[发明专利]基于共同空间模式特征宽度学习的脑电分类方法

摘要

本发明涉及一种基于共同空间模式特征宽度学习的脑电分类方法，旨在利用共同空间模式方法提取出运动想象脑电信号的本质特征之后利用宽度学习算法对其进行准确且快速的分类，以达到良好的分类效果。本发明首先获取多通道运动想象脑电信号，对其进行预处理操作，接着利用一对多的共同空间模式算法从预处理以后的脑电信号中提取出多类脑电特征，结合宽度学习方法构建多类运动想象脑电信号分类框架，然后利用新的脑电特征信号对模型进行分类测试。本发明采用宽度结构神经网络代替深度结构神经网络来训练模型可以有效的提高分类准确率同时大大降低训练的耗时，在脑电信号处理以及分类领域具有广阔的应用前景。

主权项

1.基于共同空间模式特征宽度学习的脑电分类方法，其特征在于：该方法包括以下步骤：步骤(1)获取多通道运动想象脑电信号，并进行预处理操作；步骤(2)采用一对多的共同空间模式对预处理之后的数据进行特征提取；步骤(3)步骤(2)中提取的特征向量作为宽度学习算法的输入，每个输入向量被映射成为特征节点和增强节点，通过不断的增加节点以满足模型训练的要求，最后得到最优的分类器模型；具体是：模型的输出Y由特征节点和增强节点构成：其中，特征节点Z_i＝φ(XW_i+β_i),i＝1,...,n，φ表示特征节点的映射函数，β_i表示第i个偏置，Z_i由样本X通过特征映射组合而来，增强节点H_m＝ξ(ZⁿW_m+β_m)由特征节点再一次映射得到，ξ表示增强节点的映射函数，β_m表示第m个偏置，W^m是网络由输入到输出之间的权值，通过不断更新权值完成模型训练；所述的样本X为步骤(2)得到的特征向量F；m为增强节点个数；步骤(4)采用步骤(3)得到最优分类器模型对新的脑电特征进行分类。