一种基于稀疏度量的分类方法技术

本发明专利技术公开了一种基于稀疏度量的分类方法，具体为：计算类间离散度矩阵和类内离散度矩阵，对得到的矩阵进行分解，将Fisher判别准则转化为L1模结构，估计使得目标函数取得最大值的投影向量。针对现有的基于L2模测度函数的LDA会对Outliers等噪声产生不利的放大，本发明专利技术的方法在构造判别分析时采用了基于L1模的测度函数，能够克服现有基于L2模的线性判别分析受到Outliers以及噪声孤立点影响的问题，获得稳健的分类识别效果，在一定程度上提高BCI系统的稳定性。

【技术实现步骤摘要】

本专利技术属于生物医学信息
，具体涉及脑-机接口领域中的模式分类方法。
技术介绍
脑-机接口(Brain Computer Interface, BCI)是利用计算机或其他外部电子设备之间实现人脑与外界进行直接交流和控制的通道(Wolpaw JR, BirbaumerN, McFarland DJ, Pfurtscheller G, Vaughan TM(2002)Brain-computer interfaces forcommunication and control.Clin Neurophysiolll3, 767-791)。BCI 研究涉及众多学科，例如:神经科学、信号检测、信号处理、模式识别、控制理论等，这些学科的交叉发展推动了BCI研究的推进。BCI的基础理论与临床应用研究，已被纳入脑科学和神经工程学的范畴，也被国际上的很多权威机构认为是21世纪脑与神经科学研究中的最前沿与热点之一。一个BCI系统包括信号采集、数据处理以及外设与接口三个部分。在数据处理中，EEG信号的模式分类是BCI系统能否翻译出大脑信息的关键。用于脑机接口的模式分类方法很多，其中，线性判别分析本文档来自技高网...

【技术保护点】
一种基于稀疏度量的分类方法，具体包括如下步骤：S1.根据脑电信号训练样本分别计算类间离散度矩阵SB和类内离散度矩阵SW；S2.根据步骤S1得到的类间离散度矩阵SB和类内离散度矩阵SW构造出相应的φB和其中，φB和分别满足S3.将Fisher判别准则转化为L1模结构，即有：将所述L1模结构映射到对数空间转化为如下目标函数：其中，w为投影向量，估计使得目标函数取得最大值的投影向量w。FDA00002747188800011.jpg,FDA00002747188800012.jpg,FDA00002747188800013.jpg,FDA00002747188800014.jpg,FDA000027...

【技术特征摘要】
1.一种基于稀疏度量的分类方法，具体包括如下步骤: 51.根据脑电信号训练样本分别计算类间离散度矩阵Sb和类内离散度矩阵Sw； 52.根据步骤SI得到的类间离散度矩阵Sb和类内离散度矩阵Sw构造出相应的(^和Ψ,ν，其中，φ B 和％.-分别满足2.根据权利要求1所述的基于稀疏度量的分类方法，其特征在于，还包括步骤S4.将测试样本投影到向量w张开的空间进行分类。3.根据权利要求1或2所述的基于稀疏度量的分类方法，其特征在于，步骤S2具体采用奇异值分解构造小8和鲁-4.根据权利要求1或2所述的基于稀疏度量的分类方法，其特征在于，步骤S3中估计使得目标函数取得最大值的投影向量w的具体过程如下: 5...

【专利技术属性】
技术研发人员：徐鹏，李沛洋，张锐，田春阳，郭兰锦，尧德中，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：