[发明专利]一种基于矩阵变量高斯模型的运动想象脑电特征提取方法

权利要求书

1.一种基于矩阵变量高斯模型的运动想象脑电特征提取方法，其特征在于：步骤一、进行脑电测试建立拟定样本集；各测试者在测试的过程中进行运动想象；运动想象共有Z种；将拟定样本集分为训练样本集和测试样本集；训练样本集表示为x＝(x₁,x₂,…,x_n)，n为训练样本数；设定参数t、维度d，并设定SVM模型中参数c和g的范围；

步骤二、将训练样本集x进行滤波器组共空间模态运算，x_i为L×N_g的矩阵，i＝1,2,…,n；L为单次脑电数据采集的数据长度；N_g为脑电信号通道数；

2-1.构建滤波器组，让训练样本集通过滤波器组进行滤波；

2-2.将训练样本集在经过滤波器组滤波后进行共空间模式运算，得到训练空间频率矩阵集X＝{X₁,X₂…X_n}；将训练空间频率矩阵集X根据类别不同分为Z组，得到Z个类别对应的矩阵集n_s为第s个类别中的样本个数；为N_f行M×Z列的矩阵，N_f为滤波器组内滤波器的数量；M为共空间模式运算后输出特征的特征维数；

步骤三、分别构建类间权重矩阵B和Z个类内权重矩阵W^s；类内权重矩阵W^s的第i行第j列元素为其表达式如式(1)所示；类间权重矩阵B的第a行第b列元素为B_ab，其表达式如式(2)所示；

式(1)和式(2)中，||·||²为矩阵的二范数计算；i＝1,2,…,n_s；j＝1,2,…,n_s；F_a为第a个类别内所有空间频率矩阵的均值矩阵；F_b为第b个类别内所有空间频率矩阵的均值矩阵；a＝1,2,…,Z；b＝1,2,…,Z；

步骤四、计算类内空间协方差矩阵Ψ和类内频率协方差矩阵φ，表达式如式(3)和式(4)所示：

式(3)和式(4)中，N_g为脑电信号的通道数；N_f为滤波器组内滤波器的数量；(·)^T为矩阵的转置运算；

步骤五、将类间散布矩阵拆分为两部分：

S_BL、S_BR的计算分别如式(5)、式(6)所示：

式(6)中，tr^-1(S_BL)为矩阵S_BL的迹所对应的倒数；

步骤六、计算矩阵P＝φ^-1S_BL和矩阵P′＝Ψ^-1S_BR；将矩阵P进行特征分解，得到从大到小排列的N_u个特征值λ_u；特征向量λ_u对应特征向量U_u，u＝1，2，...，N_u；将矩阵P′进行特征分解，得到从大到小排列的N_v个特征值γ_v；特征向量γ_v对应特征向量V_v，v＝1，2，...，N_v；N_u为S_BL的列数；N_v为S_BR的列数；建立投影矩阵

步骤七、将N_u个特征值λ_u与N_v个特征值γ_v两两为一组相乘，得到N_u·N_v个乘积；将N_u·N_v个乘积按照从大到小排序，并取最大的前d个乘积所对应的u值、v值，作为d个特征数对(u_k，v_k)，k＝1，2，...，d；

步骤八、分别计算训练空间频率矩阵集X内各个空间频率矩阵X_i所对应的投影后矩阵Y_i＝U^TX_iV，i＝1，2，...，n；投影后矩阵Y中与d个特征数对(u_k，v_k)对应的d个元素作为d维特征；

步骤九、训练SVM模型，并验证投影矩阵U和V是否可靠；

9-1.利用步骤八得到的n组d维特征训练SVM模型，得到训练好的SVM模型；

9-2.根据步骤二中方法对测试样本集进行处理，得到测试样本集对应的测试空间频率矩阵集；根据步骤八中的方法，利用投影矩阵U和V，计算测试样本集内各个样本矩阵对应的d维特征；

9-3.将测试样本集内各个样本矩阵对应的d维特征分别输入SVM模型中进行分类识别；将分类结果与测试样本集各样本矩阵的真实类别进行对比，得到分类精度；若分类精度小于阈值，则修改参数t、M和维度d的值，并重复步骤二至八；否则进入步骤十；

步骤十、对被测人员的运动想象进行检测和识别；

10-1.在被测人员进行运动想象的采集脑电数据；将所得脑电数据根据步骤二中方法对测试样本集进行处理，得到检测矩阵；根据步骤八中的方法，利用投影矩阵U和V，计算脑电数据对应的d维特征；

10-2.将步骤10-1的d维特征输入SVM模型中进行分类识别，得到被测人员的运动想象类别。