[发明专利]基于分层分类及纠错机制的脑电信号分类方法

说明书

本发明公开了一种基于分层分类及纠错机制的脑电信号分类方法，包括如下步骤：获取受试者多通道运动想象脑电数据，并进行前期预处理；利用RBF神经网络与DEMATEL求解脑电通道特征表征度，依据各通道表征度确定各通道权重；计算各通道排序熵并利用离散Fréchet曲线相似性判断将脑电信号预分为两大类(左、右手和双拳、脚)；利用RCSP提取各大类样本的空域特征，并用SVM进行细分类，根据纠错机制对易错样本进行判别和纠错，最后确定各样本最终分类类别。本发明通过分层分类方法的设计及不同分类方法的使用，避免多任务分类问题转化为多个二分类分类问题时模型结构单一，优化了多任务分类模型结构。

技术领域

本发明属于脑电信号处理领域，更具体地说，涉及一种基于分层分类及纠错机制的脑电信号分类方法。

背景技术

脑机接口(BCI)是一种无需依赖周围神经系统和肌肉，可直接通过从大脑收集信号，实现与计算机或其他设备进行交互的系统。研究脑机接口系统可为思维正常但运动功能缺失的老年或残障人群提供新的对外信息交流渠道，从而提高他们的自主能力和生活质量。在脑机接口系统中，脑电信号的特征提取和分类是主要的研究方向。常用的脑电信号包括事件相关的P300电位、稳态视觉诱发电位(SSVEPS)和运动想象(MI)相关的[α]、[β]节律。运动想象脑电信号的分类是目前的研究热点之一，然而脑电信号有明显的非线性和非平稳性的特点，这意味着脑电信号的特性会随时间发生变化。此外，由于采集到的脑电信号通常混杂着噪声，对脑电信号的分析带来挑战。因此应探索更有效的措施来更好地实现脑电任务的分析与分类。

目前二分类的运动想象脑电分类目前已经达到了较高的精度，但分类类别太少会限制BCI应用范围。脑电的多分类任务始终是一个具有挑战性的问题。当前多任务脑电分类，通常利用“一对多”或“一对一”的方式把多分类问题转化为二分类问题，但整体辨识模型较单一。

发明内容

本发明利用脑电二分类的成果，通过分层分类结合纠错机制实现多任务辨识分类，能够有效优化多任务脑电辨识模型结构，具有非常重要的现实意义。

为了解决上述技术问题至少之一，根据本发明的一方面，提供了一种基于分层分类及纠错机制的脑电信号分类方法，包括如下步骤：

S1、获取受试者多类别多通道运动想象脑电信号并进行预处理；

S2、对于S1所得的预处理后数据，计算得出相关特征矩阵并输入RBF神经网络结合DEMATEL计算各通道特征表征度,依据所得特征表征度确定各通道的特征权重；

S3、计算各通道的相关熵值并根据S2所得各通道的特征权重对熵值进行加权，利用离散Fréchet距离曲线相似性判断将脑电信号预分为两大类(左、右手和双拳、脚)；

S4、基于S3所得两大类，分别利用RCSP进行特征提取，并利用SVM对预分类结果进一步细分类；

S5、根据预分类和细分类两次分类情况，结合纠错机制对这两次分类结果进行综合分析纠错。

进一步的，S3中对脑电信号熵值用通道特征权重加权后，根据离散Fréchet距离曲线相似性来进行脑电信号的预分类；64维脑电信号熵值可以构成一个大小为1*64的一维熵值向量；依据RBF和DEMATEL所求得的脑电信号各通道的特征相关性排序对熵值向量加权规则如下：

其中，C_L为第L个通道,x_i为第i个通道对应的时间序列，η_i为第i个时间序列的加权的权值；熵值向量利用离散Fréchet法则与各个类型的标样向量进行曲线相似度比对，从而实现样本预分类。

进一步的所述S5对于两次分类(预分类、细分类)的纠错机制具体方法如下：