[发明专利]一种基于核递推最小二乘自适应追踪算法的脑电信号在线预测方法

权利要求书

1.一种基于核递推最小二乘自适应追踪算法的脑电信号在线预测方法，其特征在于分为两个阶段：训练阶段和预测阶段：

训练阶段包括以下步骤：

1)选择输入的脑电信号EEG做为训练数据；

2)根据训练数据生成脑电信号EEG的输入脑电时序序列片段、输出脑电时序序列片段标签；

3)选择回溯back to the prior(B2P)遗忘策略，更新中间参数；

4)对脑电信号进行在线预测，得到无噪声方差、预测的输出信号片段和预测的方差；

5)计算当次迭代的预测的输出信号片段与输出脑电时序序列片段标签之根均方误差，根据当次迭代的根均方误差调节中间参数，如果运行完所有片段，计算所有样本中所有片段的根均方误差，并判断所有样本中所有片段的平均根均方误差是否达到最小，如果达到，则核递推最小二乘自适应追踪算法训练完成，选择所有样本所有片段的平均根均方误差最小的初始参数，进行在线预测阶段；否则更新在线预测模型初始参数，返回步骤3)继续训练；

预测阶段：

6)根据训练完成的核递推最小二乘自适应追踪算法，利用实测的历史脑电信号预测未来时刻的脑电信号。

2.根据权利要求1所述的一种基于核递推最小二乘自适应追踪算法的脑电信号在线预测方法，其特征在于，步骤2)所述的生成脑电信号的输入脑电时序序列片段、输出脑电时序序列片段标签具体过程如下：

在第t次迭代处的输入脑电时间序列片段x_t如下：

x_t＝[EEG(t),EEG(t+1),…,EEG(t+τ)]

在第t次迭代处的输出脑电时序序列片段标签y_t如下：

y_t＝EEG(t+τ+1)

其中，EEG的长度为N，1≤t≤N-τ-2，下标t表示第t次迭代，字典的长度M＝[3,5,7,10,20,30,50,100,200,400]，τ为时延,在小括号中的t+τ+1是EEG中的索引，小括号代表索引位置。

3.根据权利要求1所述的一种基于核递推最小二乘自适应追踪算法的脑电信号在线预测方法，其特征在于，步骤3所述的选择回溯back to the prior(B2P)遗忘策略，通过权重调整和挖掘时间序列片段中前后隐含的信息与模式，B2P遗忘如下：

其中，f_ke(·,·)表示'gauss'类型的各向异性缩放为1的核函数，λ＝0.999，eye(m)为生成m×m维的单位矩阵，K_t为m×m维的矩阵。

4.根据权利要求1所述的一种基于核递推最小二乘自适应追踪算法的脑电信号在线预测方法，其特征在于，步骤4)所述的对脑电信号进行在线预测，具体包括根据输入信号在时间上的变化，通过核函数将输入信号映射到特征空间，通过核递推最小二乘自适应追踪算法模型计算预测值的时序片段，

其中，无噪声方差预测的输出信号片段和预测的方差的计算公式如下：

其中，

其中，是核递推最小二乘自适应追踪算法在线预测的脑电信号，τ为时延，在小括号中的t+τ+1是中的索引，小括号代表索引位置；k_t是一个(m+1)×1维的向量，表示把输入脑电时序序列片段x_t拼接在字典后面组成的新矩阵，并使x_t成为新矩阵中的向量元素，k_t(m+1)表示k_t中第m+1位置的值，表示正则化因子值设定为0.01。

5.根据权利要求1所述的一种基于核递推最小二乘自适应追踪算法的脑电信号在线预测方法，其特征在于，步骤5)所述的更新在线预测模型中间参数μ_t∑_tQ_t，其更新如下：

其中，h_t＝Σ_tq_t，Q_t是第t次迭代时的值，下标t表示迭代次数，表示把输入脑电时序序列片段x_t拼接在字典后面组成的新矩阵，并使x_t成为新矩阵中的向量元素，初始参数k₀,μ₀,∑₀,Q₀,的计算公式如下：

其中，f_ke(·,·)表示'gauss'类型的各向异性缩放为1的核函数，把元素x₁放入字典中，ε＝10^-6。

上述参数更新之后，删除字典中不需要的元素，更新字典；

根据条件删除字典中不需要的元素x_r，其下标r的确定方法为：

如果否则，

其中，f_{min_idx}为求最小值处的索引的函数，f_diag为矩阵对角化函数；

如果字典中的元素目m大于M，从移除x_r。