一种用于脑机接口中的分类方法技术

本发明专利技术公开了一种用于脑机接口中的分类方法，包括步骤：根据训练集中若干类样本集的特征，分别计算每类样本集特征的权重和，所述权重和近似服从正态分布，估计出若干个正态分布的均值和标准差；对新样本进行分类时，计算出新样本特征的权重和，根据得到的若干个正态分布的均值和标准差对计算出的新样本特征的权重和进行标准化，得到若干个标准化后的值；对若干个标准化后的值的绝对值进行排序，将其中最小值对应的样本集类别作为新样本的类别。本发明专利技术方法利用标准分数对新样本特征的权重和进行标准化，进而根据标准化后的权重和确定分类边界线，克服了传统线性判别分析方法在样本特征分布不相同情况下分类识别率下降的缺点。

【技术实现步骤摘要】

本专利技术属于生物医学信息
，具体涉及一种脑-机接口领域中对脑电特征进行分类识别的方法。
技术介绍
脑机接口(Brain-Computer Interface, BCI)是近年发展起来的不依赖于大脑的正常输出通路(即外围神经和肌肉组织)，就可以实现人脑与外界(计算机或其它外部装置)直接通信的技术。脑机接口技术可以将脑电信号转化成控制信号从而实现对外部设备的控制，基于脑机接口可以发展多种增强型控制和通信系统，提高患有某些疾病人群的生活质量，如脑卒中、帕金森、运动神经元损伤等。通常基于脑电信号的脑机接口系统由4个模块组成:脑电信号采集放大模块，特征提取模块，分类识别模块，反馈及控制模块，如图1所示。脑电信号采集放大模块主要由脑电放大器组成，用于放大微弱的脑电信号并将之送入特征提取模块进行处理；特征提取模块对包含噪声和众多冗余信息的脑电数据进行处理，将有用的特征提取出来送入分类识别模块；分类识别模块采用模式识别的方法对特征进行分类，并将分类结果作为控制指令输出到反馈及控制模块中；反馈及控制模块主要用于同步被试行动、为被试提供相应的反馈信息及转化控制指令。采用性能更好的脑电信号放大器可以有效提升采集到的脑电数据的信噪比，将创新的实验范式应用在反馈及控制模块中可以获得质量更高的脑电特征，而在脑电信号放大器和实验范式固定的情况下，脑机接口的性能则由特征提取方法和分类识别方法决定。基于脑电信号的脑机接口系统可用的脑电特征包括运动想象节律信号、P300诱发电位、稳态视觉/听觉诱发电位、瞬态视觉诱发电位等。在采集到的脑电信号中，自发脑电占有非常大的比例，而上述可用的特征被淹没在大量的自发脑电中，国内外的研究者们提出了许多种特征提取算法，如拉普拉斯滤波，自回归功率谱分析法，共空间模式，典型相关分析，双谱分析等。作为一个输入-输出系统，以转化使用者意图为目的，分类识别模块最终决定脑机接口系统是否可以正确的将使用者的意图转化为控制命令。与传统的模式识别问题相t匕，脑机接口系统对分类识别模块有着特殊的要求，如小样本训练集，脑电信号非平稳性等，因此，需要将更先进的分类方法应用到脑机接口系统中，以提高脑机接口系统的性能。目前，线性判别分析(Linear Discriminant Analysis, LDA)基于其易用性好,计算效率高，稳定性强的优点，成为脑机接口领域中最流行的分类方法之一。线性判别分析已经在运动想象脑机接口、P300打字机和稳态视觉诱发电位脑机接口中取得了较好的应用效果，也有一些基于线性判别分析的改进算法，如正则化线性判别分析(RLDA)、贝叶斯线性判别分析(BLDA)、自适应线性判别分析等。线性判别分析假设两类数据具有相同的协方差矩阵，通过寻找最大化两类数据均值同时最小化类内方差的投影得到分类边界线，分类边界线只由投影后的两类数据的均值决定，而投影后的两类数据的方差信息则被忽略，造成了分类的不准确。
技术实现思路
本专利技术的目的在于针对现有分类识别方法的存在的上述问题，提出了。本专利技术的技术方案为:，具体包括如下步骤:S1.根据训练集中若干类样本集的特征，分别计算每类样本集特征的权重和，所述权重和近似服从正态分布，估计出若干个正态分布的均值和标准差；S2.对新样本进行分类时，计算出新样本特征的权重和，并根据步骤SI得到的若干个正态分布的均值和标准差对计算出的新样本特征的权重和进行标准化，得到若干个标准化后的值；S3.对若干个标准化后的值的绝对值进行排序，将其中最小值对应的样本集类别作为新样本的类别。本专利技术的有益效果:本专利技术的方法利用标准分数对新样本特征的权重和进行标准化，进而根据标准化后的权重和确定分类边界线，克服了传统线性判别分析方法在样本集特征分布不相同情况下分类识别率下降的缺点，有效提升了脑机接口系统在复杂情况下分类表现的稳定性。附图说明图1为脑机接口系统的组成的示意图。图2为本专利技术的用于脑机接口中的分类方法示意图。图3为示意了本专利技术方法和传统线性判别分析方法分类边界线位置的差异示意图。图4为本专利技术方法与现有的线性判别分析方法的分类效果比较示意图。具体实施例方式下面结合附图和具体实施例对本专利技术做进一步的说明。在实际应用中，待分类的多类数据往往不满足同协方差矩阵的假设，因此，将投影后的两类数据的方差信息加入分类边界线的决定过程中是具有重要意义的。本专利技术的具体方案流程图如图1所示，包括如下步骤:S1.根据训练集中若干类样本集的特征，分别计算每类样本集特征的权重和，所述权重和近似服从正态分布，估计出若干个正态分布的均值和标准差；S2.对新样本进行分类时，计算出新样本特征的权重和，并根据步骤SI得到的若干个正态分布的均值和标准差对计算出的新样本特征的权重和进行标准化，得到若干个标准化后的值；S3.对若干个标准化后的值的绝对值进行排序，将其中最小值对应的样本集类别作为新样本的类别。本专利技术理论依据是:以训练集中包含两类样本集(第一类样本集和第二类样本集)为例说明，假设训练集中的两类样本集特征经过线性判别分析方法计算得到的权重和分别近似服从正态分布，估计出这两个正态分布的均值和标准差并保存在训练模型中。在对新样本进行分类时，首先用线性判别分析方法计算出其特征的权重和，然后用训练模型中保存的两类正态分布的均值和标准差分别对其标准化，得到Z1和Z2，则Iz1I和Iz2I分别反映了待分类样本特征的权重和与训练模型中保存的两类正态分布的均值的相对标准距离，若Z11 < IZ21，则新样本与第一类样本集的正态分布的均值的相对标准距离更小，被分作第一类，反之则被分作第二类。不同于现有线性判别分析方法，此方法对两类样本特征的权重和分别做正态分布假设，其分类边界线由两个正态分布曲线的交点决定。仍以两类样本集Cp C2为例进行说明，假设X1=U11, X12, xlffl)T,和乂2_ (义21，义22，...，X2n)， 是两类样本集的特征向量，其中，Xll, Xi2,..., Xlm e C1,X21, X22,...，X2n e C2, m、n分别为特征向量X1和X2中样本的个数。,首先寻找一个特征向量的线性方程使得:Y (X) =Xff+W0 (I)其中，W是权重向量，W0是偏移量，如果将C1作为样本集C1的标签，C2作为样本集C2的标签，则传统线性判别分析方法的分类边界线可定义为d=(Cl+C2)/2。为了计算方便，可以用向量记法将等式(I)转换为Y(X)=XW⑵其中，而相应的为带一个虚拟输入Xtl=I的扩大化的特征向量^ = (X5I)tj等式(2)的最小二乘解为:W = (XtX) XtY⑶如果C1〈C2，传统的线性判别分析方法在进行分类识别时，用式子(2)计算出样本特征对应的权重和I的值，若y〈d，则样本被分作第一类，反之则被分作第二类。本专利技术方法对线性判别分析方法的改进主要体现在以下几个方面:将等式(3)得到的#代入等式(2)中计算出每一个训练样本的权重和y值，再分别计算出两类样本训练集的特征权重和的均值UpU2和标准差ο” σ 2。本文档来自技高网...

【技术保护点】
一种用于脑机接口中的分类方法，具体包括如下步骤：S1.根据训练集中若干类样本集的特征，分别计算每类样本集特征的权重和，所述权重和近似服从正态分布，估计出若干个正态分布的均值和标准差；S2.对新样本进行分类时，计算出新样本特征的权重和，并根据步骤S1得到的若干个正态分布的均值和标准差对计算出的新样本特征的权重和进行标准化，得到若干个标准化后的值；S3.对若干个标准化后的值的绝对值进行排序，将其中最小值对应的样本集类别作为新样本的类别。

【技术特征摘要】
1.种用于脑机接口中的分类方法，具体包括如下步骤:据训练集中若干类样本集的特征，分别计算每类样本集特征的权重和，所述权重和近似服从正态分布，估计出若干个正态分布的均值和标准差；新样本进行分类时，计算出新样本特征的权重和，并根据步骤SI得到的若干个正态分布的均值和标准差对计算出的新样本特征的权重和进行标准化，得到若干个标准化后的值；若干个标准化后的值的绝对值进行排序，将其...

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