[发明专利]一种人体脑电信号的分类识别方法

说明书

一种人体脑电信号的分类识别方法，对人体运动想象脑电信号进行预处理；使用小波包结合共空间模式深入挖掘脑电信号中的特征信息；选用RF、SVM、LR、KNN、XGBoost、LightGBM作为分类器，引入Platt Scaling概率校准的方法校准6种分类器的输出结果，得到6种增加多样性的分类器；从中选择准确率最好的几种模型进行模型融合，使用RF模型对融合模型的预测结果进行再学习；使用训练后的融合模型进行人体脑电信号的分类识别，输入待处理的运动想象脑电信号，输出分类识别结果。本方法提高了脑电信号的识别精度，对运动想象脑机接口的研究有一定的价值。

技术领域

本发明涉及脑电信号处理及模式识别领域，尤其涉及一种人体脑电信号的分类识别方法。

背景技术

脑机接口(BCI)是一种记录和分析脑电图(EEG)脑信号的系统，允许大脑和外部环境之间的直接通信或交互，而无需肌肉协同运动。运动想象是受试者主动执行意识训练任务的BCI实验范式，可以帮助失去运动技能的人，控制外骨骼、智能轮椅、假肢等设备。由于脑信号的非平稳动态特性、低信噪比、复杂性，研究如何利用先进的信号处理算法来提取运动节律的变化，以及机器学习模型进行分类识别显得尤为重要。一套完整的脑机接口流程包括：脑电信号采集系统，脑电信号预处理，特征提取，分类识别和控制下位机动作。其中关键部分是特征提取和分类识别，使用合适的算法解码脑电信号直接决定脑机接口系统的有效性。公开的脑电信号特征提取方法主要有傅里叶变换，自适应回归，功率谱密度，小波变换，共空间模式等算法从脑电信号时域，频域，时频域，空间域多种角度提取脑电信号有效的信息。脑电信号分类算法主要有决策树，随机森林，逻辑回归，支持向量机，朴素贝叶斯，自适应梯度提升，极限梯度提升等算法可以将不同的任务有效分类。大多数研究者从单一域提取脑脑电信号特征，然后利用分类器直接进行分类识别，模型识别准确率不高。

发明内容

鉴于上述技术的不足，本发明的目的在于提出一种人体脑电信号的分类识别方法，从多角度提取脑电信号特征，然后将模型的预测输出进行校准，使用模型融合策略进一步提高脑电信号分类效果。

一种人体脑电信号的分类识别方法，包括如下步骤：

S1，对获取的运动想象脑电信号进行预处理；

S2，使用小波包结合共空间模式算法提取与运动想象相关的脑电特征；

S3，选择RF、SVM、LR、KNN、XGBoost、LightGBM 6种脑电信号分类模型，使用PlattScaling概率校准方法校准模型的有偏的预测输出，得到校准后的6种模型；

S4，从校准前后的共12种模型中筛选出效果好的模型进行模型融合，使用随机森林算法对融合模型的输出结果进一步训练；

S5，将运动想象脑电数据划分为训练集和测试集，其中训练集占百分之七十，测试集占百分之三十，将训练集脑电数据送入融合模型进行训练，然后利用测试集脑电数据进行验证，并输出模型的分类识别的结果。

进一步地，步骤S1中，脑电信号预处理包括如下分步骤：

S11，使用8-30Hz带通滤波器对脑电信号进行过滤；

S12，对脑电信号使用陷波器去除50Hz工频干扰；

S13，调用MNE工具箱内置的独立成分分析算法去除脑电信号中各种生理伪迹，完成脑电信号预处理步骤。

进一步地，步骤S2中，特征提取包括如下分步骤：

S21，选择db4小波对脑电信号进行小波包分解；

S22，对重构后的脑电信号使用共空间模式算法提取特征。

进一步地，步骤S21具体为，设小波包分解层数为i，对应层数下节点的个数为m，小波包分解节点记为(i,m)，则第i层，第k点的小波包分解系数为：