[发明专利]一种运动想象脑电信号分类方法及系统

权利要求书

1.一种运动想象脑电信号分类方法，其特征在于，包括以下步骤：

S1：采集获取被试者不同运动想象状态下脑电波信号；

S2：对采集的脑电波信号进行滤波、降噪预处理；

S3：对预处理后的信号进行特征提取，构建联合特征矩阵；

S4：对信号进行降维处理后，再分别进行训练和测试，获取最优分类器模型。

2.根据权利要求1所述的一种运动想象脑电信号分类方法，其特征在于，采用对可编辑数字滤波器与期望信号产生的误差信号进行梯度计算和修正，输出最终降噪后的信号，包括以下步骤：

S21：脑电波信号X(n)输送至可编辑数字滤波器中，经过算法处理和补偿后得到滤波器输出信号y(n)，同时期望输出信号Y(n)也输入至可编辑数字滤波器中；

S22：计算Y(n)和y(n)的差值得到误差信号e(n)，随后将每次的输入信号和误差信号同时输入到梯度计算与系数修正模块，计算出下一轮滤波所使用的系数；

S23：通过可编程数字滤波器不断更新滤波器的系数，用滤波器模拟得到的反馈量和实际反馈量之间的误差，并最终输出得到最终输出信号L(n)。

3.根据权利要求1所述的一种运动想象脑电信号分类方法，其特征在于，对每导联信号进行互补集合经验模态分解，并利用皮尔逊相关系数筛选每个导联脑电信号的本征模态函数分量，构建时频域特征向量，包括以下步骤：

S31：信号经预处理后，对每个导联信号进行互补集合经验模态分解，并利用皮尔逊相关系数筛选每个导联脑电信号的本征模态函数分量；

S32：提取筛选后每个导联信号的时域和频域特征向量；

S33：通过共同空间模式算法获得空间滤波器，提取每个导联脑电信号的空域特征向量，构建联合特征矩阵。

4.根据权利要求1所述的一种运动想象脑电信号分类方法，其特征在于，通过矩阵乘以一个随机矩阵来实现联合特征矩阵的降维处理，包括以下步骤：

(1)记描述该运动想象特征向量m的矩阵为D∈IRd×p，其中，d为关键点模块的特征向量长度，p为关键点模块的数量；

(2)将维数为d的向量投影到一个维数为n的子空间中，其中n＜＜d；

(3)通过矩阵D乘以一个随机矩阵R来实现特征向量矩阵的降维处理，将特征向量矩阵维数降低为n×p：

Y＝RD

其中，Y∈IRn×p为降维后的特征向量矩阵，R为随机投影矩阵，R∈IRn×d，均值为0，方差为1。

5.根据权利要求1所述的一种运动想象脑电信号分类方法，其特征在于，所述步骤S4中，通过训练和测试获取最优分类器模型的方法为将处理后的信号分为训练组和测试组，训练组将脑电信号作为训练数据进行格式转换、特征点提取、特征向量计算、降维和类别直方图计算后，得到训练数据的分类器模型最优参数，测试组将脑电信号作为训练数据进行格式转换、特征点提取、特征向量计算、降维和类别直方图计算后，利用训练组中的分类器模型最优参数进行稀疏表达，得到最优分类器模型，随后将测试组数据输入训练好的分类器模型中进行分类，完成对多类运动想象的识别分类。

6.一种基于权利要求1-5任一项所述的运动想象脑电信号分类方法的分类系统，其特征在于，包括：

脑电波信号采集模块，用于采集获取被试者不同运动想象状态下脑电波信号；

预处理模块，用于对采集的脑电波信号进行滤波、降噪预处理；

特征提取模块，对预处理后的信号进行特征提取，构建联合特征矩阵；

特征处理模块，对信号进行降维处理，所述特征处理模块包括训练模块和测试模块，用于对脑电信号数据进行训练和测试，获取结果数据，所述特征处理模块还包括分类器模型获取模块和分类结果确定模块，用于获取训练和测试过程中的最优分类器模型和对分类结构进行确认。