[发明专利]基于线性分析的特征决策融合的脑电意识动态分类方法

权利要求书

1.一种基于线性分析的特征决策融合的脑电意识动态分类方法，其特征在于，其包括以下步骤：

S1、通过脑波感应头盔采集脑电信号数据集X＝(X1，X2，…，Xn)；

S2、使用正则判别分析RDA对信号数据集X＝(X1，X2，…，Xn)进行分类，得到相关系数矩阵ρ_n，定义为ρ_RDA；

其中，是权重的矩阵转置，X是数据值，是数据值平均数；

S3、使用二次判别分析QDA对信号数据集X＝(X1，X2，…，Xn)进行分类，得到相关系数矩阵ρ_n，定义为ρ_QDA；

其中，是权重的矩阵转置，X是数据值，是数据值平均数；

S4、构建特征决策融合器对RDA和QDA的决策和系数进行特征整合和决策选择，获得脑电意识动态分类，具体步骤如下；

S41、构建特征决策融合器，特征决策融合器包括特征提取单元、投影分类单元和决策选择单元；

S42、通过特征提取单元对RDA和QDA的相关系数进行特征提取，生成一个特征向量F；

根据的比值判断，值越大说明ρ就越大，根据表达式：

其中，w_X为x方向的投影，w_X^T为转置的投影，w_Y为y方向的投影，w_Y^T为转置的投影，X矩阵作为横坐标，X^T为转置矩阵，Y矩阵作为横坐标，Y^T为转置矩阵，E[w_X^TXY^Tw_Y]代表w_X^TXY^Tw_Y的期望，E[w_X^TXX^Tw_X]代表w_X^TXX^Tw_X的期望，E[w_Y^TXY^Tw_Y]代表w_Y^TXY^Tw_Y的期望；

分别得到RDA和QDA的最大相关系数和第二大相关系数；

根据得到的RDA和QDA算法的最大相关系数和第二大相关系数，生成特征向量F：

其中，是QDA的最大相关系数，是QDA的第二大相关系数，是RDA的最大相关系数，是RDA的第二大相关系数；

S43、通过投影分类单元将特征向量F分为RDA-false和QDA-false两类；

投影分类单元使用线性SVM分类器在软边界目标函数的范围内进行投影，将特征向量F投影为标量值，投影到平面后，形成一个个的点，表示为：

其中，v_j，j＝1，2，…，N是支持向量，用来确定分类器的最大边缘平面，a_j＞0，是可以改变并调节的参数，y_j指第j个支持向量的类别，F是特征向量，b是偏差，是线性核函数；

软边界目标函数为：

其中，δ_j是松弛变量，表示样本v_j是否在边缘内，需要调节程度，C是控制宽度和误分类权衡的调节系数，松弛变量用来确定点是否在范围内，W是样本总数；

通过求解软边界目标函数，得到最大化值2/||W||，其作为边界线，根据标量值投影点的位置，将特征向量F中的特征分为RDA-false和QDA-false两类；

S44、通过决策选择单元根据分类结果选择RDA或QDA算法的决策输出；

决策选择单元为：

如果得到一个RDA-false结果，则模块输出QDA决策；否则，模块输出RDA决策，获得了准确率较好的脑电意识动态分类。

2.根据权利要求1所述的基于线性分析的特征决策融合的脑电意识动态分类方法，其特征在于，步骤S1中采用脑波感应头盔为Emotiv采集脑电信号。