[发明专利]一种基于低秩和稀疏矩阵分解的新型脑电信号处理方法

摘要

本发明公开了一种基于低秩和稀疏矩阵分解的新型脑电信号处理方法。本发包括如下步骤：步骤1、被试者根据提示执行运动想象任务，使用多通道脑电信号采集设备采集被试者的脑电信号数据，完成被试者信息录入和脑电数据采集；步骤2、对步骤1中采集到的脑电数据进行数据预处理，预处理过程包括带通滤波、去公共平均参考方法；步骤3、对步骤2预处理后得到的脑电数据X进行分解；步骤4、计算噪声部分；步骤5、计算运动想象任务执行正确率。本发明能有效的表达脑电信号的组成部分，便于不同脑机系统应用场合的特征提取和分析。

主权项

一种基于低秩和稀疏矩阵分解的新型脑电信号处理方法，其特征在于包括如下步骤：步骤1、被试者根据提示执行运动想象任务，使用多通道脑电信号采集设备采集被试者的脑电信号数据，完成被试者信息录入和脑电数据采集；步骤2、对步骤1中采集到的脑电数据进行数据预处理，预处理过程包括带通滤波、去公共平均参考方法；步骤3、对步骤2预处理后得到的脑电数据X进行分解，具体是：脑电数据X可通过低秩稀疏近似分解得到低秩部分L、稀疏部分S和噪声部分G；X＝L+S+G,rank(L)≤r,card(S)≤k       公式13‑1、将低秩部分L初始化为X，稀疏部分S初始化为零矩阵：L＝X,S＝0；3‑2、对低秩部分L进行模型优化，具体如下$\tilde{L}=\[(X-S){(X-S)}^T\](X-S)$       公式2其中，为优化后得到的低秩部分，S第一次为初始化后为零矩阵，之后为上一次循环所得到的稀疏部分；3‑3、计算矩阵X的双边随机投影(Bilateral random projections,BRP)，根据给定的秩r，生成一个秩为r的随机向量A，使用随机向量A构造双边随机投影Y₁和Y₂$Y_1=\tilde{L}A,Y_2={\tilde{L}}^T{Y}_1$         公式3为了优化投影结果，使用左边随机投影Y₁来构建右边随机投影Y₂，多次循环q次来更新Y₁和Y₂，其中q为输入的参数，代表迭代次数，增加q会得到更好的结果和正确性，但同时也会增加时间成本；3‑4、对右边随机投影Y₂进行QR分解，具体如下：Y₂＝QR         公式43‑5、得出新的低秩部分L:$L=\left(\tilde{L}Q\right)Q^T$          公式53‑6、计算稀疏部分S，具体如下：S＝Ρ_Ω(X‑L)        公式6其中，Ρ_Ω()代表对于元素集Ω的矩阵投影，Ω为|X‑L|的前k个最大元素非零子集；3‑7、判断循环条件，如果分解结果误差小于ε，则进入步骤4，否则，跳转至步骤3‑2；其中ε为设定的误差范围，具体如下$\left|\right|X-L-S|{|}_F^2/|\left|X\right|{|}_F^2\>\mathrm{\ϵ}$          公式7步骤4、计算噪声部分经过多次循环后得出结果，由低秩部分L和稀疏部分S得出噪声部分GG＝X‑L‑S        公式8步骤5、计算运动想象任务执行正确率根据先验知识，选择经过步骤3后得到的的稀疏部分S的C3、C4通道，使用快速傅里叶变换计算两个通道的能量谱；通过比较计算的结果序列和实际任务提示序列，计算运动想象任务执行的正确率；最后，根据前述步骤的计算结果和数据库中保存的历史数据，比较经过低秩稀疏分解处理后数据的正确率与原数据的正确率。