一种脑电信号的特征分类方法、装置、系统及介质制造方法及图纸

本申请提供了一种脑电信号的特征分类方法、装置、系统及介质，涉及脑电信号处理技术领域，该方法包括获取脑电信号的数据集；基于多个稀疏选择模型分别建立对所述数据集进行选择和分类的目标函数集；基于Fisher准则建立最大化分式形式的增强目标函数；其中，所述增强目标函数用于表征样本矩阵的类间散度矩阵和类内散度矩阵分别经过投影向量投影之后的比值；将所述增强目标函数由最大化分式形式转为最小化多项式求差形式，作为所述目标函数集的新正则项，得到新的稀疏选择模型；将所述新的稀疏选择模型进行统一，得到复合优化模型；采用邻近点梯度法求解复合优化模型，得到脑电信号的特征和分类结果；本申请能够从脑电信号中学习更具判别性和更可分离的特征信息。学习更具判别性和更可分离的特征信息。学习更具判别性和更可分离的特征信息。

【技术实现步骤摘要】
一种脑电信号的特征分类方法、装置、系统及介质


[0001]本申请涉及但不限于脑电信号处理
，尤其涉及一种脑电信号的特征分类方法、装置、系统及介质。

技术介绍

[0002]运动想象脑电是一种多通道高维信号，通过放置在被试头皮上的多个电极采集得到，如何从完备的脑电信号特征集合学习有用的信息非常关键。完备的脑电信号特征也存在冗余信息，多余的特征除了增加模型的复杂度，同时也会因为引入过多噪声而导致模型失效。另外，每个被试的脑电模式也有所不同，即被试特异。
[0003]相关技术中的特征学习方法存在一些不足。比如比较常用的特征选择方法，在进行特征选择时有可能将有用信息一起剔除。此外，现有的稀疏优化模型在进行特征选择时只考虑选择重要的特征，而对特征的可分离性考虑不多。
[0004]如何从脑电信号中学习有用和具有判别性的特征信息是一个需要解决的关键问题。

技术实现思路

[0005]以下是对本申请详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
[0006]本申请实施例提供了一种脑电信号的特征分类方法、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种脑电信号的特征分类方法，其特征在于，包括：获取脑电信号的数据集；基于多个稀疏选择模型分别建立对所述数据集进行特征选择和分类的目标函数集；其中，所述稀疏选择模型包括凸稀疏选择模型和非凸稀疏选择模型，所述凸稀疏选择模型包括LASSO模型，所述非凸稀疏选择模型包括LOG模型、SCAD模型和MCP模型；基于Fisher准则建立最大化分式形式的增强目标函数；其中，所述增强目标函数用于表征样本矩阵的类间散度矩阵和类内散度矩阵分别经过投影向量投影之后的比值；将所述增强目标函数由最大化分式形式转为最小化多项式求差形式，作为所述目标函数集的新正则项，得到新的稀疏选择模型；其中，所述新的稀疏选择模型包括LASSO
‑
F模型、LOG
‑
F模型、SCAD
‑
F模型和MCP
‑
F模型；将所述新的稀疏选择模型进行统一，得到复合优化模型；采用邻近点梯度法求解复合优化模型，得到脑电信号的特征和分类结果。2.根据权利要求1所述的脑电信号的特征分类方法，其特征在于，所述基于多个稀疏选择模型分别建立对所述数据集进行特征选择和分类的目标函数集，包括：获取脑电信号的数据集中的样本数、样本矩阵、单个样本的特征维数、特征权重向量和样本标签；采用LASSO模型建立对所述脑电信号进行特征选择和分类的目标函数；采用LOG模型建立对所述脑电信号进行特征选择和分类的目标函数；采用SCAD模型建立对所述脑电信号进行特征选择和分类的目标函数；采用MOP模型建立对所述脑电信号进行特征选择和分类的目标函数。3.根据权利要求1所述的脑电信号的特征分类方法，其特征在于，所述基于Fisher准则建立最大化分式形式的增强目标函数，包括：获取脑电信号的数据集中各个样本的样本矩阵；确定各个样本矩阵的类间散度矩阵和类内散度矩阵；将所述样本矩阵的类间散度矩阵和类内散度矩阵分别经过投影向量投影之后的比值作为增强目标函数；所述增强目标函数为：其中，S
B
和S
W
分别表示样本矩阵X的类间散度矩阵和类内散度矩阵，w
F
表示投影向量。4.根据权利要求3所述的脑电信号的特征分类方法，其特征在于，所述将所述增强目标函数由最大化分式形式转为最小化多项式求差形式，作为所述目标函数集的新正则项，得到新的稀疏选择模型，包括：将所述增强目标函数J(w
F
)转变为以下最小化函数：R(w
F
)＝(w
FT
S
B
w
F
‑
w
FT
S
W
w
F
)；其中，R(w...

【专利技术属性】
技术研发人员：张绍荣，莫云，唐洪贶，盘书宝，孙山林，冯宝，王勇军，郭岩，蒋成亮，李运德，
申请(专利权)人：桂林航天工业学院，
类型：发明
国别省市：