[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

说明书

本发明提供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，所述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包括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。本发明提供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具有能效解决了分类困难问题，提高了疲劳检测准确率的优点。

技术领域

本发明涉及生物信号处理的疲劳检测技术领域，尤其涉及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。

背景技术

脑电信号(EEG)是一种典型的生物电信号，是大脑皮层脑神经细胞电活动的总体反映，其中包含了大量的生理和病理信号，脑电是人体中枢神经系统中神经元细胞的自发性、节律性电生理活动，脑电信号是大量神经元细胞群的同步活动在大脑皮层和头皮表面的整体反应，可以通过植入或外置电极记录得到，近年来，脑电信号检测被认为是疲劳检测的一种重要而可靠的方法，而一个好的脑电疲劳特征提取方法，可以更快速地识别出疲劳状态，从而更高效地进行疲劳预警，防止危险的发生。

传统的信号分析方法有时域、频域和时频分析法，脑电信号具有随机、非平稳等特点，所以单一的时域或者频域分析存在很大的局限，大多脑电疲劳检测的研究采用时频分析法，小波包变换就弥补了小波变换的缺点，针对高频信号段进行分解，获取信号在高频率段拥有的信号特征，将频带部分错层次划分，对多分辨率分析没有细分的其他部分进一步分解，从而更好地反映信号的本质特征。熵指标作为能够度量信号系统复杂性的一种参数，已在脑电信号分析中得到了广泛的应用，CSP已广泛应用于脑电信号的运动想象领域，适用于二分类任务的特征提取，可以从空间维度上对信号进行很好的分析，利用小波包分解得到的模糊熵和共空间模式结合组成的多维度特征能够在支持向量机分类器下，对疲劳脑电进行分类。

因此，有必要提供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以解决上述技术问题。

发明内容

为解决上述技术问题，本发明提供一种有效解决了分类困难问题，提高了疲劳检测准确率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。

本发明提供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。

为了达到对信息进行提取的效果，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。

为了达到方便获取FWPT特征集的效果，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。

为了达到方便选取多尺度特征信息的效果，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。