一種基于非高斯中性向量特征選擇的腦電波(eeg)信號分類方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明集中解決在腦機接口系統(tǒng)設(shè)計中，腦電波（EEG)信號的分類問題，著重描 述了一種基于非高斯中性向量特征選擇的腦電波信號分類方法。
【背景技術(shù)】
[0002] 腦機接口（BCI)通過分析大腦信號記錄，將神經(jīng)肌肉疾病患者與計算機連接起 來。有了精心設(shè)計的腦機接口系統(tǒng)，機器可以更好地幫助或輔助治療神經(jīng)肌肉疾病患者。 上述腦電波（Electroenc印halogram，EEG)信號作為非侵入性獲取的信號，是BCI應(yīng)用系統(tǒng) 的設(shè)計中研宄得最多的。不同模式的EEG信號可以反映人體大腦不同的活動，因此腦電波 (EEG)分類是腦機接口系統(tǒng)設(shè)計中至關(guān)重要的一個步驟。
[0003] 在腦電波信號的特征提取中，常用的特征有AR模型參數(shù)，多變量AR參數(shù)，傅里葉 變換特征，邊緣化離散小波變換系數(shù)等。近年來，離散小波邊緣化變換系數(shù)（mDWT)因可以 較好的顯示EEG信號的時域瞬態(tài)特性，而廣泛應(yīng)用于EEG信號分類。本發(fā)明中使用離散小 波邊緣化變換系數(shù)來描述EEG特征。
[0004] 現(xiàn)有較成功的EEG分類方法是基于支撐向量機，然而基于SVM的方法并沒有利用 離散小波邊緣化變換系數(shù)非負(fù)且加和為1這一性質(zhì)。本發(fā)明采用的基于超狄利克雷分布的 分類，剛好彌補這一點，由于mDWT系數(shù)分別來自于相互獨立的通道，可以用超狄利克雷分 布來模擬，且實驗數(shù)據(jù)表明效果優(yōu)于支撐向量機。

【發(fā)明內(nèi)容】

[0005] 針對現(xiàn)有語音傳輸過程中的丟包問題，本發(fā)明的目的是提供一種基于非高斯中性 向量特征選擇的腦電波信號分類方法，以此來提高分類的準(zhǔn)確率。
[0006] 為達(dá)到上述目的，本發(fā)明提出的非線性最優(yōu)化缺失值估計方法包括下列步驟：
[0007] 通道選擇步驟：將輸入的每個通道變換并歸一化后，取能量最大的M個通道形成 一個超向量；
[0008] 非線性去相關(guān)步驟：由于每個通道形成的向量是中性向量，可以利用其中性性質(zhì) 進(jìn)行非線性去相關(guān)生成向量U ;
[0009] 特征選擇步驟：按差分熵或方差從大到小排序，對每個通道分別取Nm個為最終特 征；
[0010] 貝塔分類器設(shè)計步驟：用貝塔混合模型設(shè)計分類器。
[0011] 通道選擇步驟中，輸入的EEG信號包含S個相互獨立的通道，這一步驟的目的是選 出和最后分類任務(wù)最相關(guān)的M組通道，排除相關(guān)性不大的噪聲通道，以此來增加最終分類 結(jié)果的準(zhǔn)確率。
[0012] 步驟如下：
[0013] 1)將輸入的每個通道的EEG信號進(jìn)行變換，如離散小波變換，傅立葉變換等，得 到變換域歸一化的κ+l維向量[X1, x2, . . .，χκ+1]τ，其元素為：
【主權(quán)項】
1. 一種基于非高斯中性向量特征選擇的腦電波（EEG)信號分類方法，其特征在于，包 括以下步驟： 通道選擇步驟：將輸入的每個通道變換并歸一化后，取能量最大的M個通道形成一個 超向量； 非線性去相關(guān)步驟：由于每個通道形成的向量是中性向量，可以利用其中性性質(zhì)進(jìn)行 非線性去相關(guān)生成向量u ; 特征選擇步驟：按差分熵或方差從大到小排序，對每個通道分別取1個為最終特征； 貝塔分類器設(shè)計步驟：用貝塔混合模型設(shè)計分類器。
2. 如權(quán)利要求1所述的一種腦電波信號分類方法，其特征在于，通道選擇步驟中，輸入 的EEG信號包含S個相互獨立的通道，這一步驟的目的是選出和最后分類任務(wù)最相關(guān)的M 組通道，排除相關(guān)性不大的 噪聲通道，以此來增加最終分類結(jié)果的準(zhǔn)確率，具體步驟如下： 1) 將輸入的每個通道的EEG信號進(jìn)行變換，如離散小波變換，傅立葉變換等，得到變 換域歸一化的K+1維向量[X1, x2,. . .，χκ+1]τ，其元素為：
2) 對每一通道算其能量，即平方和：
3) 取Es值最大的M個通道作為后面步驟分析的通道，這M個通道的所有元素形成一個 超向量：
上述超向量中，每個通道（即Xm)中的元素都非負(fù)且加和為1，符合中性向量的特征。
3. 如權(quán)利要求2所述的一種腦電波信號分類方法，其特征在于，非線性去相關(guān)步驟中， 對選定的M個通道中每一通道做去相關(guān)；隨機變量X = [X1, X2, ...，χκ+1]τ，滿足Xk彡?且
那么X中所有元素都是中性的，向量X是中性向量（neutral vector);含有Κ+1 個元素的中性向量有K維自由度；本發(fā)明利用其中性性質(zhì)用非線性可逆變換來去相關(guān)，使 其轉(zhuǎn)換為一組相互獨立的變量；由于X中所有元素都是中性的，Xk獨立于其他歸一化元素， 那么其余歸一化元素可以組成一個新的中性向量，過程如下： 1) 輸入中性向量：x = [X1, χ2,…，XK+1]T 2) 按圖2所示算法流程圖做非線性去相關(guān)，其中，r =「log2(A、l)l P = 2τ-(κ+1)，0Ρ 是全0的PX 1向量，χΓ"和x廣分別表示xt中奇數(shù)和偶數(shù)位置的元素，運算符./表示每個 元素分別相除，并特殊定義〇/〇 = 1 ; 3) 輸出：
4. 如權(quán)利要求3所述的一種腦電波信號分類方法，其特征在于，特征選擇步驟中，由于 狄利克雷變量是完全中性向量，去相關(guān)之后得到向量u中的各個元素相互獨立，根據(jù)可交 換性，可加性，和中性性質(zhì)，向量u中的每個元素都是符合貝塔分布Beta (X ;a，b);按差分熵 或方差從大到小排序，每一個通道取最大的Nm個為最終特征，這一步驟可通過如下兩種方 法分別實現(xiàn)： (1)按X的方差計算：
5.如權(quán)利要求1所述的一種腦電波信號分類方法，其特征在于，貝塔分類器設(shè)計步驟 中，根據(jù)上述方法選定一組維度，因為每一維中的數(shù)據(jù)都假定為貝塔分布，且這些維度互相 獨立，可以得出從一個通道中選定的Nm維向量U = Im1,...,MaJt的分布模型：一個多變量貝 塔分布（mvBeta):
輸入數(shù)據(jù)包含兩類，分別標(biāo)記為Ce {+1，-1};由于根據(jù)圖3所示的算法流程圖，貝塔 分布的參數(shù)已知，所以一個相關(guān)類mvBeta分布對每類可計算；最終創(chuàng)建一個符合上述得到 模型分布的最大后驗分類器（MP);對M個通道所選定特征的判決如下：
【專利摘要】本發(fā)明實施例公開了一種基于非高斯中性向量特征選擇的腦電波(EEG)信號分類方法。該方法包括如下步驟：通道選擇步驟：將輸入的每個通道變換并歸一化后，取能量最大的M個通道形成一個超向量；非線性去相關(guān)步驟：由于每個通道形成的向量是中性向量，可以利用其中性性質(zhì)進(jìn)行非線性去相關(guān)生成向量u；特征選擇步驟：按差分熵或方差從大到小排序，對每個通道分別取Nm個為最終特征；貝塔分類器設(shè)計步驟：用貝塔混合模型設(shè)計分類器。利用本發(fā)明實施例，能夠提高腦電波信號分類的準(zhǔn)確率，具有很大的實用價值。
【IPC分類】G06K9-62
【公開號】CN104680176
【申請?zhí)枴緾N201510067912
【發(fā)明人】馬占宇, 齊峰
【申請人】北京郵電大學(xué)
【公開日】2015年6月3日
【申請日】2015年2月9日