[发明专利]基于共空间模式模糊小波包的脑电信号疲劳特征提取方法

权利要求书

1.基于共空间模式模糊小波包的脑电信号疲劳特征提取方法，其特征在于，包括以下步骤：

S1、构建最大能量信息提取方法FEMI，充分提取最大能量信息，减少冗杂信息；

S2、利用FEMI提取WPT分解的脑电数据集，获取FWPT特征集；

S3、将CSP输出选择系数M，由1变到5，选取多尺度特征信息集；

S4、对获取的5个CSP特征集优选，充分运用疲劳信息量；

S5、多特征融合，获取CSPFWPT特征。

2.根据权利要求1所述的基于共空间模式模糊小波包的脑电信号疲劳特征提取方法，其特征在于，所述步骤S1中构建最大能量信息提取方法FEMI的具体步骤为：使用模糊熵寻找信息，I(E，L)＝H(E)+H(L)-H(E，L)＝H(E)-H(E|L)，归一化互信息，F_i＝I(E(i)，label)/H(E(i))，获取最大模糊度的互信息，label可取0或1，其中label＝0，表征清醒，label＝1，表征疲劳发生。

3.根据权利要求1所述的基于共空间模式模糊小波包的脑电信号疲劳特征提取方法，其特征在于，所述步骤S2中利用FEMI提取WPT分解的脑电数据集，获取FWPT特征集的具体步骤为：利用小波包脑电信号进行分解，获得小波包树各节点的能量E_WPT，求取E_WPT的互信息值I_WPT，归一化后得WPT的FWPT特征集。

4.根据权利要求1所述的基于共空间模式模糊小波包的脑电信号疲劳特征提取方法，其特征在于，所述步骤S3中将CSP输出选择系数M，由1变到5，选取多尺度特征信息。

5.根据权利要求4所述的基于共空间模式模糊小波包的脑电信号疲劳特征提取方法，其特征在于，所述选取多尺度特征信息具体步骤为：计算投影矩阵W_M×M，通过W_M×M对原始脑电信号进行映射，取M＝1，得Z_1×1＝W_1×1E_1×1特征矩阵，有2个CSP特征值；取M＝2，得Z_2×2＝W_2×2E_2×2特征矩阵，有4个CSP特征值；取M＝3，得Z_3×3＝W_3×3E_3×3特征矩阵，有6个CSP特征值；取M＝4，得Z_4×4＝W_4×4E_4×4特征矩阵，有8个CSP特征值；取M＝5，得Z_5×5＝W_5×5E_5×5特征矩阵，有10个CSP特征值。最后形成5个CSP特征信息集。

6.根据权利要求1所述的基于共空间模式模糊小波包的脑电信号疲劳特征提取方法，其特征在于，所述步骤S4中对获取的5个CSP特征集优选的具体步骤为：使用SVM对5个信息集进行疲劳测试，求取30通道平均疲劳识别准确率，获得M＝5时，最佳识别率的Z_5×5特征集。

7.根据权利要求1所述的基于共空间模式模糊小波包的脑电信号疲劳特征提取方法，其特征在于，所述步骤S5多特征融合获取CSPFWPT特征的第一步为：将步骤S3中所得600*21的FWPT2维特征信息，在matlab中经过reshape函数3维变换，得到30个通道的600*21*30的FWPT1特征集，选取M＝5，将FWPT3进行CSP变换，获取CSPFWPT1，其中包含10个特征数。

8.根据权利要求1所述的基于共空间模式模糊小波包的脑电信号疲劳特征提取方法，其特征在于，所述步骤S5多特征融合获取CSPFWPT特征的第二步为：原脑电信号提取M＝5的特征集Z5×5，再与步骤S3中所得FWPT进行多特征矩阵融合，得CSPFWPT2，其中包含31个特征数。