【技术实现步骤摘要】
本专利技术涉及一种多特征层融合的单通道脑电信号特征提取与识别方法。
技术介绍
1、目前多通道脑电信号相关技术已经趋近于成熟，但多通道脑电(electroencephalograph，eeg)信号并不适宜应用到便携式设备中。对于便携式单通道脑电信号领域，由于信号的非线性与非平稳性，仅从一个域进行特征参数的提取，往往无法充分获取脑电信号中有价值信息。
技术实现思路
1、本专利技术是为了解决上述现有技术存在的问题而提供一种多特征层融合的单通道脑电信号特征提取与识别方法。
2、本专利技术所采用的技术方案有：
3、一种多特征层融合的单通道脑电信号特征提取与识别方法，包括如下步骤：
4、1)采集单通道脑电信号并进行信号预处理，然后建立数据集，并对数据集进行划分，对应为：训练集、测试集和验证集；
5、2)利用ceemdan对数据集的脑电信号进行自适应分解，得到若干个本征模态函数imf分量，根据分解的实际数据来选取本征模态函数imf分量，并进行多维度特征提取，最终得到各维度的原始特征矩阵；
6、3)对步骤2)最终所得各维度的特征矩阵进行融合降维处理，得到融合降维处理后的矩阵f并进行归一化；将训练集特征放入分类模型训练后，最后对测试集特征进行分类得到分类结果。
7、进一步地，步骤2)中，多维度特征提取包括：提取区分左右手运动想象脑电信号的时域特征矩阵f1、样本熵特征矩阵f2以及空域特征矩阵f3；所述时域特征矩阵f1、样本熵特征矩
8、进一步地，时域特征矩阵提取时，将ceemdan分解的本征模态函数imf下的各分量imfj进行希尔伯特-黄变换，并提取出选取本征模态函数imf的瞬时频率和瞬时幅值，包括：
9、
10、可求得其解析信号为，如下式所示：
11、z(t)＝imfj(t)+jh[imfj(t)]
12、
13、即，瞬时幅值为：
14、
15、可计算出平均瞬时频率，如下式所示：
16、
17、式中，imfj(t)为复信号z(t)的实部，h[imfj(t)]为复信号z(t)的虚部，z(t)为imfj(t)的解析信号；j＝1，2，...，n；
18、将瞬时幅值的平方对频率积分的结果定义为瞬时能量，提取瞬时能量均值作为时域特征矩阵f1，如下式所示：
19、
20、其中，w为瞬时频率。
21、进一步地，样本熵特征矩阵f2提取时，包括如下步骤：
22、21)利用ceemdan对脑电信号进行n次自适应分解实验，将选取本征模态函数imf下的各分量imfj的某一采样点组成n个点的一维时间序列u＝{u1,u2,...un}；
23、22)按照步骤21)中构建一维时间序列的方法，构建其余采样点的一维时间序列，然后再按序号将所构建的一维时间序列构成一组m维向量矩阵，如下式所示：
24、x(i)＝[x(i),x(i+1),...,x(i+m-1)],i＝1,2,...,n-m+1；
25、23)定义向量x(i)和x(j)之间的距离，如下式所示：
26、d[x(i),x(j)]＝max[|xi+k-xj+k|],k＝0,1,...,m-1；
27、24)对于1≤i≤n-m，1≤j≤n-m，统计d[x(i),x(j)]小于等于阈值r的数目mi，mi与距离总数n-m-1的比值为如下式所示：
28、
29、25)对中n-m个i值求取平均值，记作bm(r)，如下式所示：
30、
31、26)增加维数至m+1，重复步骤22)～25)，统计和bm+1(r)，实验样本的熵值，如下式所示：
32、
33、重复以上步骤，得到样本熵特征矩阵f2。
34、进一步地，空域特征矩阵f3提取时，包括如下步骤：
35、31)先将所选本征模态函数imf下的各分量imfj看作单通道脑电信号，然后将本征模态函数imf下imfj分量按照其时间序列排列成矩阵x，矩阵x具体表示为：
36、
37、32)按照步骤31)所构造的矩阵x，记x1，x2分别为按步骤31)的公式构造左右手运动想象脑电信号矩阵，矩阵x的维数为m×n，m表示本征模态函数imf的分量总数，n表示采样点数；计算矩阵x的协方差，并进行归一化处理，所得矩阵x每行的协方差矩阵covi如下式所示：
38、
39、式中，trace(x,xt)表示矩阵x乘以其转置xt的迹；
40、33)按照步骤32)求得左右手运动想象脑电信号的协方差矩阵cov1与cov2，先分别计算左右手运动想象脑电信号任务实验的平均协方差矩阵然后求出两类信号的混合协方差矩阵cov并进行其特征值分解，如下式所示：
41、
42、式中，u0是混合协方差矩阵cov的特征向量，λ是对角矩阵；
43、34)按照步骤33)利用cov的特征向量u0和λ的每一个非零特征值，进一步可求混合协方差矩阵cov的白化矩阵p，如下式所示：
44、
45、35)通过白化矩阵p对左右手运动想象脑电信号的协方差矩阵cov1和cov2进行白化处理，如下式所示：
46、s1＝p·cov1·pt，s2＝p·cov2·pt
47、36)对s1和s2进行主成分分解，如下式所示：
48、s1＝cλ1ct,s2＝cλ2ct
49、λ1与λ2满足λ1+λ2＝i，i为单位矩阵，c是从左右手运动想象脑电信号的两个协方差矩阵covi中抽取的特定的正交特征向量组成的矩阵，对应两特征矩阵s1、s2特征值之和为1；
50、37)当s1的特征值最大时，将λ1中最大特征值所对应的特征向量组成矩阵b1，从而对应s2为最小特征值，将λ2中最大特征值所对应的特征向量组成矩阵b2，合并矩阵b1与矩阵b2为b＝[b1，b2]，构造空间滤波器w，如下式所示：
51、w＝btp
52、38)按照步骤37)将本征模态函数imf下imfj分量构造的左右手运动想象脑电信号矩阵(即矩阵x)经构造的相应滤波器w滤波，得到特征矩阵zl和zr，选取fl和fr为想象左、右的特征向量并求取特征向量，如下式所示：
53、
54、得到空域特征矩阵f3；
55、var(zl)表示zl的方差，var(zr)表示zr的方差；
56、sum(var(zl))表示对左手运动想象脑电信号的方差求和；
57、sum(var(zr))同上。
58、进一步地，步骤3)中，采用cca融合策略将所得各维度的特征矩阵进行融合降维处理。
59、对于不同的特征向量进行特征层本文档来自技高网...
【技术保护点】
1.一种多特征层融合的单通道脑电信号特征提取与识别方法，其特征在于：包括如下步骤：
2.如权利要求1所述的多特征层融合的单通道脑电信号特征提取与识别方法，其特征在于：步骤2)中，多维度特征提取包括：提取区分左右手运动想象脑电信号的时域特征矩阵f1、样本熵特征矩阵f2以及空域特征矩阵f3；所述时域特征矩阵f1、样本熵特征矩阵f2以及空域特征矩阵f3为各维度的原始特征矩阵。
3.如权利要求2所述的多特征层融合的单通道脑电信号特征提取与识别方法，其特征在于：时域特征矩阵提取时，将CEEMDAN分解的本征模态函数IMF下的各分量IMFj进行希尔伯特-黄变换，并提取出选取本征模态函数IMF的瞬时频率和瞬时幅值，包括：
4.如权利要求3所述的多特征层融合的单通道脑电信号特征提取与识别方法，其特征在于：样本熵特征矩阵f2提取时，包括如下步骤：
5.如权利要求4所述的多特征层融合的单通道脑电信号特征提取与识别方法，其特征在于：空域特征矩阵f3提取时，包括如下步骤：
6.如权利要求4所述的多特征层融合的单通道脑电信号特征提取与识别方法，其
7.如权利要求1所述的多特征层融合的单通道脑电信号特征提取与识别方法，其特征在于：步骤1)，采用小波阈值去噪法对单通道脑电信号进行预处理。
8.如权利要求1所述的多特征层融合的单通道脑电信号特征提取与识别方法，其特征在于：步骤3)，所述分类模型为SVM模型和LR线性二分类模型。
...【技术特征摘要】
1.一种多特征层融合的单通道脑电信号特征提取与识别方法，其特征在于：包括如下步骤：
2.如权利要求1所述的多特征层融合的单通道脑电信号特征提取与识别方法，其特征在于：步骤2)中，多维度特征提取包括：提取区分左右手运动想象脑电信号的时域特征矩阵f1、样本熵特征矩阵f2以及空域特征矩阵f3；所述时域特征矩阵f1、样本熵特征矩阵f2以及空域特征矩阵f3为各维度的原始特征矩阵。
3.如权利要求2所述的多特征层融合的单通道脑电信号特征提取与识别方法，其特征在于：时域特征矩阵提取时，将ceemdan分解的本征模态函数imf下的各分量imfj进行希尔伯特-黄变换，并提取出选取本征模态函数imf的瞬时频率和瞬时幅值，包括：
4.如权利要求3所述的多特征层融合的单...
【专利技术属性】
技术研发人员：吴全玉，孙健，李姝，胡鸣瑛，潘玲佼，陶为戈，程钦，王永星，刘晓杰，俞洋，
申请(专利权)人：江苏理工学院，
类型：发明
国别省市：
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。