[发明专利]基于通道加权支持向量的运动想象脑电分类方法

摘要

本发明涉及一种基于通道加权支持向量的运动想象脑电分类方法。本发明首先获取多通道运动想象脑电信号，其次在各通道脑电信号两两之间相关性分析基础上建立各通道的权重模型，然后将权重模型嵌入到通道加权支持向量机的原始优化问题中，对来自不同通道的输入数据赋予不同的权值，最后在两类分类算法基础上设计通道加权支持向量多类分类方法，自动地实现通道选择，提高多运动想象任务分类的准确性。该方法在脑-机接口领域具有广阔的应用前景。

主权项

1. 基于通道加权支持向量的运动想象脑电分类方法，其特征在于该方法包括如下步骤：步骤(1).获取多通道运动想象脑电信号，具体是：采用多导联电极帽采集不同运动想象实验范式下的脑电信号；步骤(2).建立通道权重模型，具体是：首先根据公式(1)计算各通道脑电信号之间的欧氏距离，并找出所有欧式距离中的最小值，然后计算各通道采集到的脑电信号与最小欧氏距离对应通道的脑电信号均值之间的欧氏距离，最后根据公式(2)计算得到各通道的权重系数；(1)其中，为通道总数，与分别为通道和在第个采样点的EEG数据值，为信号序列长度，为通道和脑电信号之间的欧氏距离，为所有欧式距离中的最小值，和为最小欧氏距离对应的两个通道号，；(2)其中，为最小欧氏距离对应的两个通道、采集到的脑电信号的平均值，为通道的权重系数，为调节因子，使得成立；步骤(3).构建通道加权支持向量分类算法；通道加权支持向量机引入了新的超参数——通道的权重系数，在Lagrange乘子空间完成具有混合约束的非线性规划求解，实现通道加权支持向量两类分类方法；对于一个两类的模式识别问题，维欧氏空间的训练样本集，为样本数，为输入值，为类标号；通道加权支持向量机的原始优化问题如公式(3)所示，是一个具有混合约束的非线性规划问题；(3)其中，输入值是来自于所有个通道的特征数据连接而成的列向量，见公式(4)，其中每个通道取个特征；为惩罚参数，为松弛变量；矩阵为权值矩阵，对来自不同通道的样本赋予不同的权重系数，如公式(5)所示，这里为单位矩阵；(4)(5)引入Lagrange函数并寻求其鞍点，将通道加权支持向量机的原始优化问题转化为对偶空间的优化问题，记为：(6)其中，，；采用具有混合核的标准SVM对偶优化方法求解得到Lagrange乘子的最优解；步骤(4).构建通道加权支持向量多类分类方法，具体是：将通道加权支持向量分类算法与二叉树组合策略结合，构造节通道加权支持向量多类分类方法；通道加权支持向量分类方法是针对两类的分类问题，为实现对多个类别的模式识别，还需对通道加权支持向量分类方法进行推广；对于一个类的分类问题，，给定维欧氏空间的训练样本集，为样本数，为输入值，为类标号；在二叉树结构中，每一个节点上只把某一个类别和其他类别加以分开，即从根节点开始，沿树的路径依次得到的类别标签为，采用“一对多”的算法构造通道加权支持向量多类分类方法。