[发明专利]一种基于分层超限学习机的运动想象脑电信号分类方法

摘要

本发明公开了一种基于分层超限学习机的运动想象脑电信号分类方法属于模式识别和脑‑机接口领域。首先，对每一样本的原始信号进行加窗分段，得到S段子信号；然后，分别对该S段子信号进行主成分分析和线性判别分析，并将最终的S个K‑1维特征向量进行组合，得到S*(K‑1)维的特征；最后，将所有样本的特征送入分层超限学习机分类器中，得到最后的分类结果。传统的ELM算法是单隐层结构，在分析复杂信号方面有很大的局限性，本发明采取HELM进行分类识别，利用基于ELM的稀疏自编码将单隐层的ELM改造成深层网络结构，通过层次化的特征提取和分类，提取深层信息，提高了分类正确率，并且保持了ELM低耗时的优势。

主权项

一种基于分层超限学习机的运动想象脑电信号分类方法，其特征在于：首先，对每一样本的原始信号进行加窗分段，得到S段子信号；然后，分别对该S段子信号进行主成分分析和线性判别分析，并将最终的S个K‑1维特征向量进行组合，得到S*(K‑1)维的特征；最后，将所有样本的特征送入分层超限学习机分类器中，得到最后的分类结果；基于分层超限学习机的运动想象脑电信号分类方法，包括以下步骤：步骤一，采用固定的滑动时间窗将原始运动想象脑电信号分为S段子信号；S的取值取决于滑动时间窗的长度与原始脑电信号的长度；步骤二，对步骤一所得到的每一段子信号通过主成分分析方法进行降维，降低信号中冗余信息，即用主成分表示特征相近的信号，最终得到降维后的特征向量；步骤三，将步骤二中得到的特征向量通过线性判别分析方法进行二次降维，对于K个类别的脑电数据，得到K‑1维的特征向量；对于二分类问题，得到的是一个一维的特征向量；步骤四，对每个子信号均按步骤二和步骤三进行处理，对于S段子信号，所以最终会得到S个K‑1维的特征向量，将S个K‑1维的特征向量进行组合，得到最终为S*(K‑1)维的特征；步骤五，将步骤四所得到的S*(K‑1)维特征送入HELM分类器，得到最终分类结果。