[发明专利]基于CSP和R‑CSP算法的脑电信号特征提取方法

摘要

本发明涉及一种基于CSP和R‑CSP算法的脑电信号特征提取方法。本发明针对传统CSP算法提取小样本的脑电信号时，其协方差估计会产生较大的误差，本发明在传统的CSP算法上改进，提出了正则化的CSP算法(R‑CSP)。首先利用小波阈值去噪算法对信号进行去噪处理；其次，求对5名实验者协方差矩阵，并选取其中一个为目标实验者，其余作为辅助实验者，通过正则化参数的选择来构造出最优的空间滤波器，从而提取到特征向量。最后，利用遗传算法来优化支持向量机分类器，进而提高分类结果的正确率。其最终的分类结果表明，R‑CSP算法相比于传统的CSP算法其分类识别的正确率更好。

主权项

基于CSP和R‑CSP算法的脑电信号特征提取方法，其特征在于，该方法具体包括以下步骤：步骤1.选取多名实验者的脑电信号数据作训练集和测试集，并对每个实验者的脑电信号进行预处理，包括信号长度选取以及EEG阈值去噪；步骤2.利用正则化CSP算法对预处理后的信号进行分析研究；从多名实验者中选取1名作为目标实验者，其余作为辅助实验者，调节正则化参数使目标实验者和辅助实验者之间的训练数据相结合，构造出正则化的空间滤波器对脑电数据进行滤波处理，完成特征信号的提取工作；特征信号的提取工作的主要具体步骤如下：对每个实验者的训练样本求解协方差矩阵，则可以得到标准的空间协方差为式中，表示信号，d∈{1，2}表示类别d的第i个样本的脑电信号，N×T表示维度，T表示为每次任务中每个通道的采样点数；是的转置，是矩阵的对角元素之和，即矩阵的迹，r(c，i)表示协方差；在任务类型已知的训练集中，分别将对两类任务的样本矩阵进行各自的空间协方差计算，平均正则化协方差矩阵为：式中：c表示类别，其中(0≤γ≤1)和(0≤β≤1)，γ，β为正则化参数，I为N×N的单位矩阵，定义如下式中：rc表示为目标受试者进行k次c类实验的协方差矩阵之和：表示为辅助受试者进行次c类实验的协方差矩阵之和，即：式中表示共有s名受试者，其中进行单侧想象运动为k次；γ(c，j)表示辅助受试者第j次c类实验的协方差矩阵，其中根据以上的公式可知，当β＝γ＝0的时候，R‑CSP变为传统的CSP算法；当都不为零的时候，根据调整不同的β和γ的值，根据不同的参数的选择，逐一对比不同参数的实验结果，通过不断的精选参数的过程中，最终使小样本特征提取的结果达到最优，进而得到更好的分类结果；在正则化参数的作用下，得到受试者的两类运动想象的EEG信号来构造平均正则化协方差矩阵，它们分别是式中，RA和RB分别表示目标受试者的A类和B类训练样本的协方差矩阵之和，和分别表示辅助受试者的A类和B类训练样本的协方差矩阵之和，tr是矩阵的迹，I为N×N的单位矩阵；将ZA(β，γ)和ZB(β，γ)进行求和操作，然后对其和进行特征分解，如下所示：式中，为对应的特征向量矩阵，是特征值对角矩阵，则正则白化矩阵为进行变换得到如下等式：式中，和是对角矩阵，其中其对应的特征向量矩阵又分别是和分别选取和中最大的特征值对应的特征向量和构造空间滤波器设X为经过预处理后的EEG信号XA和XB分别是对应的两类训练样本，经过滤波器WA和WB之后，得到特征向量[ZA，ZB]为步骤3.将遗传算法和以径向基函数为模型的支持向量机(SVM)分类器相结合对特征向量进行分类，得到实验分类结果。