一种基于多分类器集成的脑电分类方法技术

本发明专利技术公开了一种基于多分类器集成的脑电分类方法，包括如下步骤：脑电信号采集及预处理；联合运用时域分析方法、自回归模型方法、离散小波变换方法对脑电信号进行特征提取；建立个体支持向量机分类器模型，并将支持向量机分类器的输出转换为概率输出；多分类器集成脑电模式分类，利用D‑S证据理论对3个个体支持向量机分类器的分类信息进行融合，得到最终的分类结果。实验结果表明，本发明专利技术方法能够提高运动想象脑电信号分类的准确率。

A method of EEG classification based on multiple classifiers ensemble

The invention discloses a multi classifier integration based on EEG classification method, which comprises the following steps: EEG signal acquisition and pretreatment; combined use of EEG feature extraction method of time domain analysis, autoregressive model method, discrete wavelet transform method; establish individual support vector machine classifier model and output support vector classifiers are translated into probabilistic output; multi classifiers EEG pattern classification, using D S evidence theory fusion of 3 individual SVM classification information, to get the final classification results. The experimental results show that the proposed method can improve the accuracy of EEG classification for motor imagery.

【技术实现步骤摘要】

本专利技术涉及脑电信号处理及模式识别领域，尤其涉及脑机接口中运动想象脑电信号模式分类，具体是涉及基于多分类器集成的脑电分类方法。
技术介绍
脑机接口是大脑与外部设备之间进行信息传递的通讯系统，它能将使用者大脑的电位活动转换为外部设备的控制命令，从而代替肢体与语言实现与外界的交流。目前，从人体头皮采集的运动想象脑电经常被用于无创脑机接口控制。基于运动想象脑电的脑机接口主要通过对运动想象脑电的分析处理识别使用者的运动意图，进而将识别结果转换为对外部设备的控制命令。近十年来，脑机接口技术由于其在运动功能障碍患者康复训练中的良好应用前景而受到广泛关注。模式识别是脑机接口的关键技术，包括特征提取和模式分类两个部分。在运动想象脑电特征提取方面，时域分析方法、模型参数法、时频分析方法等得到了广泛的使用，其中，离散小波变换由于其良好的时频特性在各种特征提取方法中更具有优势，而且离散小波变换提供了一种将信号分解到不同的子频带进行分析的途径。在运动想象脑电模式分类方面，基于结构风险最小化的支持向量机是一种重要的分类方法，它通过在训练集样本空间中构造一个超平面将样本分开，具有较高的分类精度和泛华性能。目前，在脑机接口的模式识别中大多采用单一分类器，导致分类准确率难以提高，泛华性能也较差，通过集成学习方法，构建并结合多个分类器，能够获得比单一分类器更高的准确率和泛华性能。D-S证据理论在处理不确定信息方面十分有效，利用D-S证据理论能够在先验概率未知的情况下获得较好推理结果，通过D-S证据理论实现多个分类器的结合，从而提高脑机接口中模式识别的准确率，对于进一步改善脑机接口技术在康复治疗中的效果具有重要意义。
技术实现思路
专利技术目的：为提高脑机接口中运动想象脑电模式识别的准确率，本专利技术提供一种基于多分类器集成的脑电分类方法，首先分别采用时域分析、自回归模型和离散小波变换方法提取脑电信号特征并组成相应的特征域，然后在每个特征域下对个体支持向量机分类器进行训练，最后通过D-S证据理论对每个个体支持向量机的分类信息进行融合，得到最终的分类结果。技术方案：为实现上述目的，本专利技术采用的技术方案为：一种基于多分类器集成的脑电分类方法，包括如下步骤：步骤(1)脑电信号采集及预处理：多次采集受试者运动想象动作模态(仅进行左手运动想象和右手运动想象)下的脑电信号，并对每一次采集的脑电信号进行带通滤波处理以形成一个样本，从所有的样本中随机抽取半数样本作为训练样本集，剩余的半数样本作为测试样本集；步骤(2)脑电信号特征提取：对步骤1预处理后的每一个样本进行如下处理：(a)采用时域分析方法，提取样本的时域统计量特征，组成统计量特征域；(b)采用自回归模型方法，提取样本的自回归模型特征，组成自回归模型特征域；(c)采用离散小波变换方法，对样本进行分解与重构，提取重构信号的均值、方差和能量特征，组成离散小波变换特征域；步骤(3)建立个体支持向量机分类器模型：针对训练样本集，在每个特征域下分别对支持向量机进行训练，并将支持向量机的输出转换为概率输出，得到三个个体支持向量机分类器；步骤(4)多分类器集成脑电模式分类：针对测试样本集中的每个样本，先将相应的特征输入到对应的个体支持向量机分类器内，得到每个个体支持向量机分类器的分类信息，然后利用D-S证据理论对三个个体支持向量机分类器的分类信息进行融合，得到该样本最终的分类结果。具体的，所述步骤(1)中，脑电电极基于国际10-20系统标准放置，通过电极帽将电极与头皮相连，采样频率为128Hz，一次采集的脑电信号同时包含C3和C4导联脑电信号，并用巴特沃斯三阶带通滤波器对脑电信号进行滤波处理，带通滤波频段为0.5～30Hz。具体的，所述步骤(1)中，训练样本集和测试样本集中均包含想象左手运动信号和想象右手运动信号两类样本；训练样本集类别标签已知，想象左手运动信号标记为1，想象右手运动信号标记为-1；测试样本集类别标签需要预测，将预测结果和真实类别标签进行对比即可得到分类准确率。具体的，所述步骤(2)具体包括如下步骤：(a)采用时域分析方法，提取样本的时域统计量特征，组成统计量特征域：(a1)对某个样本，分别计算C3和C4导联脑电信号的均值m3和m4、方差v3和v4，进而对C3和C4导联脑电信号进行一阶差分和二阶差分，分别计算一阶差分信号的绝对均值fam3和fam4、二阶差分信号的绝对均值sam3和sam4，则该样本的时域统计量特征为(m3,v3,fam3,sam3,m4,v4,fam4,sam4)T；其中，m3、v3、fam3和sam3对应C3导联脑电信号，m4、v4、fam4和sam4对应C4导联脑电信号；(a2)所有样本的时域统计量特征共同构成统计量特征域；(b)采用自回归模型方法，提取样本的自回归模型特征，组成自回归模型特征域：(b1)对某样本分别提取C3和C4导联脑电信号的自回归模型特征Co3和Co4，提取方法相同，具体为：设该样本经预处理后的某导联脑电信号(C3或C4导联脑电信号)时间序列为x(t)，对其建立自回归模型为：其中，x(t)为该导联脑电信号时间序列，p*为自回归模型阶次，ah为自回归模型系数，u(t)为高斯白噪声序列；自回归模型阶次p*根据BIC准则确定：BIC(p)＝Nlnσ2+plnN其中，p＝1,2,…，N为该导联脑电信号长度，σ2为自回归模型残差；当p由1开始递增时，BIC(p)将在p＝p*处取得极小值，确定p*为自回归模型阶次；基于自回归模型阶次p*，利用Burg算法估计自回归模型系数ah，将Co＝(a1，a2，…，ap*)作为该导联脑电信号的自回归模型特征；(b2)该样本的自回归模型特征为(Co3,Co4)T；(b3)所有样本的自回归模型特征共同构成自回归模型特征域；(c)采用离散小波变换方法，对样本进行分解与重构，提取重构信号的均值、方差和能量特征，组成离散小波变换特征域：(c1)对某样本分别提取C3和C4导联脑电信号的离散小波变换特征So3和So4，提取方法相同，具体为：设该样本经预处理后的某导联脑电信号(C3或C4导联脑电信号)时间序列为x(t)，对其进行离散小波变换，首先构造小波函数Ψj,k(t)：Ψj,k(t)＝2-j/2Ψj,k(2-jt-k)其中，Ψj,k(t)为母小波(本专利技术采用Daubechies类db4母小波)，k为Ψj,k(t)纵坐标方向的平移量，j为Ψj,k(t)的分解层数，2-j表示为尺度参数；对x(t)进行3层频谱分解，得到离散小波变换系数Cj,k：其中，为Ψj,k(t)的共轭；基于上式得到离散小波变换系数Cj,k后，提取第2和3层系数并按照下式对x(t)进行重构：重构信号x1(t)和x2(t)分别对应脑功能频带beta(16～32Hz)和alpha(8～16Hz)频段的信号；计算x1(t)的均值ma、方差va和能量Ea，计算x2(t)的均值mb、方差vb和能量Eb，得到该导联脑电信号的离散小波变换特征So＝(ma,va,Ea,mb,vb,Eb)；(c2)该样本的离散小波变换特征为(So3,So4)T；(c3)所有样本的离散小波变换特征共同构成离散小波变换特征域。具体的，所述步骤(3)中，三种特征域下的支持向量机的训练过程相同，具体如下：将某特本文档来自技高网...

【技术保护点】
一种基于多分类器集成的脑电分类方法，其特征在于：包括如下步骤：步骤(1)脑电信号采集及预处理：多次采集受试者运动想象动作模态下的脑电信号，并对每一次采集的脑电信号进行带通滤波处理以形成一个样本，从所有的样本中随机抽取半数样本作为训练样本集，剩余的半数样本作为测试样本集；步骤(2)脑电信号特征提取：对步骤1预处理后的每一个样本进行如下处理：(a)采用时域分析方法，提取样本的时域统计量特征，组成统计量特征域；(b)采用自回归模型方法，提取样本的自回归模型特征，组成自回归模型特征域；(c)采用离散小波变换方法，对样本进行分解与重构，提取重构信号的均值、方差和能量特征，组成离散小波变换特征域；步骤(3)建立个体支持向量机分类器模型：针对训练样本集，在每个特征域下分别对支持向量机进行训练，并将支持向量机的输出转换为概率输出，得到三个个体支持向量机分类器；步骤(4)多分类器集成脑电模式分类：针对测试样本集中的每个样本，先将相应的特征输入到对应的个体支持向量机分类器内，得到每个个体支持向量机分类器的分类信息，然后利用D‑S证据理论对三个个体支持向量机分类器的分类信息进行融合，得到该样本最终的分类结果。...

【技术特征摘要】
1.一种基于多分类器集成的脑电分类方法，其特征在于：包括如下步骤：步骤(1)脑电信号采集及预处理：多次采集受试者运动想象动作模态下的脑电信号，并对每一次采集的脑电信号进行带通滤波处理以形成一个样本，从所有的样本中随机抽取半数样本作为训练样本集，剩余的半数样本作为测试样本集；步骤(2)脑电信号特征提取：对步骤1预处理后的每一个样本进行如下处理：(a)采用时域分析方法，提取样本的时域统计量特征，组成统计量特征域；(b)采用自回归模型方法，提取样本的自回归模型特征，组成自回归模型特征域；(c)采用离散小波变换方法，对样本进行分解与重构，提取重构信号的均值、方差和能量特征，组成离散小波变换特征域；步骤(3)建立个体支持向量机分类器模型：针对训练样本集，在每个特征域下分别对支持向量机进行训练，并将支持向量机的输出转换为概率输出，得到三个个体支持向量机分类器；步骤(4)多分类器集成脑电模式分类：针对测试样本集中的每个样本，先将相应的特征输入到对应的个体支持向量机分类器内，得到每个个体支持向量机分类器的分类信息，然后利用D-S证据理论对三个个体支持向量机分类器的分类信息进行融合，得到该样本最终的分类结果。2.根据权利要求1所述的基于多分类器集成的脑电分类方法，其特征在于：所述步骤(1)中，脑电电极基于国际10-20系统标准放置，通过电极帽将电极与头皮相连，采样频率为128Hz，一次采集的脑电信号同时包含C3和C4导联脑电信号，并用巴特沃斯三阶带通滤波器对脑电信号进行滤波处理，带通滤波频段为0.5～30Hz。3.根据权利要求1所述的基于多分类器集成的脑电分类方法，其特征在于：所述步骤(1)中，训练样本集和测试样本集中均包含想象左手运动信号和想象右手运动信号两类样本；训练样本集类别标签已知，想象左手运动信号标记为1，想象右手运动信号标记为-1；测试样本集类别标签需要预测，将预测结果和真实类别标签进行对比即可得到分类准确率。4.根据权利要求1所述的基于多分类器集成的脑电分类方法，其特征在于：所述步骤(2)具体包括如下步骤：(a)采用时域分析方法，提取样本的时域统计量特征，组成统计量特征域：(a1)对某个样本，分别计算C3和C4导联脑电信号的均值m3和m4、方差v3和v4，进而对C3和C4导联脑电信号进行一阶差分和二阶差分，分别计算一阶差分信号的绝对均值fam3和fam4、二阶差分信号的绝对均值sam3和sam4，则该样本的时域统计量特征为(m3,v3,fam3,sam3,m4,v4,fam4,sam4)T；其中，m3、v3、fam3和sam3对应C3导联脑电信号，m4、v4、fam4和sam4对应C4导联脑电信号；(a2)所有样本的时域统计量特征共同构成统计量特征域；(b)采用自回归模型方法，提取样本的自回归模型特征，组成自回归模型特征域：(b1)对某样本分别提取C3和C4导联脑电信号的自回归模型特征Co3和Co4，提取方法相同，具体为：设该样本经预处理后的某导联脑电信号时间序列为x(t)，对其建立自回归模型为：x(t)=-Σh=1p*ahx(t-h)+u(t)]]>其中，x(t)为该导联脑电信号时间序列，p*为自回归模型阶次，ah为自回归模型系数，u(t)为高斯白噪声序列；自回归模型阶次p*根据BIC准则确定：BIC(p)＝Nlnσ2+plnN其中，p＝1,2,…，N为该导联脑电信号长度，σ2为自回归模型残差；当p由1开始递增时，BIC(p)将在p＝p*处取得极小值，确定p*为自回归模型阶次；基于自回归模型阶次p*，利用Burg算法估计自回归模型系数ah，将作为该导联脑电信号的自回归模型特征；(b2)该样本的自回归模型特征为(Co3,...

【专利技术属性】
技术研发人员：胡建中，葛荣祥，许飞云，贾民平，黄鹏，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32