基于特征融合和粒子群优化算法的MI脑电信号识别方法技术

本发明专利技术公开了一种基于特征融合和粒子群优化算法的MI脑电信号识别方法，包括以下步骤：S1、采集MI脑电信号，并对采集到的MI脑电信号进行带通滤波，随后通过小波软阈值法进行去噪操作，并提取脑电特征信号；S2、采用PSO‑RF对脑电特征信号进行特征筛选。本发明专利技术结合了带通滤波、小波去噪、通道筛选、特征提取、特征融合、特征选择以及模式分类，对这七部分进行了有效的整合，最终得到的集成分类器能够达到98.34％的平均正确率，且AUC值和F‑score也都表现优异，因此能够达到精确运动想象分类的目的。

【技术实现步骤摘要】
基于特征融合和粒子群优化算法的MI脑电信号识别方法
本专利技术涉及一种基于特征融合和粒子群优化算法的MI脑电信号识别方法。
技术介绍
脑机接口(BrainComputerInterface，BCI)作为一项新兴的技术，在军事、娱乐、医疗康复中逐渐发挥其作用。运动想象(Motorimagery，MI)作为BCI的一个重要应用，主要通过采集受试者想象肢体运动的脑电信号，并使用机器学习(MachineLearning，ML)的方法进行分类，最终将分类结果反馈给外界设备，辅助受试者进行肢体运动，帮助身体残疾的人进行日常运动，因此该研究方向在医疗康复领域有重大的意义。在众多的脑机交互控制范式中，基于运动想象的脑机接口是其中最普遍的一类。运动想象是在各部分肢体器官都没有发生任何真实运动的情况下，通过大脑想象运动动作产生相对应的脑电波。通过脑电采集设备采集运动想象时的脑电信号，再通过计算机进行分析，并完成模式分类任务，将模式分类的最终结果反馈到外部设备中，从而起到辅助和康复的作用。具体的处理流程图如图1所示。由于脑电信号的信噪比较低，且单一的特征提取方法所得到的特征信息不足，从而无法提高脑机接口的分类准确率。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种结合带通滤波、小波去噪、通道筛选、特征提取、特征融合、特征选择以及模式分类，对这七部分进行了有效的整合，最终得到的集成分类器能够达到98.34％的平均正确率，且AUC值和F-score也都表现优异的基于特征融合和粒子群优化算法的MI脑电信号识别方法。本专利技术的目的是通过以下技术方案来实现的：基于特征融合和粒子群优化算法的MI脑电信号识别方法，包括以下步骤：采集MI脑电信号，并对采集到的MI脑电信号进行带通滤波，随后通过小波软阈值法进行去噪操作，并提取脑电特征信号；S2、采用PSO-RF对脑电特征信号进行特征筛选。进一步地，所述步骤S1包括以下子步骤：S11、采集一段时间内的MI脑电信号，将采集到的MI脑电信号进行带通滤波；S12、采用小波软阈值法对滤波后的MI信号进行去噪处理；S13、进行SCSP筛选通道，包括以下步骤：S131、根据采样点和通道数所构成的矩阵来计算协方差矩阵，采样点即为信号采集时间内电极采集MI脑电信号的次数，一个电极即为一个采样通道；S132、对协方差矩阵进行正交白化变换并对角化；S133、计算投影矩阵；S134、根据投影矩阵计算各个通道的得分；S135、筛选得分最高的16个通道；S136、将想象右手运动和想象右脚运动的两类不同样本进行合并；S14、特征提取：建立自回归模型：式中，P为自回归模型的阶数；a为自回归模型系数；e(k)表示的是自回归模型的残差，是均值为0、方差为or2的白噪声序列；x(k)表示所构建好的自回归模型；采用最小二乘法对自回归模型进行参数估计；自回归模型构建出来之后，利用自回归模型系数a来作为MI脑电信号的特征；S15、进行特征融合：将SCSP筛选通道提取到的16维的特征向量、小波软阈值法去噪得到的64维的特征向量和自回归模型提取到的32维的特征向量进行随机组合，构成一个112维的特征向量。进一步地，所述步骤S2具体实现方法为：S21、对所有粒子进行随机初始化，粒子初始化为单个MI脑电信号的特征向量；S22、根据适应度函数计算由所有粒子构成的种群的适应值，并将初始适应值中的最优值赋给全局最优值gbest；适应度函数的计算公式为：Fitness＝Accuracy+AUC+F_score式中，Accuracy代表分类正确率，AUC代表ROC面积值，F-score代表分数；分类正确率取为正确分类的样本数与样本总数之比，具体的计算公式为：式中，Exactly值是分类正确的样本数量，Total指的是总样本数量；F分数是衡量二分类的一种评价指标，它结合了精确率和召回率，具体公式为：式中，Precision和Recall分别是模型的精确率和召回率，其计算公式为：其中，TP是真阳性样本数，FN是假阴性样本数，FP是假阳性样本数。S23、判断是否满足迭代结束条件；迭代的结束条件有两个：一个是超过了预设的最大迭代次数；另一个是已经达到了最优值；若满足其中任意一个迭代结束条件则保存粒子参数后跳出迭代循环；否则执行步骤S24；S24、更新每个粒子当前的速度和位置：根据下式更新每个粒子的速度v和位置x：v＝v+c1*rand()*(pbest-x)+c2*rand()*(gbest-x)x＝x+vv是粒子的速度，rand()是介于(0,1)之间的随机数，x表示粒子当前的位置，c1和c2是两个学习因子；S25、评估每个粒子的适应度函数值：根据S24得到的粒子当前的速度和位置评估每个粒子的适应值；S26、对每个粒子的历史最优位置进行更新：将每个粒子当前位置与历史位置上的适应值进行比较，选择适应值最优结果作为该粒子的局部最优值；S27、对群体的全局最优位置进行更新：将所有粒子的局部最优值进行比较，选择适应值最优结果作为新的全局最优值pbest，替代更新原有的gbest；然后返回步骤S23。本专利技术的有益效果是：本专利技术针对脑电信号提取特征的不足，提取了脑电信号的时域、频域以及空间域特征，并进行特征融合；针对特征提取后维度过大且存在冗余性，影响分类器精度和耗费计算资源的问题，提出了一种PSO-RF算法进行特征筛选；针对单个分类器训练不足的问题，对分类器进行了集成，有效解决了训练样本过少而产生的分类器效果不好的问题。本专利技术结合了带通滤波、小波去噪、通道筛选、特征提取、特征融合、特征选择以及模式分类，对这七部分进行了有效的整合，最终得到的集成分类器能够达到98.34％的平均正确率，且AUC值和F-score也都表现优异，因此能够达到精确运动想象分类的目的。附图说明图1为脑电处理流程图；图2为本专利技术的基于特征融合和粒子群优化算法的MI脑电信号识别方法的流程图；图3为小波软阈值法去噪的流程图；图4为进行SCSP筛选通道的流程图；图5为随机森林参数图；图6为带通滤波R2图，(a)～(c)分别为aa数据集R2图、al数据集R2图和ay数据集R2图；图7为本实施例特征选择算法F分数图。具体实施方式本专利技术提出了一种基于特征融合和粒子群优化算法的MI脑电信号识别方法，该方法结合了带通滤波、小波去噪、通道筛选、特征提取、特征融合、特征选择以及模式分类，对这七部分进行了有效的整合。并创新性地采用了PSO结合随机森林分类器的特征筛选算法，以一种新颖的方法来选择或者消除相关特征，将Accuarcy、AUC值以及F-score作为评价指标。下面结本文档来自技高网...

【技术保护点】
1.基于特征融合和粒子群优化算法的MI脑电信号识别方法，其特征在于，包括以下步骤：/nS1、采集MI脑电信号，并对采集到的MI脑电信号进行带通滤波，随后通过小波软阈值法进行去噪操作，并提取脑电特征信号；/nS2、采用PSO-RF对脑电特征信号进行特征筛选。/n

【技术特征摘要】
1.基于特征融合和粒子群优化算法的MI脑电信号识别方法，其特征在于，包括以下步骤：
S1、采集MI脑电信号，并对采集到的MI脑电信号进行带通滤波，随后通过小波软阈值法进行去噪操作，并提取脑电特征信号；
S2、采用PSO-RF对脑电特征信号进行特征筛选。


2.根据权利要求1所述的基于特征融合和粒子群优化算法的MI脑电信号识别方法，其特征在于，所述步骤S1包括以下子步骤：
S11、采集一段时间内的MI脑电信号，将采集到的MI脑电信号进行带通滤波；
S12、采用小波软阈值法对滤波后的MI信号进行去噪处理；
S13、进行SCSP筛选通道，包括以下步骤：
S131、根据采样点和通道数所构成的矩阵来计算协方差矩阵，采样点即为信号采集时间内电极采集MI脑电信号的次数，一个电极即为一个采样通道；
S132、对协方差矩阵进行正交白化变换并对角化；
S133、计算投影矩阵；
S134、根据投影矩阵计算各个通道的得分；
S135、筛选得分最高的16个通道；
S136、将想象右手运动和想象右脚运动的两类不同样本进行合并；
S14、特征提取：建立自回归模型：



式中，P为自回归模型的阶数；a为自回归模型系数；e(k)表示的是自回归模型的残差，是均值为0、方差为or2的白噪声序列；x(k)表示所构建好的自回归模型；
采用最小二乘法对自回归模型进行参数估计；
自回归模型构建出来之后，利用自回归模型系数a来作为MI脑电信号的特征；
S15、进行特征融合：将SCSP筛选通道提取到的16维的特征向量、小波软阈值法去噪得到的64维的特征向量和自回归模型提取到的32维的特征向量进行随机组合，构成一个112维的特征向量。


3.根据权利要求1所述的基于特征融合和粒子群优化算法的MI脑电信号识别方法，其特征在于，所述步骤S2具体实现方法为：
S21、对所有粒子进行随机初始化，粒子初始化为单个MI...

【专利技术属性】
技术研发人员：郜东瑞，张永清，周辉，王宏宇，李鑫，郑文银，彭茂琴，
申请(专利权)人：成都信息工程大学，
类型：发明
国别省市：四川;51