[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

说明书

本发明提供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，通过脑波感应头盔采集脑电信号数据集X＝(X1,X2,…,Xn)，n为正整数；并使用正则判别分析RDA及二次判别分析QDA对信号数据集X＝(X1,X2,…,Xn)进行分类，得到相关系数矩阵ρ_RDA和ρ_QDA，同时构建包括特征提取单元、投影分类单元和决策选择单元的特征决策融合对RDA和QDA的决策和系数进行特征整合和决策选择,从而获得了较好的分类准确率。本发明通过构建特征决策融合整合两种算法由此选择更有可能是准确的决策，从而在运动想象数据分类上获得了较好的分类准确率。

技术领域

本发明属于脑电动态分析领域，具体涉及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。

背景技术

MI是一种EEG信号，反映人在运动想象时，大脑的特定功能区被激活，相应的脑电信号会产生稳定的规律性的特征变化，这是将运动想象EEG作为BCI系统输入信号的生理基础。为了从MI信号中解码受试者的意图，人们提出了各种方法来对MI信号进行识别并分类等，如线性判别分析(LDA)、高斯分类器(Gaussian classifier)、概率神经网络(probabilistic NN)。特别是基于LDA的方法，在对新样本进行分类时，将其投影到同样的直线上，再根据投影点的位置来确定新样本的类别。可以直接求得基于广义特征值问题的解析解，从而避免了在一般非线性算法中，构建中所常遇到的局部最小问题无需对模式的输出类别进行人为的编码，从而使LDA对不平衡模式类的处理表现出尤其明显的优势。与神经网络方法相比，LDA不需要调整参数，因而也不存在学习参数和优化权重以及神经元激活函数的选择等问题；对模式的归一化或随机化不敏感，而这在基于梯度下降的各种算法中则显得比较突出。LDA是一种经典的线性学习方法，在二分类问题上最早由Fisher在1936年提出，亦称Fisher线性判别。线性判别的思想非常朴素：给定训练样例集，设法将样例投影到一条直线上，使得同类样例的投影点尽可能接近，异样样例的投影点尽可能远离；在对新样本进行分类时，将其投影到同样的直线上，再根据投影点的位置来确定新样本的类别。QDA是LDA的变体，其中针对每类观察估计单个协方差矩阵。如果事先知道个别类别表现出不同的协方差，则QDA特别有用。QDA的缺点是它不能用作降维技术。由于QDA估计每个类的协方差矩阵，因此它具有比LDA更多的有效参数。RDA是LDA和QDA之间的折衷，由于RDA是一种正则化技术，因此更适用于存在许多潜在相关特征的情况。由于这些方法提供了不同的决策，融合多种方法整合不同决策是一种可行的方法，以提高整体分类准确率。

发明内容

本发明的目的在于提供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,通过整合与精度相近的两种算法在运动想象数据分类上，通过算法融合他们的决策，由此选择更准确的决策，从而达到提高脑电信号分类准确度。

本发明的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；