[发明专利]一种基于决策树的脑电信号特征选择方法

摘要

本发明涉及一种基于决策树的脑电信号特征选择方法。首先将采集的多通道脑电信号进行预处理；然后利用主成分分析法对预处理后的脑电信号进行特征提取，得到特征向量；将特征提取后的特征向量输入到决策树中，进行优势特征选择；对决策树选出的优势特征进行重组；最后将重组后的优势特征向量输入到支持向量机中，进行脑电信号分类，得到分类正确率。本发明应用决策树进行优势特征选择，操作简单，无需人工参与，节省时间和人力。应用决策树进行优势特征选择，选择过程中避免了人的主观因素的影响，使选择更客观，分类正确率更高。实验表明，运用本发明方法进行脑电信号分类的平均正确率为89.1%，比运用传统的优势电极重组法提高了0.9%。

主权项

一种基于决策树的脑电信号特征选择方法，其特征在于，包括以下步骤：步骤1，采集数据；受试者佩戴电极帽，想象上下移动屏幕上的光标；采集受试者脑电信号，得到训练样本集和测试样本集；步骤2，进行数据预处理；步骤2.1，数据重组；将采集到的一个电极的训练样本集表示为一个m*p的矩阵，其中m表示训练样本集的样本量，p=r*t为样本集的维度，其中r表示采样率，t表示采样时间；将采集到的所有电极的训练样本集，按样本量不变、维度增加的方法重组成一个训练数据集，即重组成一个m*k的矩阵，k=a*p，其中a为记录电极的个数；将采集到的一个电极的测试样本集表示为一个n*p的矩阵，其中n表示测试样本集的样本量；按照与训练样本集相同的处理方式，将所有电极的测试样本集重组成一个n*k的矩阵；步骤2.2，数据分组；将步骤2.1得到的测试数据集和训练数据集按照维度不变、增加样本量的方法组合成一个数据集，即一个h*k的矩阵，h=m+n；然后再将此数据集按样本量平均地分成10份，其中训练数据是一个w*k的矩阵，w=0.9h，测试数据是一个g*k的矩阵，g=0.1h；步骤3，特征提取；利用主成分分析法分别对训练数据和测试数据进行特征提取，得到特征向量，即将两个数据集均从k维数据降为d维数据，也就是将每个电极的数据从p维降到q维，其中d=a*q；步骤4，特征选择；将特征提取后的特征向量输入到决策树中，进行优势特征选择；步骤5，进行脑电信号分类；取出训练数据中c个特征对应的数据，形成新的训练样本，即一个w*c的矩阵；对测试样本做同样的工作，形成新的测试样本，即一个g*c的矩阵；将重组后的优势特征向量，包括训练样本、训练样本标签、测试样本、测试样本标签，输入到支持向量机分类器中，进行脑电信号分类，得到分类正确率；步骤6，求分类正确率；轮流选择步骤2.2所述的10份数据中的1份作为测试数据，其它9份作为训练数据，重复步骤3～5，共进行10次实验，求10次实验所得到分类正确率的平均值，得到最终的分类正确率。