【技术实现步骤摘要】
一种基于矩阵变量高斯模型的运动想象脑电特征提取方法
本专利技术属于脑电信号分类
，具体涉及一种基于矩阵变量高斯模型和二维判别局部保留的运动想象脑电特征提取方法。
技术介绍
脑电图生物电信号是可穿戴诊疗系统中的一种重要输入信号源。深入研究脑电信号的处理对认识病理学机理，探索疾病诊断与治疗的新方法具有重要意义。运动想象脑电信号的分类处理，可以辅助患者进行运动损伤的恢复，甚至是利用人脑控制外部设备来进行运动的实现，弥补身体的遗憾。如何准确地分类不同运动想象的脑电信号，目前研究者们提出了很多的方法，但仍有诸多问题需要优化，如标记的样本数量少、噪声大、数据冗余和个体差异性大等。这些问题会造成训练得到的分类模型很不理想，分类识别准确率低。想要提高运动想象脑电信号的分类准确率，关键一步在于分类之前的特征提取环节。特征提取不仅能减少数据维度，去除大量冗余信息，而且能保留有效信息，从而提高分类精度。基于运动想象的脑电信号的特征提取方法一般分为两个部分。第一个部分是时间域、空间域和频域的特征提取，如短时傅里叶变换(STFT...
【技术保护点】
1.一种基于矩阵变量高斯模型的运动想象脑电特征提取方法，其特征在于：步骤一、进行脑电测试建立拟定样本集；各测试者在测试的过程中进行运动想象；运动想象共有Z种；将拟定样本集分为训练样本集和测试样本集；训练样本集表示为x＝(x
【技术特征摘要】
1.一种基于矩阵变量高斯模型的运动想象脑电特征提取方法，其特征在于：步骤一、进行脑电测试建立拟定样本集；各测试者在测试的过程中进行运动想象；运动想象共有Z种；将拟定样本集分为训练样本集和测试样本集；训练样本集表示为x＝(x1,x2,…,xn)，n为训练样本数；设定参数t、维度d，并设定SVM模型中参数c和g的范围；
步骤二、将训练样本集x进行滤波器组共空间模态运算，xi为L×Ng的矩阵，i＝1,2,…,n；L为单次脑电数据采集的数据长度；Ng为脑电信号通道数；
2-1.构建滤波器组，让训练样本集通过滤波器组进行滤波；
2-2.将训练样本集在经过滤波器组滤波后进行共空间模式运算，得到训练空间频率矩阵集X＝{X1,X2....Xn}；将训练空间频率矩阵集X根据类别不同分为Z组，得到Z个类别对应的矩阵集ns为第s个类别中的样本个数；为Nf行M×Z列的矩阵，Nf为滤波器组内滤波器的数量；M为共空间模式运算后输出特征的特征维数；
步骤三、分别构建类间权重矩阵B和Z个类内权重矩阵Ws；类内权重矩阵Ws的第i行第j列元素为其表达式如式(1)所示；类间权重矩阵B的第a行第b列元素为Bab，其表达式如式(2)所示；
式(1)和式(2)中，||·||2为矩阵的二范数计算；i＝1,2,…,ns；j＝1,2,…,ns；Fa为第a个类别内所有空间频率矩阵的均值矩阵；Fb为第b个类别内所有空间频率矩阵的均值矩阵；a＝1,2,…,Z；b＝1,2,…,Z；
步骤四、计算类内空间协方差矩阵Ψ和类内频率协方差矩阵φ，表达式如式(3)和式(4)所示：
式(3)和式(4)中，Ng为脑电信号的通道数；Nf为滤波器组内滤波器的数量；(·)T为矩阵的转置运算；
步骤五、将类间散布矩阵拆分为两部分：
SBL、SBR的计算分别如式(5)、式(6)所示：
式(6)中，tr-1(SBL)为矩阵SBL的迹所对应的倒数；
步骤六、计算矩阵P＝φ-1SBL和矩阵P′＝Ψ-1SBR；将矩阵P进行特征分解，得到从大到小排列的Nu个特征值λu；特征向量λu对应特征向量Uu，u＝1，2，...，Nu；将矩阵P′进行特征分解，得到从大到小排列的Nv个特征值γv；特征向量γv对应特征向量Vv，v＝1，2，...，Nv；Nu为SBL的列数；Nv为SBR的列数；建立投影矩阵
步骤七、将Nu个特征值λu与Nv个特征值γv两两为一组相乘，得到Nu·Nv个乘积；将Nu·Nv个乘积按照从大到小排序，并取最大的前d个乘积所对应的u值、v值，作为d个特征数对(uk，vk)，k＝1，2，...，d；
...
【专利技术属性】
技术研发人员：祝磊，杨君婷，胡奇峰，
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。