[发明专利]一种基于非高斯中性向量特征选择的脑电波(EEG)信号分类方法

摘要

本发明实施例公开了一种基于非高斯中性向量特征选择的脑电波(EEG)信号分类方法。该方法包括如下步骤通道选择步骤将输入的每个通道变换并归一化后，取能量最大的M个通道形成一个超向量；非线性去相关步骤由于每个通道形成的向量是中性向量，可以利用其中性性质进行非线性去相关生成向量u；特征选择步骤按差分熵或方差从大到小排序，对每个通道分别取Nm个为最终特征；贝塔分类器设计步骤用贝塔混合模型设计分类器。利用本发明实施例，能够提高脑电波信号分类的准确率，具有很大的实用价值。

主权项

一种基于非高斯中性向量特征选择的脑电波信号分类方法，其特征在于，包括以下步骤：通道选择步骤：将输入的每个通道的EEG信号进行离散小波变换,得到小波变换系数w(k,j)，再边缘化得到离散小波边缘化变换因子mDWT向量有：ck=Σj=0L/2K-1|w(k,j)|k=1,...,K-1Σj=0L/2K-1|wH(K,j)|k=KΣj=0L/2K-1|wL(K,j)|k=K+1,]]>变换域归一化的K+1维向量[x1,x2,...,xK+1]T，其元素为：xk=ckΣi=1K+1ci,k=1,...,K+1]]>对每一通道算其能量，即平方和：Es=Σi=1K+1xi2,s=1,...,S]]>取Es值最大的M个通道作为后面步骤分析的通道，这M个通道的所有元素形成一个超向量：xsup=[x1T,x2T,...,xMT]T;]]>上述超向量中，每个通道即xm中的元素都非负且加和为1，其中1≤m≤M，符合中性向量的特征；非线性去相关步骤：对每个通道的中性向量x＝[x1,x2,...,xK+1]T，利用其中性性质进行去相关操作获取非线性去相关矢量u；具体步骤如下:对每个通道的中性向量x进行补零生成其中，0P是全0的P×1向量，P＝2N‑(K+1)，进行N轮循环获取非线性去相关矢量其中1≤t≤N,x1＝xzp，和分别表示xt中奇数和偶数位置的元素，运算符./表示逐元素相除，并特殊定义0/0＝1，ut由中非零元素组成；特征选择步骤：按差分熵或方差从大到小排序，对每个通道分别取Nm个为最终特征；贝塔分类器设计步骤：每个脑电波信号通道中获取的Nm维去相关矢量特征维度间互相独立满足多维贝塔分布：f(u~)=Πr=1NmBeta(ur;ar,br),]]>对于选取的M个通道，共选了维变量，分布为：f(u~sup)=Πi=1MΠr=1NmBeta(u~ir;air,bir)]]>贝塔分布的参数可以通过如下步骤获取:1)x＝[x1,x2,...,xK+1]T满足狄利克雷分布，其分布参数为α＝[α1,α2,...,αK+1]T，初始设α1＝α，i＝2；2)若length(αi)≠2，重复以下步骤：αl,i＝α2l‑1,i‑1+α2l,i‑1al,i‑1＝α2l‑1,i‑1,bl,i‑1＝α2l,i‑1其中L＝length(αi‑1)‑1，若L为偶数取1≤l≤L/2，若L为奇数取1≤l＜(L+1)/2；若L为偶数取αi＝[α1,i,...,αl,i,αL+1,i‑1]T，若L为奇数取αi＝[α1,i,...,αl,i]T；ai‑1＝[a1,i‑1,...,al,i‑1]T,bi‑1＝[b1,i‑1,...,bl,i‑1]T；3)若length(αi)＝2设ai＝α1,i,bi＝α2,i，输出参数：训练数据包含两类，分别标记为C∈{+1,‑1}，利用+1样本和‑1可以分别训练两个模型与来表征正常与有病的脑电波信号；分类测试时提取M个通道的超特征矢量并利用最大后验公式进行判决，其中p(C)为先验概率，表示训练数据中+1样本与‑1样本的比例。