[发明专利]一种基于二维字典优化的稀疏表示分类方法

权利要求书

1.一种基于二维字典优化的稀疏表示分类方法，其特征在于：该方法具体包括以下步骤：

步骤(1)：EEG信号采集及预处理；

采集受试者的多通道运动想象脑电信号并截取运动想象期间的数据，然后利用带通滤波器对脑电信号进行消噪和划分频带，得到多频带脑电数据，用于后续提取多频带的CSP特征；

步骤(2)：CSP特征提取；

使用FBCSP方法从多频带脑电数据中提取所有训练样本的多频带CSP特征向量，从而构建初始字典；

步骤(3)：二维字典优化；

使用LASSO回归同步选择每个原子中的重要特征，实现字典水平优化；使用基于KNN的方法清洗噪音原子，实现字典垂直优化；具体为：

在字典水平方向上：使用LASSO回归对多频带CSP特征向量进行同步特征选择；在垂直方向上：使用基于KNN的方法清除字典中的噪音原子；

LASSO具体的目标函数为：

其中，T是转置运算符，l是由与所有训练样本相对应的标签组成的向量，并且λ是惩罚因子；u的稀疏度与λ成反比，即λ越小，l₁范数的惩罚越重，且系数向量u越稀疏，从而选择的特征越少；通过交叉验证确定最佳超参数，然后选出多频带CSP特征向量F中与系数向量u中非零值位置相对应的特征，以生成低维特征向量即水平筛选原始原子中的特征以构建的新原子；

对于经水平特征选择后的第n个原子计算其与每个原子的欧式距离之和：

其中为第i个原子对应的特征向量实例，D^*为低维特征向量的维度；获得该原子的k个最近邻原子，组成原子集根据以下公式决定是否从字典中清除该原子：

其中l_q和l_n分别是第q个和第n个特征向量实例和对应的类别标签；I(·)是指示函数，当l_q不等于l_n时值为1，否则I(l_q＝l_n)＝0；因此，s_n是一个在[0,1]范围内的原子消除指标，s_n越大，该原子附近就存在越多的异类标签原子，即该原子越应被清除；通过设置阈值选择恰当数量的N^*个原子；对最邻近原子数k和原子消除阈值s_n这两个参数均通过5折交叉验证确定；

步骤(4)：稀疏表示分类；

使用经二维优化后的字典稀疏表示测试样本，从而实现分类。