[发明专利]基于DWT和Parametric t-SNE的运动想象脑电信号的特征提取方法

摘要

基于DWT和Parametric t‑SNE的运动想象脑电信号的特征提取方法，首先，使用Wigner‑Ville分布和功率谱确定脑电特征的有效时、频范围，然后对于特定时间段与频率段的脑电信号进行三层离散小波分解，通过计算其均值、能量均值和均方差等统计特征量作为该脑电信号的时频特征；同时利用参数化t‑SNE算法对上述小波系数进行非线性特征映射，并将对应低维空间中的嵌入坐标作为非线性特征；将两种特征标准化得到同时包含特定时频段脑电信号时频信息和非线性信息的特征向量。本发明不仅获得具有紧致性、完备性的脑电特征，还提出以多层前向传播神经网络拟合非线性映射来解决传统流形学习算法在模式分类应用中泛化性能不足的问题，进一步提高了MI‑EEG信号的模式分类准确性。

主权项

1.基于DWT和参数化t-SNE的运动想象脑电信号的特征提取方法，其特征在于：包括以下步骤，步骤1，信号预处理；首先，从神经生理学角度对MI-EEG信号产生的特点进行剖析，并使用Wigner-Ville分布和平均功率谱分析确定脑电特征的有效时、频范围，由于ERS/ERD现象在C3和C4导脑电信号中表现较为明显，所以本方法仅对C3和C4两导信号进行平均功率谱的分析，其平均功率P(j)由下式计算： P ( j ) = 1 N &Sigma; i = 1 N x 2 ( i , j ) - - - ( 1 ) ]]>其中，x(i，j)表示某导MI-EEG信号第i次实验的第j个数据，N为实验次数；结合上述确定的特征提取的时频范围，使用有限脉冲响应(Finite Impulse Response,FIR)滤波器对脑电信号进行8-30Hz带通滤波，初步获取脑电信号ERD和ERS生理现象表现显著的目标数据段；步骤2，对步骤1得到的脑电信号进行三层的离散小波分解；对于信号f(t)的L层离散小波变换可以表示为： f ( t ) = A L + &Sigma; j = 1 L D j - - - ( 2 ) ]]>式中L为分解层数，AL表示低通逼近分量，Dj为j尺度下细节分量，j＝1,2,…,L；从而，将信号f(t)划分为多个子频带；设信号f(t)的采样频率为fs，则AL，DL，DL-1…D1各分量分别所对应的频带范围依次为：[0，fs/2L+1]，[fs/2L+1，fs/2L]，[fs/2L，fs/2L-1]，…，[fs/22，fs/2]；步骤3，时频特征提取；由于小波系数表达了信号在时域和频域的能量分布，且Alpha节律(8～13Hz)与D3的频率范围(8～16Hz)较为接近，而Beta节律(14～30Hz)与D2的频率范围(16～30Hz)较为接近，这正是MI-EEG信号的ERD/ERS现象较为明显的两个波段；因此，本方法将基于D2和D3细节分量进行特征提取；为了从能量角度刻画脑电特征，本方法将对于步骤3中得到的小波细节分量D2和D3的均值、能量均值及均方差作为脑电信号的时频特征；令表示Ci导MI-EEG信号的第j层细节分量系数Dj(i＝3，4j＝2，3)，k＝1，2，…，n，其均值定义为： &mu; &OverBar; j i = 1 n &Sigma; k = 1 n m j , k i - - - ( 3 ) ]]>能量均值计算式为： E &OverBar; j i = 1 n &Sigma; k = 1 n <