[发明专利]基于约束极速学习机的脑电信号分类方法

摘要

本发明涉及一种基于约束极速学习机的脑电信号分类方法，包括采用固定的滑动时间窗将原始运动想象脑电信号平均分为S段子信号；对每一段子信号通过主成分分析方法进行降维；对降维后的特征向量通过线性判别分析方法再次降维，对于K种类别的脑电数据，得到K-1维的特征向量；对每一段子信号进行处理，得到S个K-1维的特征向量，组合后得到S*(K-1)维的特征；将S*(K-1)维特征送入约束极速学习机(CELM)进行分类。本发明应用CELM通过改变输入层节点与隐层节点之间的权重的选取方式，限制权重参数的随机性，从而既能提高运动想象脑电信号的分类准确率，又能保持ELM训练速度快的优势。

主权项

基于约束极速学习机的脑电信号分类方法，包括：步骤1，对脑电信号进行特征提取，得到脑电信号的特征；处理对象为一组训练数据集TrainData和一组测试数据集TestData，TrainData的样本量为N，维度为D；TestData的样本量为M，维度同样为D；其中TrainData与TestData中样本属于K个类别；步骤1.1，采用固定时间窗把TrainData和TestData均分成S段脑电子信号；TrainData_i代表训练数据集中第i段子信号，每段子信号的维度为D_i，i＝1,2,…,S；TestData_i代表测试数据集中第i段子信号，每段子信号的维度为D_i，i＝1,2,…,S，D₁＝D₂＝…＝D_i＝W；步骤1.2，对步骤1.1所得到的每一段子信号TrainData_i和TestData_i通过主成分分析方法进行降维；将特征值从大到小进行排序后，再根据累计贡献率，只保留前m个最大特征值对应的特征向量组合M_PCA＝[Φ₁,Φ₂,...,Φ_m]作为投影空间向量；将TrainData_i和TestData_i同时投影到M_PCA上，可得到PCA降维后的训练数据Train_i和测试数据Test_i；步骤1.3，对步骤1.2中得到的特征向量通过线性判别分析LDA方法进行二次降维：根据LDA准则，利用Train_i中不同类别样本的类间离散度矩阵以及同一类别样本的类内离散度矩阵计算出LDA的投影空间向量w^*；把Train_i与Test_i投影到w^*上，得到第i段脑电子信号的特征：TrainFeature_i＝Train_i·w^*TestFeature_i＝Test_i·w^*步骤1.4，对每一段子信号均按照步骤1.2和步骤1.3进行处理，计算出所有的TrainFeature_i与TestFeature_i，进行组合后得到最终的特征TrainFeature与TestFeature：TrainFeature＝{TrainFeature₁，TrainFeature₂，…，TrainFeature_x}TestFeature＝{TestFeature₁，TestFeature₂，…，TestFeature_x}其特征在于还包括：步骤2，用所述步骤1.4得到的特征TrainFeature训练约束极速学习机分类器模型，将TestFeature送入训练好的模型进行分类。