[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

说明书

本发明公开了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。现有技术中运动想象脑电特征提取方法精度不足。本发明如下：一、进行脑电测试建立样本集。二、将训练样本集x进行滤波器组共空间模态运算；三、构建类间权重矩阵和类内权重矩阵；四、计算类内空间协方差矩阵和类内频率协方差矩阵；五、拆分类间散布矩阵。六、建立投影矩阵。七、计算特征数对；八、获取用于训练的d维特征。九、训练SVM模型。十、对被测人员的运动想象进行检测和识别。常规处理方法忽略了脑电信号中的空间信息。本发明使用矩阵化降维处理，并引入了矩阵变量高斯模型的思想，进一步提高了空间信息的利用率。

技术领域

本发明属于脑电信号分类技术领域，具体涉及一种基于矩阵变量高斯模型和二维判别局部保留的运动想象脑电特征提取方法。

背景技术

脑电图生物电信号是可穿戴诊疗系统中的一种重要输入信号源。深入研究脑电信号的处理对认识病理学机理，探索疾病诊断与治疗的新方法具有重要意义。运动想象脑电信号的分类处理，可以辅助患者进行运动损伤的恢复，甚至是利用人脑控制外部设备来进行运动的实现，弥补身体的遗憾。

如何准确地分类不同运动想象的脑电信号，目前研究者们提出了很多的方法，但仍有诸多问题需要优化，如标记的样本数量少、噪声大、数据冗余和个体差异性大等。这些问题会造成训练得到的分类模型很不理想，分类识别准确率低。想要提高运动想象脑电信号的分类准确率，关键一步在于分类之前的特征提取环节。特征提取不仅能减少数据维度，去除大量冗余信息，而且能保留有效信息，从而提高分类精度。

基于运动想象的脑电信号的特征提取方法一般分为两个部分。第一个部分是时间域、空间域和频域的特征提取，如短时傅里叶变换(STFT)、小波包变换(WPT)、空间滤波共空间模式算法(CSP)及其衍生算法如滤波器组共空间模态(FBCSP)等。第二个部分是常规特征提取方法，如线性判别分析(LDA)、判别局部保留投影(DLPP)等。脑电信号不同采集通道之间存在重要相关信息，若第一步使用空间域的特征提取，后续采用如DLPP等常规特征提取方法会忽略这个信息，这在很大程度上影响着分类的准确率。

发明内容

本发明的目的在于克服现有技术中运动想象脑电特征提取方法精度不足的缺陷，提供一种基于矩阵变量高斯模型和二维判别局部保留的运动想象脑电特征提取方法。

本发明具体步骤如下：

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s＝1,2,…Z；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。