务识别方法

权利要求书

1.基于分形几何和概率协作的运动想象任务识别方法，其特征在于，具体步骤如下：

S1、获取脑电信号，并对脑电信号进行预处理；

S2、将功率谱密度特征与分形特征相结合组成新的组合特征；

S3、采用具有鲁棒性的概率协作表示分类算法对提取到的特征数据进行识别分类。

2.根据权利要求1所述的基于分形几何和概率协作的运动想象任务识别方法，其特征在于，所述步骤S1中的脑电信号由训练集、测试集、训练集类别标签和测试集类别标签组成；

所述步骤S1中对脑电信号进行预处理是指对脑电信号进行降采样处理。

3.根据权利要求1所述的基于分形几何和概率协作的运动想象任务识别方法，其特征在于，所述步骤S2中将功率谱密度特征与分形特征相结合组成新的组合特征的具体步骤如下：

S201、采用改进S变换算法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；

S202、利用毯子覆盖技术计算脑电信号每个信道的不同覆盖层的分形特征；

S203、将步骤S201中的功率谱密度特征与步骤S202中的分形特征相结合。

4.根据权利要求3所述的基于分形几何和概率协作的运动想象任务识别方法，其特征在于，所述步骤S201中改进S变换算法的表达式为：

其中，x(t)表示一维皮层脑电图时间序列；g(τ-t,f)表示高斯窗函数，表达式为：

σ₂(f)表示高斯窗函数标准差，计算公式为：τ表示平移因子；f表示频率；t表示时间；i表示虚函数；p和q表示尺度因子，不断调整尺度因子的取值，改变高斯窗口的宽度，进而提取出最合适的功率谱密度特征数据，选取最佳参数；x表示脑电信号。

5.根据权利要求3或4所述的基于分形几何和概率协作的运动想象任务识别方法，其特征在于，所述步骤S201中功率谱密度特征数据是信号的MST与MST的共轭乘积的数学期望，表达式为：

6.根据权利要求3所述的基于分形几何和概率协作的运动想象任务识别方法，其特征在于，所述步骤S202中的分形特征的提取是以非线性动力学为基础，将分形几何理论知识应用到脑电信号的分析中，一维皮层脑电图时间序列的毯子维计算公式如下：

D＝1-log_δ[L(δ)/β]；

其中，D表示一维皮层脑电图时间序列x(t)的毯子维；β表示常数；δ表示尺度；

在二维空间内，与脑电信号x(t)相距δ距离的所有点构成一个条状带，L(δ)表示覆盖条状带的长度，表达式为：

其中，A(δ)表示尺度δ对应的面积，计算公式为：

其中，u_δ(t)和b_δ(t)分别表示x(t)的上下覆盖线；当δ＝0时，覆盖线与x(t)重合；当δ是正整数时，覆盖线表示为：

7.根据权利要求1所述的基于分形几何和概率协作的运动想象任务识别方法，其特征在于，所述步骤S3中采用具有鲁棒性的概率协作表示分类算法对提取到的特征数据进行识别分类的具体步骤如下：

S301、将特征数据和类别标签输入概率协作表示分类器中并对所有特征数据进行标准化处理；

S302、设置分类器参数、计算训练数据的投影矩阵并根据训练集投影矩阵计算出编码向量；

S303、测试集数据根据编码向量预测出测试集类别标签，将预测的测试集类别标签的值与实际的测试集类别标签的值对比得到分类精度。

8.根据权利要求7所述的基于分形几何和概率协作的运动想象任务识别方法，其特征在于，所述步骤S302中设置分类器参数主要是指选定γ和μ的取值并选择分类模型；分类模型选用鲁棒性的概率协作表示模型。