一种联合相关性和冗余性评估的脑电信号特征优化方法技术

本发明专利技术属于脑电信号处理领域，具体涉及一种联合相关性和冗余性评估的脑电信号特征优化方法，包括以下步骤，脑电信号数据采集和数据预处理；提取各子频带的特征并融合成为样本特征；通过样本加权的ReliefF算法筛选初选特征集；利用互信息对初选特征集中特征的冗余性进行打分，筛选最优特征集；将优化后的特征样本划分为训练集和测试集，用训练集训练模型，向所得模型中输入测试集以评估辨识效果。本申请联合相关性和冗余性评估的脑电信号特征优化方法，有效消除了冗余特征并保留类别强相关特征，准确选取了更具表征性的特征，进而实现运动想象脑电信号的有效分类识别。

【技术实现步骤摘要】

本专利技术属于脑电信号处理领域，具体涉及一种联合相关性和冗余性评估的脑电信号特征优化方法。

技术介绍

1、在脑电信号(eeg)分类识别过程中，随着数据处理的体量越来越大，如何快速有效地选择特征是数据处理中不可避免的问题。通常来说，更全面特征会使得相应问题的分类效果变好，然而太多的特征可能会引发维数灾害。当特征维度偏高时，不仅消耗了计算的时间，降低了计算的效率，而且高维的特征中存在不相关或冗余的特征反而会影响脑电信号的辨识精度。因此，对数据样本量大，维度偏高的情况，从大量特征中除去冗余的特征，并选择最具有代表性的优选特征，是当前脑电信号处理领域研究的热点。

2、目前，已有许多的特征维度优化算法被提出，如相关特征法、主成分分析法、fisher方法等，这些在不同应用的场合下具备各自的特性，这与数据类型、提取的特征、识别目标等都有很大的关系。relieff算法是一种相关特征选择算法，借用了假设间隔(hypothesis margin)的思想，对各维度上特征的分类能力进行评价，从而找出对分类最有用的特征子集。

3、在现有的relieff算法中本文档来自技高网...

【技术保护点】

1.一种联合相关性和冗余性评估的脑电信号特征优化方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的联合相关性和冗余性评估的脑电信号特征优化方法，其特征在于，利用样本间的互信息值评估各样本在类别判别过程中的重要程度，通过映射的方式计算样本权重，利用样本加权的ReliefF算法分析特征与目标类别间的相关性，保留权重较大的特征作为初选特征集。

3.根据权利要求2所述的联合相关性和冗余性评估的脑电信号特征优化方法，其特征在于，计算每个样本与其同类样本及异类样本之间的平均互信息之差DR，计算公式为：DR＝I_within-I_between，其中，I_within为...

【技术特征摘要】

1.一种联合相关性和冗余性评估的脑电信号特征优化方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的联合相关性和冗余性评估的脑电信号特征优化方法，其特征在于，利用样本间的互信息值评估各样本在类别判别过程中的重要程度，通过映射的方式计算样本权重，利用样本加权的relieff算法分析特征与目标类别间的相关性，保留权重较大的特征作为初选特征集。

3.根据权利要求2所述的联合相关性和冗余性评估的脑电信号特征优化方法，其特征在于，计算每个样本与其同类样本及异类样本之间的平均互信息之差dr，计算公式为：dr＝i_within-i_between，其中，i_within为样本r的平均类内互信息，i_between为样本r的平均类间互信息。以评估各样本在分类决策过程中的重要程度，并将所得结果dr映射到[0.5，1.5]区间内作为样本权重。

4.根据权利要求3所述的联合相关性和冗余性评估的脑电信号特征优化方法，其特征在于，样本间互信息i的计算公式为：其中，x为所选样本，y为x的同类或者异类样本，p(x,y)为(x,y)的联合分布，p(x)，p(y)分别为x，y的边缘分布，x代表x的取值，y代表y的取值，i(x；y)为联合分布p(x,y)与边缘分布p(x)p(y)的相对熵。

5.根据权利要求3所述的联合相关性和冗余性评估的脑电信号特征优化方法，其特征在于，将所得差值dr以分段函数映射到[0.5，1.5]区间内作为样本r的权重，映射函数为：

6.根据权利...

【专利技术属性】
技术研发人员：潘礼正，周远方，史先传，黄小霞，朱谭童，
申请(专利权)人：常州大学，
类型：发明
国别省市：