基于L2,1范数的脑电信号特征选择方法技术

本发明专利技术适用于人工智能领域，提供基于L2,1范数的脑电信号特征选择方法，所述脑电信号特征选择方法利用特征线度量来评估特征集的类内散度和类间散度，寻找一个最优线性变换，通过该线性变换来选取用于分类任务的特征，并通过L2,1范数来限定上述最优线性变换，使得上述最优线性变换具有列稀疏性，达到特征选择的效果。

EEG feature selection method based on L2,1 norm

The present invention is applicable to the field of artificial intelligence, and provides an electroencephalogram signal feature selection method based on L2,1 norm. The feature selection method of electroencephalogram signal uses feature line metric to evaluate the intra-class and inter-class divergence of feature set, to find an optimal linear transformation, and to select features for classification tasks through the linear transformation. The L2,1 norm is used to restrict the above optimal linear transformation, which makes the above optimal linear transformation column sparse and achieves the effect of feature selection.

【技术实现步骤摘要】
基于L2,1范数的脑电信号特征选择方法
本专利技术属于人工智能领域，尤其涉及基于L2,1范数的脑电信号特征选择方法。
技术介绍
脑电信号是在进行脑部疾病诊断过程中很重要的一个参考依据，脑电信号分类问题在对脑部疾病的计算机辅助诊断中经常会碰到，脑电信号的特征选择是分类过程中的一个重要步骤，特征选择的好坏直接影响到脑电信号分类的准确度，所以脑电信号的特征选择是当前的一个研究热点。
技术实现思路
本专利技术的目的在于提供基于L2,1范数的脑电信号特征选择方法，旨在解决脑电信号分类任务中的特征选择的技术问题。本专利技术是这样实现的基于L2,1范数的脑电信号特征选择方法，所述脑电信号特征选择方法包括以下步骤：步骤S1：首先计算样本到本类别特征线的投影点，投影点计算如下：一组脑电信号训练样本其中；表示第j类别中的第i个脑电信号训练样本，这里共有C个类别，ni表示第i个类别的脑电信号训练样本数量，故总样本个数为设和为两个j2类别的脑电信号训练样本，脑电信号训练样本在和两个脑电信号训练样本生成的那条特征线上的投影为：这里在空间中任意两个不重叠的点可以生成一条直线，所以对于脑电信号训练样本在第j类脑电信号训练样本中可以生成不包含的直线共条，这里C表示组合数，则在本类别脑电信号样本集的特征线的投影点个数也为个，则所有第j类脑电信号训练样本可以产生个类内的投影点，令总的投影点个数为记所有第j类脑电信号训练样本在第j类脑电信号训练样本集中产生的类内投影点集合为则所有类别产生的类内投影点为Y＝{Yj|j＝1,2,...,C}，基于L2,1范数的脑电信号特征选择方法目标函数为：mintr(UTSwU)+δ||U||2,1使得UTSbU＝I(3)这里，||·||2,1表示矩阵的L2,1范数，矩阵的L2,1范数等于矩阵每一行2范数的和，T表示矩阵的转置，tr表示矩阵的迹，Sw是类内特征线散度，Sb是类间特征线散度，U是待寻找的最优线性变换，用于将样本变换到特征空间，δ是一个权重参数，I是单位矩阵；步骤S2：利用步骤S1中计算出的投影点并根据公式：来计算Sb和Sw，这里，EYj表示第j类的投影点的均值，EY表示所有投影点的均值；步骤S3：令t＝0，初始化矩阵D，令U(t)＝I；D(t)＝I；步骤S4：在利用拉格朗日乘子方法对上述目标函数进行求解，拉格朗日函数为：L(U,Λ)＝tr(UTSwU)+δ||U||2,1+tr((UTSbU-I)Λ)(8)这里Λ是拉格朗日乘子，对拉格朗日函数求导得到：这里这里Ui表示矩阵U的第i行，diag表示以括号中的元素生成的对角矩阵，得到Sw(t+1)＝Sw+δD(t)；步骤S5：并根据公式：(Sw+δD)U＝-SbUΛ(12)UTSbU＝I(13)得到矩阵U(t+1)；步骤S6：若矩阵U达到收敛条件，则进行收敛，如果矩阵U未达到收敛条件(即连续两次迭代得到的U差别小于预设的阈值)，则利用公式(11)计算D(t+1)；令t＝t+1重新计算步骤四到六，直至矩阵U达到收敛条件。本专利技术的有益效果是：可以对脑电信号分类任务中的特征选择进行优化，让计算机自主通过我们设计的学习机制来进行脑电信号特征选择。附图说明具体实施方式本专利技术的基于L2,1范数的脑电信号特征选择方法，所述脑电信号特征选择方法包括以下步骤：步骤S1：首先计算样本到本类别特征线的投影点，投影点计算如下：一组脑电信号训练样本其中；表示第j类别中的第i个脑电信号训练样本，这里共有C个类别，ni表示第i个类别的脑电信号训练样本数量，故总样本个数为设和为两个j2类别的脑电信号训练样本，脑电信号训练样本在和两个脑电信号训练样本生成的那条特征线上的投影为：这里在空间中任意两个不重叠的点可以生成一条直线，所以对于脑电信号训练样本在第j类脑电信号训练样本中可以生成不包含的直线共条，这里C表示组合数，则在本类别脑电信号样本集的特征线的投影点个数也为个，则所有第j类脑电信号训练样本可以产生个类内的投影点，令总的投影点个数为记所有第j类脑电信号训练样本在第j类脑电信号训练样本集中产生的类内投影点集合为则所有类别产生的类内投影点为Y＝{Yj|j＝1,2,...,C}，基于L2,1范数的脑电信号特征选择方法目标函数为：mintr(UTSwU)+δ||U||2,1使得UTSbU＝I(3)这里，||·||2,1表示矩阵的L2,1范数，矩阵的L2,1范数等于矩阵每一行2范数的和，T表示矩阵的转置，tr表示矩阵的迹，Sw是类内特征线散度，Sb是类间特征线散度，U是待寻找的最优线性变换，用于将样本变换到特征空间，δ是一个权重参数，I是单位矩阵；步骤S2：利用步骤S1中计算出的投影点并根据公式：来计算Sb和Sw，这里，EYj表示第j类的投影点的均值，EY表示所有投影点的均值；步骤S3：令t＝0，初始化矩阵D，令U(t)＝I；D(t)＝I；步骤S4：在利用拉格朗日乘子方法对上述目标函数进行求解，拉格朗日函数为：L(U,Λ)＝tr(UTSwU)+δ||U||2,1+tr((UTSbU-I)Λ)(8)这里Λ是拉格朗日乘子，对拉格朗日函数求导得到：这里这里Ui表示矩阵U的第i行，diag表示以括号中的元素生成的对角矩阵，得到Sw(t+1)＝Sw+δD(t)；步骤S5：并根据公式：(Sw+δD)U＝-SbUΛ(12)UTSbU＝I(13)得到矩阵U(t+1)；步骤S6：若矩阵U达到收敛条件，则进行收敛，如果矩阵U未达到收敛条件(即连续两次迭代得到的U差别小于预设的阈值)，则利用公式(11)计算D(t+1)；令t＝t+1重新计算步骤四到六，直至矩阵U达到收敛条件。可以对脑电信号分类任务中的特征选择进行优化，让计算机自主通过我们设计的学习机制来进行脑电信号特征选择。以上所述仅为本专利技术的较佳实施例而已，并不用以限制本专利技术，凡在本专利技术的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本专利技术的保护范围之内。本文档来自技高网...

【技术保护点】
1.基于L2,1范数的脑电信号特征选择方法，其特征在于，所述脑电信号特征选择方法包括以下步骤：步骤S1：首先计算样本到本类别特征线的投影点，投影点计算如下：一组脑电信号训练样本

【技术特征摘要】
1.基于L2,1范数的脑电信号特征选择方法，其特征在于，所述脑电信号特征选择方法包括以下步骤：步骤S1：首先计算样本到本类别特征线的投影点，投影点计算如下：一组脑电信号训练样本其中；表示第j类别中的第i个脑电信号训练样本，这里共有C个类别，ni表示第i个类别的脑电信号训练样本数量，故总样本个数为设和为两个j2类别的脑电信号训练样本，脑电信号训练样本在和两个脑电信号训练样本生成的那条特征线上的投影为：这里在空间中任意两个不重叠的点可以生成一条直线，所以对于脑电信号训练样本在第j类脑电信号训练样本中可以生成不包含的直线共条，这里C表示组合数，则在本类别脑电信号样本集的特征线的投影点个数也为个，则所有第j类脑电信号训练样本可以产生个类内的投影点，令总的投影点个数为记所有第j类脑电信号训练样本在第j类脑电信号训练样本集中产生的类内投影点集合为则所有类别产生的类内投影点为Y＝{Yj|j＝1,2,...,C}，基于L2,1范数的脑电信号特征选择方法目标函数为：mintr(UTSwU)+δ||U||2,1使得UTSbU＝I(3)这里，||·||2,1表示矩阵的L2,1范数，矩阵的L2,1范数等于矩阵每...

【专利技术属性】
技术研发人员：闫立军，刘星明，潘正祥，唐琪，邬可可，
申请(专利权)人：深圳信息职业技术学院，
类型：发明
国别省市：广东,44