[发明专利]基于深度堆叠支持矩阵机的脑电信号识别方法

说明书

本发明提供一种基于深度堆叠支持矩阵机的脑电信号识别方法，包括以下步骤：首先对脑电(Electroencephalogram,EEG)信号进行预处理并提取特征；用提取出的原始EEG信号特征作为输入训练第一层支持矩阵机(Support Matrix Machines,SMM)得到第一层的预测输出；利用矩阵随机投影将第一层预测输出投影到原始EEG特征空间并与原始EEG信号特征叠加得到第二层EEG信号特征，将其作为输入训练第二层SMM得到第二层的预测输出；按照这种方式得到更深层的EEG信号特征并训练SMM，直到精度收敛得到最终分类模型。本发明可以准确判断不同类型的EEG信号，保证基于EEG的BCI系统安全可靠的运行。

技术领域

本发明涉及一种基于深度堆叠支持矩阵机的脑电信号识别方法，属于脑电信号识别领域。

背景技术

脑电图(Electroencephalogram，EEG)成像方法具有时间分辨率高，采集简单，记录设备无创等特点，被广泛用于记录大脑的动态活动过程。通过机器学习方法在EEG数据与肢体运动意图之间建立合理的映射关系，实现康复治疗中患者的运动意图精确检测，是当前研究工作亟需解决的重要问题之一。目前大多数传统的机器学习算法都要求输入特征必须为向量形式，而EEG信号特征为矩阵的形式。传统机器学习算法将矩阵直接转换成向量输入分类器，破坏了EEG信号特征中的结构信息，会对分类结果产生一定的影响。针对此问题，研究人员提出了支持矩阵机(Support Matrix Machines，SMM)用于直接处理矩阵形式的数据，通过引入核范式来利用矩阵形式特征中的结构信息，提高了EEG信号的识别准确率。但其仍属于浅层学习方法，由于单隐层的结构导致其表示能力有限，在处理复杂的分类问题时泛化能力较差。因此提出一种深度堆叠支持矩阵机，结合支持矩阵机和堆叠泛化理论，保留EEG信号特征中的结构信息，同时增强模型表示能力，实现EEG信号的准确识别。

发明内容

本发明提供一种基于深度堆叠支持矩阵机的脑电信号识别方法，采用SMM作为基本模块，保留EEG信号特征中的结构信息，同时结合堆叠泛化理论，引入矩阵随机投影作为核心堆叠元素，利用前层模块的预测输出帮助打开原始EEG数据流形，具有更强的表示能力，从而实现EEG信号的准确识别。

本发明为解决上述技术问题采用以下技术方案：

一种基于深度堆叠支持矩阵机的脑电信号识别方法，包括如下步骤：

步骤1：采集EEG信号；

步骤2：对EEG信号进行预处理，以消除噪声和伪迹，然后使用CSP算法进行特征提取，由此得到原始EEG信号特征其中表示第i个EEG信号特征，d₁，d₂分别代表记录电极通道数和时间采样点数，y_i∈{1，-1}为相应的类别标签；

步骤3：将原始EEG信号特征作为输入训练第一层SMM分类模型得到第一层预测输出。

步骤4：利用矩阵随机投影将第一层预测输出投影到原始EEG特征空间并与原始EEG信号特征叠加得到第二层EEG信号特征，将其作为输入训练第二层SMM得到第二层的预测输出。

步骤5：按照此方式生成每层EEG信号特征，训练每层SMM并得到每层的预测输出。

步骤6：重复步骤5直到精度收敛，得到最终分类模型。

优选的，所述深度堆叠支持矩阵机采用SMM作为基本模块，同时结合堆叠泛化理论，引入矩阵随机投影作为核心堆叠元素，利用前层模块的预测输出帮助打开原始EEG数据流形，具有更强的表示能力。

优选的，所述深度堆叠支持矩阵机利用SMM作为基本堆叠单元，其目标函数为：