[发明专利]一种基于脑电运动想象的小样本特征提取方法

说明书

一种基于脑电运动想象的小样本特征提取方法，涉及脑电信号处理技术领域，所述方法包括：步骤一、数据提取；步骤二、数据分割；步骤三、特征提取；步骤四、特征矢量权重提取。本发明利用尽可能少且带有关键特征的脑电信息，进行运动想象分类，进一步提高脑电运动想象分类效率。

技术领域

本发明涉及脑电信号处理技术领域，具体地，涉及一种基于脑电运动想象的小样本特征提取方法。

背景技术

传统的脑电波特征提取方法，很难兼顾时域、频光谱密度，为避免这个问题在脑电波机器学习研究方面，人们开始引用端到端(End-to-End)的模式实现分类识，满足脑机交互要求实时性高的需求。而实现脑电波端到端的机器学习。而实现脑电波端到机器学习，达到从原始数据输入到最终输出分类器、识别结果等，无需太多人工设置，利用层神经网络能够耦合任意非线性函数，这不仅是将输入无需太多人工设置，利用层神经网络能够耦合任意非线性函数这不仅是将输入无需太多人工设置，利用层神经网络能够耦合任意非线性函数，这不仅是将输入数据经预处理，依先验知识利用传统的网络学习特征进行分类；还可以将非线性的学习网络中嵌入神经模式转换算法，如注意力机制、反向传播、决策树、贪婪追逐等算法，使得对数据的拟合更加灵活，它具有高度鲁棒性和噪声信号容错能力，并且可以完全近似复杂的非线性关系。然而，由于脑电波信息很容易受外界环境影响被干扰、丢失且个体活动规律差异大，运动想象的分类精度有待提高。

目前针对脑电运动想象分类识别的机器学习方法，普遍存在当训练数据有限时，分类精度会降低的问题。

发明内容

鉴于现有技术中的上述缺陷或不足，本发明的目的是提供一种基于脑电运动想象的小样本特征提取方法。该方法利用尽可能少且带有关键特征的脑电信息，进行运动想象分类，进一步提高脑电运动想象分类效率。

为了解决上述问题，第一方面，本发明提供了一种基于脑电运动想象的小样本特征提取方法，所述方法包括：

数据提取,提取3个运动想象区采集通道，3个采集通道包括C3、Cz、C4，采用小波包提取9个节律段，9个节律段包括4～8Hz、8～12Hz、……、36～40Hz的脑电信号，目的在于提取μ波段和β波段的运动想象信息；

数据分割，采用双输入，按照步长100ms滑动，3s的时间窗分割，两个双输入后一个起始时间点比前一个晚100ms；

特征提取，第q个节律段每一输入数据其中p∈[1,2]表示双输入，q∈N[1,9]表示双输入，N_s为采样点数量，N_s＝t×F_s，t为分割时间窗大小，F_s为采样率，C^p为分割策略下第p次运动想象信号的样本总数，N为自然数，通道C3、Cz、C4的信号依次对应X^pq二维矩阵的每一行，双输入训练样本与标签对应关系为：

特征矢量权重提取。

第二方面，本申请实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现本申请实施例描述的方法。

第三方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序用于：

所述计算机程序被处理器执行时实现如本申请实施例描述的方法。

附图说明

以下将结合附图对本发明的实施方案进行描述，其中

图1示出了本申请的基于脑电运动想象的小样本特征提取流程示意图；

图2示出了本申请的数字胶囊层路由结果示意图。

具体实施方式