[发明专利]一种基于二维字典优化的稀疏表示分类方法

说明书

本发明公开了一种基于二维字典优化的稀疏表示分类方法，本发明从二个维度对字典进行优化，以提高SRC分类的准确性。首先对运动想象脑电数据进行时间窗截取、带通滤波分频带等预处理，并使用FBCSP方法提取多频带特征从而构建初始字典；一方面使用LASSO回归对原子中的特征进行同步选择，以实现字典的水平优化；另一方面使用基于KNN的方法计算字典中每个原子的离群值，并设置合理阈值进行原子清洗，以实现字典的垂直优化。最后基于经二维优化后的字典，使用SRC方法进行分类，在公共数据集上进行验证，并与传统方法和现有方法进行比较，均取得了不错的结果。其增强了对MI任务的解码，为BCI系统的设计提供理论支持和新方法。

技术领域

本发明属于模式识别领域，通过多频带共空间模式(Filter Band CommonSpatial Pattern,FBCSP)提取多频带特征来构建初始字典，然后使用最小绝对收缩和选择算子(Least Absolute Shrinkage and Selection Operator,LASSO)回归从各原子中同步选择重要特征。另外，使用基于KNN的方法来计算不同标签原子在最近邻原子中的比例，并设置阈值以清除字典中的噪音原子。通过以上两个维度对字典进行优化，以提高稀疏表示分类(Sparse Representation-based Classification,SRC)的性能。

背景技术

脑机接口(Brain-computer interface,BCI)是实现大脑与外部环境之间直接通信的一种重要方法，如帮助残障人士通过大脑控制轮椅，外骨骼和其他外部设备实现自主生活。近年来，非侵入性脑电(electroencephalography,EEG)由于其安全性和便利性被广泛应用于BCI系统，且常见控制信号包括感觉运动节律(sensorimotor rhythms,SMR)、事件相关电位(event-related potentials,ERP)和稳态视觉诱发电位(steady-state visualevoked potentials,SSVEP)。在运动想象(motor imagery,MI)期间，大脑感觉运动区域上特定频段的功率会发生变化，通过检测其不同MI任务中的差异来生成相应的控制命令。然而，由于EEG是一种低幅值、非平稳的、低信噪比的生物电信号，MI是一种不稳定的、易受干扰的、没有明显特征的实验范式，这给正确识别MI意图带来了巨大挑战。因此，提取可区分的特征并设计强大的分类算法来获取更好的分类性能已成为该领域的研究热点。

多通道采集的EEG数据在SMR解码任务中具有良好的性能。为了消除通道之间的冗余信息并提高系统信噪比，基于多通道优化的空间滤波方法引起了广泛的关注。CSP作为一种空间滤波方法已广泛用于MI-EEG的特征提取，并且为了降低其对噪声的敏感性，产生了许多针对特定被试且鲁棒性更好的改进的CSP方法。而在分类器设计方面，著名的线性判别分析(Linear Discriminant Analysis,LDA)和支持向量机(Support Vector Machine,SVM)分类器已广泛用于EEG分类。近年来，SRC已开始应用于神经信息处理，且比上述传统的分类器更具优越性。其基本原理是利用稀疏表示的可解释性进行判别式分类，即从包含所有训练样本的原始数据集中构造一个超完备字典，然后使用超完备字典对测试样本进行稀疏表示，所以字典的构造直接影响到SRC的分类性能。为此，前人已经提出了一些字典优化方法，如Miao等人利用优化的时-频-空特征来构建字典，以提高稀疏表示分类方法的分类准确率。Jiao等人提出了一种新颖的稀疏组表示模型，即通过不同被试间的信息对字典中的原子进行扩充。

发明内容

针对现有稀疏表示分类中对于字典的优化方法均仅从一个维度考虑，即仅优化字典每行所代表的特征或仅优化字典中每列所代表的原子。本发明提出了一种新颖的基于二维字典优化的稀疏表示分类(Two-dimensional Dictionary Optimized SparseRepresentation-based Classification,TDDO-SRC)方法用于运动想象任务的脑电信号分类。

本发明包括以下步骤：