[发明专利]基于人工蜂群时频参数优化的运动想象脑电模式识别方法

摘要

本发明公开了一种基于人工蜂群时频参数优化的运动想象脑电模式识别方法，该方法根据线性判别准则进行导联选择，通过人工蜂群算法进行时域及频域最优参数的选择，采用共空间模式算法进行特征提取，最后由线性判别分析算法进行特征分类。结果表明：导联选择算法能有效选择类间区分度较大的导联通道，同时基于人工蜂群的时频参数优化算法能自动选择类间区分度较大的时间窗口及频带，得到了较好分类结果，能够有效识别不同的运动想象模式。与传统的参数人工选择方法及频域参数自动选择算法相比，本发明的方法能同时在时域及频域上进行全局最优参数的自动搜寻，更有利于提升运动想象脑电信号的特征提取及特征分类效果。

主权项

1.一种基于人工蜂群时频参数优化的运动想象脑电模式识别方法，其特征在于，该方法包含以下几个步骤：步骤一、脑电信号导联通道选择：将采集的包含左右手两类运动想象模式多导联通道脑电信号作为训练集中的样本，采用线性判别准则量化每个导联通道的类间区分能力，并对各个导联通道的类间区分能力进行降序排序，选择前若干个导联通道，抽取所选择的导联通道内的脑电信号；步骤二、最优频带及最优时间窗口选择：针对步骤一选择的训练集中的若干个导联通道内的脑电信号，采用人工蜂群算法进行最优频带和最优时间窗口的选择；步骤三、运动想象脑电信号特征提取：(1)将采集的包含左右手两类运动想象模式多导联通道脑电信号作为测试集中的样本，抽取测试集中与步骤一所选择的导联通道相对应的脑电信号，并根据步骤二得到的最优频带对其进行带通滤波和最优时间窗口对其进行截取；(2)将经过步骤二处理后的训练集和步骤三第(1)步处理后的测试集中的脑电信号，均采用共空间模式(Common Spatial Pattern,CSP)算法进行空域滤波，并分别提取滤波后训练集和测试集中的脑电信号的方差作为特征；步骤四、特征分类：根据步骤三中得到的训练集的特征构建线性判别分析(Linear Discriminant Analysis,LDA)分类器，然后根据所述的分类器对测试集中的特征进行分类，获得分类准确率；步骤二中采用人工蜂群算法进行最优频带和最优时间窗口的选择具体包括以下步骤：(1)种群初始化：包括蜜蜂总数NP，采蜜蜂数量FoodNumber，控制参数Limit，最大迭代次数maxIter以及容忍误差toleranceTh，初始化迭代次数Iter＝1,随机生成一个含有NP个解的初始种群，每个解x_i是一个4维矢量，其中i＝1,2,…,NP，x_i(1)代表频带起始端点，x_i(2)代表频带宽度，x_i(3)代表时间窗口起始端点，x_i(4)代表时间窗口长度；(2)计算步骤(1)中每个解x_i的适应度值，其中i＝1,2,…,NP，此处的适应度值为左右手两类运动想象模式的5折交叉验证的平均分类准确率；(3)采蜜蜂搜索领域内的蜜源，产生新解x_new(Param)＝x_old(Param)+fix(rand(x_old(Param)‑x_neighbour(Param)))，其中Param是1,2,3,4四个数中的一个随机数，x_neighbour是任一采蜜蜂且x_neighbour≠x_old，x_old为采蜜蜂初始解，x_new为采蜜蜂新解，fix()代表取整数；(4)利用贪婪选择策略，从步骤(3)中产生的新解和原来的解中选择适应度值更高的解，并根据适应度值计算当前采蜜蜂对应的选择概率，概率计算公式为其中fit_i是采蜜蜂i的适应度值；(5)观察蜂x_Look根据步骤(4)中得到的概率选择解，并搜索领域内的解，产生新解x_LookNew(Param)＝x_Food(Param)+fix(rand(x_Food(Param)‑x_{LookNeighbour}(Param)))，其中Param是1,2,3,4四个数中的一个随机数，x_Food是该观察蜂x_Look选择的采蜜蜂，x_{LookNeighbour}是观察蜂且x_{LookNeighbour}≠x_Look，fix()代表取整数，并计算适应度值，利用贪婪选择策略从新解和原来的解中选择适应度值更高的解；(6)判断是否有要放弃的解，如果某个解经过Limit次循环之后其适应度值没有提高，此时对应的采蜜蜂就变成侦察蜂，根据式随机产生一个新解来代替该解，其中和分别代表各个参数的上下边界，fix()代表取整数；(7)一次迭代结束后，记录当前最好的解及适应度值；(8)判断迭代次数τ是否达到最大迭代次数maxIter或最好的适应度值是否达到了最大容忍误差toleranceTh，若达到，输出全局最优适应度值OptimalValue及最好的解GBest，GBest中的4个分量分别对应于频带起始端点、频带宽度、时间窗口起始端点及时间窗口长度；否则迭代次数τ＝τ+1，重复步骤(3)到步骤(8)。