[发明专利]基于多线性主成分分析的单次运动想象脑电信号识别方法

权利要求书

1.一种基于多线性主成分分析的单次运动想象脑电信号识别方法，其特征在于，该方法包括以下具体步骤：

步骤1、利用小波分析方法建立多次实验的三阶EEG张量数据，并将所述三阶EEG张量数据随机分成训练集和测试集，包括如下具体步骤：

步骤11、在受试者根据提示想象左右手的运动时，采集受试者的脑电数据，并将采集到的每次运动想象时的脑电数据依次根据提示的时间点开始截取一定时长的脑电数据，组成包括时间、空间两个维度的单次运动想象脑电数据矩阵，所述空间代表不同的采集通道；

步骤12、对所述脑电数据进行带通滤波；

步骤13、采用复Morlet小波变换提取脑电信号中包含的频域信息，并将提取出的频域、时域、空间域数据构建成三阶张量式中c表示通道，f表示频率，t表示时间；

步骤14、将所述三阶张量数据随机分为训练集和测试集采用交叉验证的方式来选择最优的分类模型；

步骤2、利用多线性主成分分析方法训练所述测试集得到多模态降维投影矩阵，并对所述训练集进行投影，得到降维的训练集数据，包括如下具体步骤：

步骤21、对所述张量样本进行中心化处理，式中为中心化后的样本，为原始样本，为样本均值，M为样本数；

步骤22、计算初始协方差矩阵X_m(n)X_m(n)^T，式中X_m(n)为X_m n模展开后的矩阵，并对所述初始协方差矩阵进行特征分解，取最大的d'个特征值对应的特征向量组成投影矩阵U⁽ⁿ⁾(n＝1,2,3)，得到初始化的降维投影矩阵；

步骤23、对步骤22得到的所述初始化降维投影矩阵进行局部优化，包括如下具体步骤；

步骤231、进行投影式中左下标1、2、3表示1模、2模、3模乘积；

步骤232、计算总散度式中为张量范数；

步骤233、对n＝1、2、3，计算投影后张量n模展开后协方差矩阵的特征值，取d'个所述特征值对应的特征向量组成新的投影矩阵U⁽ⁿ⁾(n＝1,2,3)，用所述新的投影矩阵更新并计算新的

步骤234、判断是否成立，式中k为优化迭代次数，η为自定义的阈值，如果得到最终的投影矩阵₁U⁽¹⁾,₂U⁽²⁾,₃U⁽³⁾，计算得到经过多线性主成分分析降维后的训练集数据；否则重复步骤231、232和233；

步骤3、利用所述降维的训练集数据进行特征选择后训练分类器，得到最优的分类模型，包括如下具体步骤：

步骤31、将所述降维后的多组三阶张量形式的训练集数据展开为一维数组，计算每一个特征分量的类内离散度类间离散度和二者的比值式中k＝1,2,…,K，K为类别数；M_k为每类样本的样本数；V_m为第k类样本；为每类样本的均值；为全体样本的均值；

步骤32、将所述每一特征分量按照J的大小排序，只保留最大的前D组特征分量，所述D为自定义的特征数，可以多次尝试寻找最佳的特征数；

步骤33、利用得到的数据训练分类器得到分类投影矩阵U_classify；

步骤4、用降维后的测试集数据检验最终的分类性能，得到分类准确率，包括如下具体步骤：

步骤41、将测试集数据先经过多线性主成分分析降维同样展开成一维数组选择特征；

步骤42、经过分类矩阵U_classify投影得到类别，最终得到分类准确率。

2.根据权利要求1所述的基于多线性主成分分析的单次运动想象脑电信号识别方法，其特征在于，所述步骤11中将采集到的脑电数据依次根据提示的时间点截取时长为1秒的脑电数据。

3.根据权利要求1所述的基于多线性主成分分析的单次运动想象脑电信号识别方法，其特征在于，所述步骤12中，所述带通滤波的通带范围为8～13Hz。

4.根据权利要求1所述的基于多线性主成分分析的单次运动想象脑电信号识别方法，其特征在于，所述步骤13中，所述复Morlet小波的带宽参数为1Hz，中心频率为2Hz。