【技术实现步骤摘要】
结合集成学习与独立分量分析的运动想象分类方法
本专利技术涉及脑电信号处理
，特别是涉及一种结合集成学习与独立分量分析的运动想象分类方法。
技术介绍
脑-机接口(Brain-ComputerInterface,BCI)技术能够在大脑与外部设备间建立一条信息传输通道。BCI在对采集到的脑电信号(electroencephalogram,EEG)进行分析与处理，并将所获取的与思维任务相关的EEG模式特征转化为计算机可识别的命令，从而实现人脑与外部世界的直接交流以及对外部设备的控制。由于BCI技术不依赖于人体肌肉和周围神经，所以在康复医疗、交通控制、智能家居、军事以及娱乐等领域都有很大的发展和应用前景。运动想象是常用的一类BCI实现模式。根据神经电生理知识，当人们想象或实际控制左/右侧肢体运动时，大脑右/左侧运动皮层为活跃状态，表现为新陈代谢和血液流动加快，此时肢体对侧脑电的mu节律和beta节律振幅减小，对应频段能量降低，即所谓事件相关去同步(event-relateddesynchronizations,ERD)现...
【技术保护点】
1.一种结合集成学习与独立分量分析的运动想象分类方法，包括以下步骤：/nS1：采集脑电信号并进行预处理，将预处理后的脑电数据分为训练集和测试集；/nS2：在所述训练集中随机选择P个不同的单次试验样本数据，构造P个不同的ICA空域滤波器组；/nS3：用P个空域滤波器组对测试集中的一个单次试验样本数据进行空域滤波，并提取特征；/nS4：采用P个基于简单分类规则的基分类器进行分类识别，得到对这一个单次试验数据的P个预测标签；/nS5：对P个预测标签进行遍历，用多数投票法结合策略集成所有基分类器预测结果，得到单次试验数据的最终分类结果；/nS6：对所有的测试数据执行上述S3至S5的...
【技术特征摘要】
1.一种结合集成学习与独立分量分析的运动想象分类方法，包括以下步骤：
S1：采集脑电信号并进行预处理，将预处理后的脑电数据分为训练集和测试集；
S2：在所述训练集中随机选择P个不同的单次试验样本数据，构造P个不同的ICA空域滤波器组；
S3：用P个空域滤波器组对测试集中的一个单次试验样本数据进行空域滤波，并提取特征；
S4：采用P个基于简单分类规则的基分类器进行分类识别，得到对这一个单次试验数据的P个预测标签；
S5：对P个预测标签进行遍历，用多数投票法结合策略集成所有基分类器预测结果，得到单次试验数据的最终分类结果；
S6：对所有的测试数据执行上述S3至S5的集成学习分类步骤，计算整个测试集的分类识别率。
2.根据权利要求1所述的结合集成学习与独立分量分析的运动想象分类方法，其特征在于，在步骤S1中，对采集的原始脑电信号进行预处理的过程包括：选取9导联数据并进行8—30Hz带通滤波和最大幅值归一化处理。
3.根据权利要求1所述的结合集成学习与独立分量分析的运动想象分类方法，其特征在于，在步骤S2中，在所述训练集中随机选择P个不同的单次试验样本数据的具体步骤包括：
对于一个训练数据集X＝{x1,x2,...,xn}共有n个单次试验样本数据，将整数序列[1:n]随机排序得到一个新的序列b，取序列b的前P个元素[b(1),b(2),...,b(P)]，在训练集X中找到b中元素值对应位置的{xb(1),xb(2),...,xb(P)}作为随机选择的P个单次试验样本。
4.根据权利要求1所述的结合集成学习与独立分量分析的运动想象分类方法，其特征在于，在步骤S2中，构造P个不同的ICA空域滤波器组的具体步骤包括：
S201：初始化一个分离矩阵W，对于其中的一个单次试验数据x，初始化独立源信号s＝WTx，对分离矩阵W进行迭代学习，算法如下：
W←W+lrate×(I-sign(s)sT-ssT)W
其中，lrate表示学习率；对分离矩阵W求逆得到混合矩阵A＝[a1,a2,…,a9]；
S202：对A求绝对值得到|A|＝[|a1|,|a2|,...,|a9|]，初始化一个全零数组[m1,m2,…,m9]，对|ai|(i＝{1,2,...,9})中的每个元素进行遍历，判断当前元素数值是否大于mi位置处的元素，若是则更新mi为当前元素的下标值，否则不变；
S203：记录左手、右手和脚三类运动想象数据相关的主电极位置，分别记为Ll，Lr，Lf；
S204：判断|A|中是否同时存在三列分别在主电极处有最大值，即在[m1,m2,…,m9]中是否有mi，mj，mk，使其满足mi＝Ll，mj＝Lr，mk＝Lf，且i≠j≠k；若能找到，则在分离矩阵W...
【专利技术属性】
技术研发人员：吴小培，杜晨晓，张宇骏，李士申，吕钊，陈文伟，张磊，张超，郭晓静，周蚌艳，
申请(专利权)人：安徽大学，
类型：发明
国别省市：安徽;34
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。