[发明专利]一种基于多层次神经肌肉耦合特征信息融合的分类方法

权利要求书

1.一种基于多层次神经肌肉耦合特征信息融合的分类方法，其特征在于：包括以下步骤：

步骤一：多通道脑肌电信号的同步采集：同步采集受试者的多通道脑肌电信号；

步骤二：预处理：对采集的脑肌电信号进行预处理；

步骤三：多层次神经肌肉耦合特征提取：分别提取脑-脑、脑-肌、肌-肌耦合特征、传统脑肌电信号特征；

脑-脑耦合特征选用脑-脑耦合网络中的网络强度、聚类系数和特征路径长度；

脑-肌耦合特征选用脑肌两两通道间的互信息；

肌-肌耦合特征选用两两通道间的皮尔逊相关系数；

传统肌电信号特征选用均方根、均值频率；

传统脑电信号特征选用排列熵和功率谱；

步骤四：基于典型相关分析的特征融合：对步骤三中提取的所有脑-脑、脑-肌、肌-肌耦合特征、传统脑肌电信号特征采用典型相关分析方法进行特征融合，分别在标准动作时和训练时提取样本特征向量组成样本空间X和Y；

x和y分别为X和Y的向量，进行变换：

其中，W为典型投影变换矩阵，T表示转置，Z作为投影后的组合特征将用于分类；

步骤五：基于流形多类核最小平方误差的特征分类：采用基于流形多类核最小平方误差算法训练分类器对步骤四中得到的特征进行分类。

2.根据权利要求1所述的一种基于多层次神经肌肉耦合特征信息融合的分类方法，其特征在于：所述步骤一具体包括：通过肌电传感器与脑电帽同步采集不同手部动作下的表面肌电信号和脑电信号。

3.根据权利要求2所述的一种基于多层次神经肌肉耦合特征信息融合的分类方法，其特征在于：所述步骤二具体包括：对采集的脑肌电信号进行去噪处理，对脑电信号进行独立成分分析去除脑电信号中的眼动、肌电伪迹，对肌电信号进行去均值、去基线漂移，再利用无限冲激响应陷波滤波器抑制50Hz工频干扰，最后对脑肌电信号分别进行0～75Hz的低通滤波。

4.根据权利要求3所述的一种基于多层次神经肌肉耦合特征信息融合的分类方法，其特征在于：所述步骤三的具体步骤包括：

S1：提取脑-脑耦合特征：

在脑-脑耦合网络中，选取脑电通道为网络节点，选用Copula互信息度量节点间关联性，得到邻接矩阵。

互信息MI与Copula熵存在以下关系：

MI(A,B)＝-H_c(F_A(a),F_B(b)) (1)

其中，F_A(a)和F_B(b)分别为变量A和B的累积分布函数，H_c(F_A(a),F_B(b))为变量A和B的Copula熵，由式(1)得到的互信息称为Copula互信息，作为脑-脑耦合网络的连接权值；

选用复杂网络中的网络强度、聚类系数和特征路径长度作为网络的特征，网络强度SN的定义为：

其中，M是节点数，s(i)为节点强度，网络强度越大，

网络的聚类系数CCN定义为：

其中，CC(i)为节点的聚类系数，

网络的特征路径长度PLN定义为：

其中，pl(i)为节点的特征路径长度，

S2：提取脑-肌耦合特征：

互信息是度量两个变量间的非线性相关，提取两两通道之间的互信息作为脑-肌耦合特征；

S3：提取肌-肌耦合特征：

皮尔逊相关系数是用于度量两个变量间的线性相关，提取两两通道之间的皮尔逊相关系数作为肌-肌耦合特征；

S4：传统肌电信号特征：

均方根记录表面肌电信号的振幅大小，反映各肌肉收缩的程度，具体可表示为：

其中，N是滑动窗口的长度，q_i是第i个样本点；

均值频率定义为：

其中，e_i表示频段上的频谱，p_i表示该频段上的功率谱强度，F是整个频段长度；

S5：提取传统脑电信号特征：

排列熵的定义为：

其中，g为重构分量的个数，P_j为符号的概率分布。

5.根据权利要求4所述的一种基于多层次神经肌肉耦合特征信息融合的分类方法，其特征在于：所述步骤四具体包括以下步骤：

对步骤三中提取的所有脑-脑、脑-肌、肌-肌耦合特征、传统脑肌电信号特征采用典型相关分析方法进行特征融合，分别在标准动作时和训练时提取样本特征向量组成样本空间X和Y。

x和y分别为X和Y的向量，计算X和Y的协方差矩阵S_xx，S_yy及互协方差矩阵S_xy，根据准则函数：

求得典型投影向量α和β，其中，T表示转置，根据α和β获取组合特征典型判别向量X^*和Y^*：

其中，α_i，β_i为x和y的第i对典型投影向量，d为选取的投影向量的个数，U＝(α₁,α₂,...α_d)，V＝(β₁,β₂,...β_d)，进行变换：

其中W定义为：

W为典型投影变换矩阵，Z作为投影后的组合特征将用于分类。