基于Hjorth参数宽度学习系统模型的脑电数据解码方法技术方案

本发明专利技术涉及一种基于Hjorth参数宽度学习系统模型的脑电数据解码方法，其包括以下步骤，步骤一：获取脑电数据集，利用线脉冲响应带通滤波对脑电数据集进行预处理；步骤二：计算预处理后脑电数据集的Hjorth参数，构建脑电数据集特征矩阵；步骤三：根据Hjorth参数的特征矩阵，建立宽度学习系统模型；步骤四：根据宽度学习系统模型，对脑电数据进行解码。本方法结合Hjorth参数和脑电数据时频信息的特点，建立宽度学习系统模型实现了脑电数据解码，本模型具有结构简单、输入参数少、模型训练快的特点；本方法实现了脑电数据特征的快速拟合，有效提高了脑电数据分类的准确性，提高了内存资源的利用率，模型具有适用性强，实际应用效果好的特点。特点。特点。

【技术实现步骤摘要】
基于Hjorth参数宽度学习系统模型的脑电数据解码方法


[0001]本申请涉及生物信号处理和模式识别领域，具体地涉及一种基于Hjorth参数宽度学习系统模型的脑电数据解码方法。

技术介绍

[0002]随着BCI技术的发展，运动障碍病人的可控制范围以及对于BCI技术在健康人群中的推广的过程中，上述的研究方法是不充分的，因为高效的BCI系统应该允许用户自由的通过视觉和听觉等多种感官与外部设备交互，并对更复杂的任务提供额外的功能和自由度。想象语音信号是一种BCI范式的新趋势，在利用想象语音作为研究范式时，要求用户在没有运动行为和声音信息输出的前提下，在脑网络内部进行音素、单词和句子级别的发音，并且记录对应想象语音产生的神经活动，利用信号处理和分类方法对大脑皮层中语音活动功能的解码。
[0003]在基于脑电信号数据的解码中常用的提取方法是CSP(共空间模式)对两分类任务下的空域滤波特征提取算法，能够从多通道的脑机接口数据里面提取出每一类的空间分布成分、支持向量机、特征袋、黎曼流形等特征提取的方法，其也有局限性比如CSP广泛应用于二分类问题但很少本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Hjorth参数宽度学习系统模型的脑电数据解码方法，其特征在于，其包括以下步骤：步骤1：获取脑电数据集，利用线脉冲响应带通滤波对脑电数据集进行预处理；利用线脉冲响应带通滤波器对原始脑电数据集进行带通滤波，得到滤波后的脑电数据集；将滤波后的脑电数据集进行分段，划分为脑电数据训练集和脑电数据测试集；步骤2：计算预处理后脑电数据集的Hjorth参数，构建脑电数据集特征矩阵；所述脑电数据集的Hjorth参数包括活动性特征f1、移动性特征f2和复杂性特征f3；根据脑电数据训练集确定Hjorth参数，组建特征矩阵F如下式所示：式中：F表示Hjorth参数的特征矩阵；f
11
…
f
61
分别表示第1个
…
第6个通道的活动性特征；f
12
…
f
62
分别表示第1个
…
第6个通道的移动性特征；f
13
…
f
63
分别表示第1个
…
第6个通道的复杂性特征；步骤3：根据Hjorth参数的特征矩阵，建立宽度学习系统模型；步骤31：获取步骤2确定的Hjorth参数的特征矩阵，利用输入数据映射的特征作为特征节点，对于n个特征映射节点，每个特征映射生成k个节点，特征节点的特征映射表示为：Z
i
＝Φ(FW
ei
+β
ei
)，i＝1，...，n；式中：Z
i
表示第i个特征节点的特征映射，i＝1，
…
，n；W
ei
和β
ei
分别表示第i个特征节点生成的第一和第二权重；Φ表示特征节点的特征映射传递函数；n表示特征映射节点个数；对原始脑电数据的n个特征映射得到一组特征节点的特征映射向量Z
n
，如下所示：Z
n
＝[Z1，...，Z
n
]；式中：Z
n
表示特征节点的特征映射向量；步骤32：获取增强节点的特征映射，利用特征节点生成的权重通过进一步特征映射得到第j组增强节点的特征映射H
j
，如下所示：H
j
＝ξ(Z
n
W
hj
)，j＝1，...，m；；式中：H
j
表示第j个增强节点的特征映射，j＝1，
…
，m；W
hj
表示第j个特征节点经过特征映射生成的权重，j＝1，
…
，m；ξ表示对增强节点的特征映射传递函数；m表示增强节点个数；对前m组增强节点的特征进行映射，获得增强节点的特征映射向量H
m
，如下所示：H
m
＝[H1，...，H
m
]；式中：H
m
表示增强节点的特征映射向量；步骤33：将特征节点的特征映射向量Z
n
...

【专利技术属性】
技术研发人员：付荣荣，李林玉，王耀东，路斌，王世伟，
申请(专利权)人：燕山大学，
类型：发明
国别省市：