[发明专利]基于功率谱密度和互相关熵谱密度融合的特征提取方法

摘要

本发明公开了一种基于功率谱密度和互相关熵谱密度融合的特征提取方法，首次将互相关熵谱密度运用于脑电信号处理提取频域特征，并将互相关熵谱密度与功率谱密度融合得到一种新的特征，与传统的功率谱密度和互相关熵谱密度相比，融合后的特征提取方法不仅能很好地提取信号中的频率信息，还能抑制噪声的影响。本发明相比于功率谱密度和互相关熵谱密度分别更适用于信噪比高和信噪比低的信号，新的特征不仅适用于以上两种场景，还为脑电信号的低信噪比及包含环境中未知特性的各种干扰信号提供一种性能良好的频域特征提取方法。因此基于功率谱密度和互相关熵谱密度融合的特征提取方法在实际脑机接口运用中更加易于推广和使用。

主权项

1.基于功率谱密度和互相关熵谱密度融合的特征提取方法，其特征在于，包括以下步骤：步骤1：在获得原始运动想象脑电信号后，对每个通道进行滤波，滤波后得到数据集：{{X₁，y₁}，{X₂，y₂}，…，{X_N，y_N}}其中，N是运动想象实验样本数，每一个样本包含一个数据矩阵X_i∈R^c×n和一个值为‑1或1的标签y_i，分别对应左和右，c是通道数量，n是每一段运动想象样本的采样点数；步骤2：针对每个样本的每个通道，使用式(1)计算功率谱密度p_PSD：其中，向量x是一个样本中一个通道记录的数据，为X_i的一行，n是向量的长度，功率谱密度p_PSD是一个长度为M的行向量；对一个样本的每一个通道分别计算功率谱密度，得到一个样本的功率谱密度特征向量：对所有样本计算完成后，将得到N个特征向量：接着，针对每个样本的每个通道，使用式(2)计算互相关熵谱密度p_CSD：其中，互相关熵谱密度p_CSD是一个长度为L的行向量，L是由基于Yule‑Walker的自回归谱分析决定，v_c表示中心互相关熵，由式(3)计算：其中，是数据互相关熵的均值，将互相关熵减去均值能够有效消除数据中的直流分量，数据互相关熵v(m)及其均值由式(4)和式(5)计算：其中，x是样本中一个通道的数据，是一个长度为n的向量，k(·)是高斯核函数：其中，核宽度σ需通过交叉验证选定，通过式(2)‑(6)计算出一个样本每个通道的互相关熵谱密度p_CSD，就能够得到一个样本数据矩阵的互相关熵谱密度特征向量：接着将同一样本的两个特征向量融合得到N个特征向量p_PSDCSD：初始的样本集合转换为新的样本集合：其中，特征向量的上标表示样本的序号；步骤3：分别在分类方法最近邻和支持向量机下，将新的样本集合做交叉验证找到每种分类方法的最优核宽度σ_o，接着将使用最优核宽度计算得到的特征作为输入训练得到对应的分类模型。