本發(fā)明屬于腦電信號處理的技術(shù)領(lǐng)域，尤其涉及一種基于層次分析的腦電信號特征分類的二分類方法。
背景技術(shù)：
腦機接口(braincomputerinterface,bci)是指能夠使人不依賴周圍神經(jīng)系統(tǒng)和肌肉，而與外界進行通信或控制的設(shè)備。腦機接口技術(shù)作為一種全新的通信和控制技術(shù)，可以為思維正常但有嚴重運動障礙的患者提供語言交流和環(huán)境控制手段。此外，腦機接口技術(shù)不僅應(yīng)用于未患者提供語言交流和環(huán)境控制，在自動控制、軍事認知等科學(xué)領(lǐng)域也有潛在的應(yīng)用價值。鑒于其巨大的應(yīng)用前景，腦機接口已經(jīng)引起國際科學(xué)界的高度重視，稱為腦科學(xué)、康復(fù)工程、生物醫(yī)學(xué)工程及人機控制領(lǐng)域的一個研究熱點。
在所有能夠被監(jiān)測到的反映大腦活動的信號中，由于腦電信號(electroencephalogram，eeg)具有較好的時間分辨率，監(jiān)測儀器較簡單，非入侵等優(yōu)點，被大部分腦機接口系統(tǒng)所采納。
目前，對腦電信號特征分類的算法有神經(jīng)網(wǎng)絡(luò)、支持向量機、線性判別式分析和樸素貝葉斯等等分類器。這些分類器可以較為準確的根據(jù)腦電信號分類出結(jié)果。但也存在一些問題，例如，每次只會得到簡單的分類結(jié)果而沒有分類結(jié)果的可信度。
不同時間段或者不同頻率段提取的特征對于分類準確度的貢獻不同。而目前分類結(jié)果一般僅僅參考單一時間段或者頻率，或者以不同時間段或者頻率段的分類結(jié)果做專家投票機制，得出最后的分類結(jié)果。
綜上所述，目前腦電信號在特征分類方面存在如下問題：分類依據(jù)特征單一或無法較好地綜合多特征，分類精度不高；分類結(jié)果可信度未知，即只能簡單地得出分類結(jié)果而不能得出對應(yīng)結(jié)果的可信性。針對腦電信號特征分類的問題，本發(fā)明提出了一種基于層次分析的腦電信號特征分類的二分類方法，該方法可以提高分類精度和得到分類結(jié)果的可信度。
技術(shù)實現(xiàn)要素：
本發(fā)明為了解決上述問題，克服現(xiàn)有技術(shù)中腦電信號在特征分類方面存在的分類依據(jù)特征單一或無法較好地綜合多特征、分類精度不高、分類結(jié)果可信度未知的問題，提供一種基于層次分析的腦電信號特征分類的二分類方法，該方法可以提高分類精度和得到分類結(jié)果的可信度。
為了實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：
一種基于層次分析的腦電信號特征分類的二分類方法，該方法的具體步驟包括：
(1)腦機接口系統(tǒng)采集運動想象腦電信號；
(2)將腦機接口系統(tǒng)采集的運動想象腦電信號進行格式轉(zhuǎn)換，并進行數(shù)據(jù)預(yù)處理；
(3)采用特征提取算法分別提取不同時間段和頻率段的腦電信號特征；
(4)將特征提取后的腦電信號征和其對應(yīng)的標(biāo)記按照合適比例分為訓(xùn)練集和測試集；
(5)根據(jù)訓(xùn)練集的腦電信號數(shù)據(jù)采用二分類算法得到預(yù)測分類模型；
(6)采用預(yù)測分類模型計算測試集的測試集分類結(jié)果，并且分別得出不同時間段和頻率段結(jié)果的正確率；
(7)對不同時間段或頻率段分類結(jié)果的正確率與實際結(jié)果進行兩兩比較，構(gòu)造判斷矩陣a；
(8)對判斷矩陣a進行一致性檢驗，并判斷是否通過一致性檢驗，若通過，進入步驟(9)，否則，返回步驟(7)；
(9)確定不同時間段或者不同頻率段判斷矩陣a的權(quán)重w；
(10)用權(quán)重w對不同時間段或者頻率段訓(xùn)練結(jié)果加權(quán)得到最后結(jié)果及其對應(yīng)的可信度。
進一步的，所述步驟(1)中腦機接口系統(tǒng)采集運動想象腦電信號的具體步驟為：
腦機接口系統(tǒng)對用戶進行不同心理作業(yè)時的運動想象腦電信號進行采集，分別包括想象左手運動時的運動想象腦電信號和想象右手運動時的運動想象腦電信號，并將采集的運動想象腦電信號進行存儲。
進一步的，所述步驟(2)中將腦機接口系統(tǒng)采集的運動想象腦電信號進行格式轉(zhuǎn)換并進行數(shù)據(jù)預(yù)處理的具體步驟為：
(2-1)將采集的運動想象腦電信號由二維信號轉(zhuǎn)換為三維信號：將步驟(1)中存儲的腦機接口系統(tǒng)采集的運動想象腦電信號構(gòu)建二維空間矩陣；
(2-2)對步驟(2-1)格式轉(zhuǎn)換后的運動想象腦電信號進行空間濾波、頻帶的帶通濾波、去除眼電和基線矯正預(yù)處理。
進一步的，所述步驟(3)中采用特征提取算法分別提取不同時間段和頻率段的腦電信號特征的具體步驟為：
采用快速傅里葉變換、共空域模式或小波包變換方法提取不同時間段和頻率段腦電信號特征。
進一步的，所述步驟(6)中分類結(jié)果分別為：
想象左手運動時的運動想象腦電信號對應(yīng)的結(jié)果為1，想象右手運動時的運動想象腦電信號對應(yīng)的結(jié)果為-1。
進一步的，所述步驟(7)中構(gòu)造判斷矩陣a的具體步驟為：
根據(jù)對不同時間段或頻率段分類結(jié)果的正確率與實際結(jié)果進行兩兩比較得到的正確率大小的不同，引用數(shù)字1-9及其倒數(shù)作為標(biāo)度構(gòu)造出判斷矩陣a。
進一步的，所述步驟(7)中，
數(shù)字1作為標(biāo)度代表的含義為兩個因素相比，具有相同的重要性，
數(shù)字3作為標(biāo)度代表的含義為兩個因素相比，前者比后者稍重要，
數(shù)字5作為標(biāo)度代表的含義為兩個因素相比，前者比后者明顯重要，
數(shù)字7作為標(biāo)度代表的含義為兩個因素相比，前者比后者強烈重要，
數(shù)字9作為標(biāo)度代表的含義為兩個因素相比，前者比后者極端重要，
數(shù)字2、數(shù)字4、數(shù)字6和數(shù)字8分別表示上述相鄰數(shù)字標(biāo)度判斷的中間值。
進一步的，所述步驟(8)中，對判斷矩陣a進行一致性檢驗的具體步驟為：
(8-1)計算判斷矩陣a的一致性指標(biāo)ci：
其中，λmax為判斷矩陣最大特征值，n為階數(shù)；
(8-2)按照平均隨機一致性指標(biāo)表查找一致性指標(biāo)ri；
(8-3)根據(jù)一致性指標(biāo)ci與一致性指標(biāo)ri的商計算一致性比例cr。
進一步的，所述步驟(9)中，采用幾何平均法、算數(shù)平均法、特征向量法、或最小二乘法確定不同時間段或者不同頻率段判斷矩陣a的權(quán)重w。
進一步的，所述步驟(10)中，可信度分為非常好、較好、較差和非常差四個等級。
本發(fā)明的有益效果：
1.提高腦電信號在特征分類精度：本發(fā)明的一種基于層次分析的腦電信號特征分類的二分類方法，采用特征提取算法分別提取不同時間段和頻率段的腦電信號特征，并采用二分類算法根據(jù)訓(xùn)練集的腦電信號數(shù)據(jù)得到預(yù)測分類模型，大大提高了分類精度；
2.得到分類結(jié)果性對應(yīng)的可信度：本發(fā)明的一種基于層次分析的腦電信號特征分類的二分類方法，對不同時間段或頻率段分類結(jié)果的正確率與實際結(jié)果進行兩兩比較，構(gòu)造判斷矩陣a；對判斷矩陣a進行一致性檢驗，確定不同時間段或者不同頻率段判斷矩陣a的權(quán)重w；用權(quán)重w對不同時間段或者頻率段訓(xùn)練結(jié)果加權(quán)得到最后結(jié)果及其對應(yīng)的可信度。有效的得到了分類結(jié)果的可信度。
附圖說明
圖1是本發(fā)明的方法流程圖。
具體實施方式：
應(yīng)該指出，以下詳細說明都是例示性的，旨在對本申請?zhí)峁┻M一步的說明。除非另有指明，本文使用的所有技術(shù)和科學(xué)術(shù)語具有與本申請所屬技術(shù)領(lǐng)域的普通技術(shù)人員通常理解的相同含義。
需要注意的是，這里所使用的術(shù)語僅是為了描述具體實施方式，而非意圖限制根據(jù)本申請的示例性實施方式。如在這里所使用的，除非上下文另外明確指出，否則單數(shù)形式也意圖包括復(fù)數(shù)形式，此外，還應(yīng)當(dāng)理解的是，當(dāng)在本說明書中使用術(shù)語“包含”和/或“包括”時，其指明存在特征、步驟、操作、器件、組件和/或它們的組合。
在不沖突的情況下，本申請中的實施例及實施例中的特征可以相互組合。下面結(jié)合附圖與實施例對本發(fā)明作進一步說明。
實施例1：
正如背景技術(shù)所介紹的，現(xiàn)有技術(shù)中腦電信號在特征分類方面存在的分類依據(jù)特征單一或無法較好地綜合多特征、分類精度不高、分類結(jié)果可信度未知的問題，提供一種基于層次分析的腦電信號特征分類的二分類方法，該方法可以提高分類精度和得到分類結(jié)果的可信度。
為了實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：
如圖1所示，
一種基于層次分析的腦電信號特征分類的二分類方法，該方法的具體步驟包括：
(1)腦機接口系統(tǒng)采集運動想象腦電信號；
(2)將腦機接口系統(tǒng)采集的運動想象腦電信號進行格式轉(zhuǎn)換，并進行數(shù)據(jù)預(yù)處理；
(3)采用特征提取算法分別提取不同時間段和頻率段的腦電信號特征；
(4)將特征提取后的腦電信號征和其對應(yīng)的標(biāo)記按照合適比例分為訓(xùn)練集和測試集；
(5)根據(jù)訓(xùn)練集的腦電信號數(shù)據(jù)采用二分類算法得到預(yù)測分類模型；
(6)采用預(yù)測分類模型計算測試集的測試集分類結(jié)果，并且分別得出不同時間段和頻率段結(jié)果的正確率；
(7)對不同時間段或頻率段分類結(jié)果的正確率與實際結(jié)果進行兩兩比較，構(gòu)造判斷矩陣a；
(8)對判斷矩陣a進行一致性檢驗，并判斷是否通過一致性檢驗，若通過，進入步驟(9)，否則，返回步驟(7)；
(9)確定不同時間段或者不同頻率段判斷矩陣a的權(quán)重w；
(10)用權(quán)重w對不同時間段或者頻率段訓(xùn)練結(jié)果加權(quán)得到最后結(jié)果及其對應(yīng)的可信度。
所述步驟(1)中腦機接口系統(tǒng)采集運動想象腦電信號的具體步驟為：
腦機接口系統(tǒng)對用戶進行不同心理作業(yè)時的運動想象腦電信號進行采集，分別包括想象左手運動時的運動想象腦電信號和想象右手運動時的運動想象腦電信號，并將采集的運動想象腦電信號進行存儲。
在本實施例中，用戶佩戴eeg電極帽進行不同心理作業(yè)的運動想象，想象左手運動和想象右手運動，采集相應(yīng)的腦電信號為x＝[xl:xr]。想象左手運動時的運動想象腦電信號對應(yīng)的結(jié)果為1，想象右手運動時的運動想象腦電信號對應(yīng)的結(jié)果為-1。
所述步驟(2)中將腦機接口系統(tǒng)采集的運動想象腦電信號進行格式轉(zhuǎn)換并進行數(shù)據(jù)預(yù)處理的具體步驟為：
(2-1)將采集的運動想象腦電信號由二維信號轉(zhuǎn)換為三維信號：將步驟(1)中存儲的腦機接口系統(tǒng)采集的運動想象腦電信號構(gòu)建二維空間矩陣；
為了體現(xiàn)eeg信號的空間信息，采集到的eeg信號存儲為x∈irn×m×t,其中m＝n×m是為了體現(xiàn)eeg空間信息而構(gòu)建的二維空間矩陣，其依據(jù)是國際10－20電極位置圖。若是標(biāo)準的10－20電極位置圖，則構(gòu)建的二維空間矩陣m為一個5*5的二維矩陣，相應(yīng)位置上的值為該電極上在不同時間點測量到的腦電信號電壓值，為0的位置則表示該點沒有測量信號，該點的值始終為0。t是采集的時間點，若采集時間為1秒，采集頻率為128,則t＝128。
經(jīng)過此種數(shù)據(jù)轉(zhuǎn)換，測量到的腦電信號則為的三維信號，也可以看作一個的圖像隨著時間的變化而變化的錄像。
在對運動想象腦電信號的分析訓(xùn)練中，建立能夠描述腦電信號空間信息的二維矩陣，將采集的運動想象腦電信號由二維信號轉(zhuǎn)換為三維信號，使得腦電信號描述過程中，不僅包含時間信息，也能夠包含空間信息。
(2-2)對步驟(2-1)格式轉(zhuǎn)換后的運動想象腦電信號進行空間濾波、頻帶的帶通濾波、去除眼電和基線矯正預(yù)處理。
當(dāng)大腦進行不同的運動想象時，不同電極位置上的腦電信號會隨著時間的推移進行變化。同一種運動想象任務(wù)導(dǎo)致的這種變化是相似的，特征提取的任務(wù)就是針對某一種運動想象任務(wù)找到能夠描述這種相似性的東西。
在本實施例中，所述步驟(3)中采用特征提取算法分別提取不同時間段和頻率段的腦電信號特征的具體步驟為：
采用快速傅里葉變換(fft)、共空域模式(csp)或小波包變換(wpd)方法提取不同時間段和頻率段腦電信號特征。
在本實施例中，所述步驟(4)中用適合的比率將數(shù)據(jù)隨機分為訓(xùn)練集和測試集，70％的訓(xùn)練集和30％的測試集。
在本實施例中，所述步驟(5)中用支持向量機(svm)二分類算法根據(jù)70％的訓(xùn)練集得出預(yù)測分類模型。
在本實施例中，所述步驟(6)中分類結(jié)果分別為：
想象左手運動時的運動想象腦電信號對應(yīng)的結(jié)果為1，想象右手運動時的運動想象腦電信號對應(yīng)的結(jié)果為-1。
在本實施例中，所述步驟(7)中構(gòu)造判斷矩陣a的具體步驟為：
在決策者心目中，不同時間段和頻率段由于正確率不同，他們對最后分類貢獻度不同。
根據(jù)對不同時間段或頻率段分類結(jié)果的正確率與實際結(jié)果進行兩兩比較得到的正確率大小的不同，引用數(shù)字1-9及其倒數(shù)作為標(biāo)度構(gòu)造出判斷矩陣
a＝(aij)n×m。
在本實施例中，所述步驟(7)中，
如表1所示，
表1判斷矩陣標(biāo)度定義
數(shù)字1作為標(biāo)度代表的含義為兩個因素相比，具有相同的重要性，
數(shù)字3作為標(biāo)度代表的含義為兩個因素相比，前者比后者稍重要，
數(shù)字5作為標(biāo)度代表的含義為兩個因素相比，前者比后者明顯重要，
數(shù)字7作為標(biāo)度代表的含義為兩個因素相比，前者比后者強烈重要，
數(shù)字9作為標(biāo)度代表的含義為兩個因素相比，前者比后者極端重要，
數(shù)字2、數(shù)字4、數(shù)字6和數(shù)字8分別表示上述相鄰數(shù)字標(biāo)度判斷的中間值。
在本實施例中，所述步驟(8)中，對判斷矩陣a進行一致性檢驗的具體步驟為：
(8-1)計算判斷矩陣a的一致性指標(biāo)ci：
其中，λmax為判斷矩陣最大特征值，n為階數(shù)；
(8-2)按照平均隨機一致性指標(biāo)表查找一致性指標(biāo)ri；
表2平均隨機一致性指標(biāo)
(8-3)根據(jù)一致性指標(biāo)ci與一致性指標(biāo)ri的商計算一致性比例cr
當(dāng)cr<0.10時，認為判斷矩陣的一致性可以接受，否則判斷矩陣需要修正，則回到步驟6，重新構(gòu)造判斷矩陣。
在本實施例中，所述步驟(9)中，采用幾何平均法、算數(shù)平均法、特征向量法、或最小二乘法確定不同時間段或者不同頻率段判斷矩陣a的權(quán)重w。
1)幾何平均法(方根法)
計算步驟：①a的元素按行相乘得一新的向量：
②將新的向量的每個分量開n次方；
③將所得向量歸一化即為權(quán)重向量。
2)算術(shù)平均法(求和法)
由于判斷矩陣a中的每一列都近似的反映了權(quán)值的分配情景，故可用全部向量的算術(shù)平局值來估計權(quán)向量，即：
計算步驟：①a的元素按列歸一化，即求aij/
②將歸一化后的各列相加；
③將相加后的向量除以n即得權(quán)重向量。
3)特征向量法
將權(quán)重向量w右乘權(quán)重比矩陣a，有：
aw＝λmaxw
同上，λmax為判斷矩陣的最大特征值，存在且唯一，w的分量均為正分量。最后，將求得的權(quán)重向量作歸一化處理即為所求。
4)最小二乘法
用擬合的方法確定權(quán)重向量，使殘差和平方最小。即求解以下模型：
wi＞0,i＝1,2,…n.
在本實施例中，所述步驟(10)中，可信度分為非常好、較好、較差和非常差四個等級。用權(quán)重w對不同時間段或者頻率段訓(xùn)練結(jié)果加權(quán)得到最后結(jié)果及可信度，加權(quán)的的結(jié)果對應(yīng)可信度如表3：
表3
本發(fā)明的有益效果：
1.提高腦電信號在特征分類精度：本發(fā)明的一種基于層次分析的腦電信號特征分類的二分類方法，采用特征提取算法分別提取不同時間段和頻率段的腦電信號特征，并采用二分類算法根據(jù)訓(xùn)練集的腦電信號數(shù)據(jù)得到預(yù)測分類模型，大大提高了分類精度；
2.得到分類結(jié)果性對應(yīng)的可信度：本發(fā)明的一種基于層次分析的腦電信號特征分類的二分類方法，對不同時間段或頻率段分類結(jié)果的正確率與實際結(jié)果進行兩兩比較，構(gòu)造判斷矩陣a；對判斷矩陣a進行一致性檢驗，確定不同時間段或者不同頻率段判斷矩陣a的權(quán)重w；用權(quán)重w對不同時間段或者頻率段訓(xùn)練結(jié)果加權(quán)得到最后結(jié)果及其對應(yīng)的可信度。有效的得到了分類結(jié)果的可信度。
以上所述僅為本申請的優(yōu)選實施例而已，并不用于限制本申請，對于本領(lǐng)域的技術(shù)人員來說，本申請可以有各種更改和變化。凡在本申請的精神和原則之內(nèi)，所作的任何修改、等同替換、改進等，均應(yīng)包含在本申請的保護范圍之內(nèi)。