【技术实现步骤摘要】
本专利技术涉及脑电信号的特征提取与分类方法,特别涉及基于PSO-SVM的脑电信号特征分类方法。
技术介绍
脑-接口(BCI)是一种基于脑电信号(EEG)实现人脑与计算机或其他设备之间通信和控制接口。BCI技术指的是能够使人在无外周神经系统和肌肉组织的参与条件下,通过计算机等电子设备输出控制信号,进而与外界环境进行交流的一种新型人机交互手段。近年来,基于脑电的脑-机接口技术成为域的研究热点,并逐步发展成为一门新兴的多学科交叉技术。BCI的关键技术是如何快速有效的提取脑电信号特征和提高识别准确率。EEG分类识别的主要方法有线性判别分析(LDA)、K-最邻近分析以及人工神经网络等。SVM是支持向量机(SVM)是1995年首次提出的一种分类技术,常用于模式分类和非线性回归。其思想是将向量映射变换到一个更高维的空间里,通过计算得到一个最优分类面,从而使样本线性分开。但由于SVM使用过程中由于脑电信号的随机、非平稳性,以及研究人员对信号的分布特性缺少一点的先验知识,导致SVM的最优核函数的选取存在不确定性。而支持向量机分类效果的好坏主要取决于核函数和参数的选择。
技术实现思路
本专利技术的目的是在正则化CSP(R-CSP)进行特征提取的基础上,结合粒子群算法(PSO)对支持向量机的核函数参数进行迭代寻优,提出了基于PSO-SVM的脑电信号特征分类方法。本专利技术的目的可以通过以下技术方案实现:基于PSO- ...
【技术保护点】
一种基于PSO‑SVM的脑电信号特征分类方法,其特征在于,该方法包括以下步骤:步骤1.利用正则化的CSP算法对脑电信号进行特征提取,得到样本特征向量Y;步骤2.利用粒子群算法对支持向量机的核函数参数进行迭代寻优;步骤3.利用PSO优化后的最优参数对SVM分类器进行训练,利用训练好的分类器对样本进行分类预测。
【技术特征摘要】
1.一种基于PSO-SVM的脑电信号特征分类方法,其特征在于,该方法包括以下步骤:
步骤1.利用正则化的CSP算法对脑电信号进行特征提取,得到样本特征向量Y;
步骤2.利用粒子群算法对支持向量机的核函数参数进行迭代寻优;
步骤3.利用PSO优化后的最优参数对SVM分类器进行训练,利用训练好的分类器对样本
进行分类预测。
2.根据权利要求1所述的一种基于PSO-SVM的脑电信号特征分类方法,其特征在于:其
中步骤1中脑电信号特征提取得到特征向量具体步骤如下:
采用正则化的CSP算法对脑电信号进行特征提取,从两类特征中提取出首尾各q个具有
代表性特征向量,得到空间滤波器为W,设运动想象脑电信号为表示类别为c的
第i个样本的脑电信号,得到投影后的矩阵X=WTE,对X进行对数化处理得到的特征系数表
示如下:
y j = log ( var ( x j ) Σ k = 1 k = 2 m var ( x k ) ) , j = 1 , 2 , ....2 q ]]>其中xj为x的第j行,var(xq)为方差。
3.根据权利要求1所述的一种基于PSO-SVM的脑电信号特征分类方法,其特征在于:步
骤2中的核函数K(x,xi)选用径向基核函数(RBF),公式如下:
K(x,xi)=exp(-|x-xi|2)/g2其中(,)为内积,x,xi∈Rn,xi为特征向量,g为核参数,则支持向量机的最优决策函数公
式转换为:
式中C为惩罚因子,ai为对应的拉格朗日系数,b*为分类阈值。
4.根据权利要求3所述的一种基于PSO-SVM的脑电信号特征分类方法,其特征在于:步
骤2中所述的粒子群算法对支持向量机的核函数参数,即核参数g和惩罚因子C,进行迭代寻
优的具体步骤如下:
(1)初始化:在D维空间中,初始化M个粒子的初始位置和速度,包括设定粒子群初始参
数c1,c2,确定每个粒子的初始速度及每个初始粒子的最优位置和全局最优...
【专利技术属性】
技术研发人员:马玉良,丁晓慧,孟明,高云园,罗志增,
申请(专利权)人:杭州电子科技大学,
类型:发明
国别省市:浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。