[发明专利]基于EEG脑电信号数据的状态分类方法

说明书

本发明提供一种基于EEG脑电信号数据的状态分类方法，包括以下步骤：S1，获取不同分类的EEG脑电信号数据、以及相应的垂直和水平眼电信号数据；S2，EEG脑电信号数据预处理；S3，基于过程的特征提取；S4，使用频‑空特征向量训练分类模型；S5，对样本空间的不同测试集数据进行分类。本发明采用多域特征提取的方法有效并最大程度上保证了提取的特征中所包含的信息量，将空间和频率两域的融合体现在了方法过程中，减少了多域特征融合后降维的步骤，提高了算法效率。

技术领域

本发明涉及信号模式识别领域，尤其涉及一种基于EEG脑电信号数据的状态分类方法。

背景技术

当前随着以信息录入为主的信息化作业任务量的提高，装备或产品作业人员的功能定位由传统的机械操作类的任务角色逐步转换为以监督、决策为主的认知类任务角色，劳动密集型程度减少而带来的单个作业人员信息处理任务量和信息处理通道维度的增加，进而导致作业人员作业压力的增加。而作业压力增加很容易导致作业人员出现注意力资源不足，情景意识下降的问题，最终导致装备人机系统的绩效水平无法满足设计要求。

生理参数测量法通过对生理参数信号的采集、处理等过程实现对信号的分类，具有客观、实时、以及对被试者较少干扰的特点，在近期的研究中被越来越多的应用。在脑电信号、眼电指标、心电指标以及呼吸信号等诸多生理指标中，脑电信号因其的敏感性，较高的时间分辨率以及良好的适用性被广泛应用于对状态模式识别研究中。

在之前的研究中，存在基于脑电的功率谱密度(Power Spectral Density，PSD)，使用支持向量机的方法对脑电信号进行分类的研究；此外，在基于脑电的乘员信息处理作业脑力负荷状态识别模型的研究中通过融合小波包分解(Wavelet PacketDecomposition，WPD)算法完成脑电参数的预处理，建立了负荷状态分类的脑电指标特征输入空间，随后通过粒子群优化算法(Particle Swarm Optimization，PSO)对支持向量机(Support Vector Machine，SVM)的参数进行寻优处理，最终构建了脑电信号状态识别模型。上述研究中，只使用了脑电数据的频域信息及特征，而在真实采集到的EEG(Electroencephalogram脑电信号)数据具有多导联空间时序信息特征，同时频域维度下存在良好的脑电信号分类信息特征，在此基础上，本专利提出保留脑电信号的多维度特性，提升对脑电信号分类的性能。

发明内容

为了克服现有技术的缺陷，本发明的目的在于通过提取脑电信号的多域特征，对脑电信号进行分类。本发明提供一种基于EEG脑电信号数据的状态分类方法，其包括以下步骤：

S1，获取不同分类的EEG脑电信号数据、以及相应的垂直和水平眼电信号数据；

获取两类EEG脑电信号数据、以及相应的垂直和水平眼电信号数据；通过从数据库中获取，或者通过测试仪中的电极获取，获取的EEG脑电信号数据都已知属于哪个分类；脑电信号数据由多通道的连续的采样数据组成，对每次获取的EEG脑电信号数据进行切片，构成一个样本，每个样本选用A个采样点作为样本的长度样本的步进长度为STEP个采样点,每个样本包含了多个通道的采样数据；

S2，EEG脑电信号数据预处理；

首先对脑电信号数据进行带通滤波，所述带通滤波频率为1-30Hz；

随后使用独立成分分析的方法对脑电信号数据中的眨眼和眼球运动伪迹进行去除；得到经预处理后的脑电信号数据；

S3，基于过程的特征提取，包括以下步骤：

S31，频域特征提取；

对于单个样本的单个通道根据快速傅里叶变换得到样本的功率谱密度；