[发明专利]一种基于边缘小波特征的脑电波(EEG)信号识别系统

摘要

本发明实施例公开了一种基于边缘小波特征的脑电波信号识别系统。该方法包括如下步骤：对输入的脑电波信号进行K层小波分解，对K-1层的低频成分，以及第K层的低频和高频成分进行绝对值求和并归一化生成边缘小波特征；按照Fisher判定准则对输入脑电波信号的通道进行选择，选取能够较好表达大脑思维模式的通道，并组合生成边缘小波超特征向量；使用超狄利克雷混合模型模拟特征超向量的分布,并解出模型中的参数；识别使将待识别的脑电波信号按照进行特征提取、通道选择组成超向量后送入概率模型中计算概率值，并结合先验概率按照最大后验概率的原则进行识别。利用本发明实施例，能够提高脑电波信号识别的准确率，具有较大的实用价值。

主权项

一种基于边缘小波特征的脑电波(EEG)信号识别系统，其特征在于，包括以下步骤：一.特征提取步骤：A、离散小波变换步骤：对从传感器中获取的M路脑电波信号利用小波变换进行K层分解；B、边缘小波特征提取步骤：对前K‑1层小波系数中的低频部分，以及第K层小波系数中的低频和高频部分进行求和、连接与归一化处理，生成K+1维的边缘小波特征；二、特征选择与模型训练步骤：A、特征选择步骤：对提取的M路边缘小波特征利用Fisher准则进行特征选择，挑选出m路最能体现脑电波结构特点的特征；B、模型训练步骤：将获取m路K+1维的边缘小波特征进行组合生成m×(K+1)维的特征超向量；使用超狄利克雷混合模型(SDMM:super‑Dirichlet Mixture Model)模拟边缘小波特征超向量的分布,通过梯度法解方程求出模型中的参数α,最终得到一系列模型，每个模型对应一种类型的脑电波；三.识别步骤：提取某种脑电波信号数据后，采用步骤一的方法提取各个通道的特征，并按照步骤二A的训练结果进行通道选择并组成超特征向量，将超特征向量输入步骤二B所训练的概率模型中计算概率值，并结合先验概率分布，采用最大后验准则进行脑电波类型的识别。