[发明专利]基于多维特征提取无监督EEG信号分类方法

说明书

本发明提供了一种基于多维特征提取无监督EEG信号分类方法，包括：步骤1，基于脑电采集设备采集EEG信号；步骤2，对采集到的EEG信号进行预处理；步骤3，进行数据维度判定，若当数据维度过大，分类类数比较小，先使用降维算法，进行数据压缩，然后基于聚类算法进行分类；若数据维度不多，且最终分出的类别较多，采用数据分解算法，将数据进行扩充，再进行无监督分类。本发明不依赖于硬件设备的灵敏度，对采集信号的质量要求低；允许可控范围的延时效果，对时间的灵敏度要求不算高。计算速度快，相比于传统的监督学习模型，收敛可控。阈值自己可以人工注入，检测需求可以根据适用的实际环境进行调控。

技术领域

本发明属于EEG信号分类技术领域，具体涉及一种基于多维特征提取无监督EEG信号分类方法。

背景技术

目前EEG信号多用于有监督的特征学习，但是由于生理信号取样困难，而且EEG信号取样时间要求十分严格，样本中误差较大且存在大量冗余数据。在监督学习过程中，一旦误差较大的样本被作为验证集数据计算损失函数，效果误差十分严重，生成模型将没有任何意义。

发明内容

本发明的目的是提一种基于多维特征提取无监督EEG信号分类方法，以减少EEG信息的冗余，并便于利用EEG信号的内在连续性属性，更好的提高分类的正确率。

本发明提供了一种基于多维特征提取无监督EEG信号分类方法，包括：

步骤1，基于脑电采集设备采集EEG信号；

步骤2，对采集到的EEG信号进行预处理；

步骤3，进行数据维度判定，若当数据维度过大，分类类数比较小，先使用降维算法，进行数据压缩，然后基于聚类算法进行分类；若数据维度不多，且最终分出的类别较多，采用数据分解算法，将数据进行扩充，再进行无监督分类。

进一步地，所述步骤1包括：

采用脑电采集设备，采集64个点位的脑电信号，采样频率为1 000Hz，电极阻抗要求均控制在50kΩ以下。

进一步地，所述步骤2包括：

将EEG信号通过0.5～40Hz的带通滤波器；去除伪迹和噪声，伪迹包括眼动伪迹、肌电伪迹、心电伪迹，噪声为50HZ工频干扰；进行基线校正；将EEG信号截取成非重叠的若干段，进行滤波，按照频谱提取alpha(8-13Hz)、beta(13-30Hz)、theta(4-7Hz)。

进一步地，所述步骤3包括：

根据分类需求进行预分类处理，基于分类效果建模，进行预判断，并基于该分类效果，进行特征挖掘，若数据分的开，有部分冗余，进行降维处理，以使聚类效果更加明显。

进一步地，所述步骤3还包括：

基于小波分解算法分解EEG信号，提取高频和低频信息量；

基于EMD本征模态分解提取EEG信号的多层边缘信息。

进一步地，步骤3中所述聚类算法采用SOM神经网络聚类算法。

与现有技术相比本发明的有益效果是：

分类模型不依赖于硬件设备的灵敏度，对采集信号的质量要求低；允许可控范围的延时效果，对时间的灵敏度要求不算高。计算速度快，相比于传统的监督学习模型，收敛可控。阈值自己可以人工注入，检测需求可以根据适用的实际环境进行调控。

附图说明

图1是本发明基于多维特征提取无监督EEG信号分类方法的流程图；

图2是本发明数据预处理流程图。

图3为本发明使用的两种类型的降维算法流程图。