[发明专利]一种面向持续想象脑电信号的分类方法

说明书

技术领域

本发明属于模式识别领域，涉及一种面向持续想象脑电信号的分类方法。

背景技术

脑机接口（Brain Computer Interface，BCI）的研究始于脑电的发展，近几十年来，随着信号处理和机器学习等技术研究的发展，BCI研究逐渐成为热点。运动想象脑电信号是BCI领域常见的一种研究，通过采集分析人们在想象身体某个部位运动或进行某种思维活动时的脑电信号，从而识别人们大脑的状态，进而控制外界装置。BCI技术不仅为脑疾病患者提供一种新的诊断方式，更重要的是实现一种人与外界通讯的新途径。

BCI研究中，对反应大脑不同思维状态的脑电信号进行识别是研究过程中的一个重要环节。目前许多学者在分类识别方面都进行了深入的研究，并取得了一定的成果。常用的分类方法有支持向量机，贝叶斯法，最近邻分类法和人工神经网络法等。李丽君等人采用线性分类器、支持向量机实现测试集运动想象脑电数据的分类，并取得了较好的分类效果。LiuHui等人利用支持向量机分类器对事件相关电位P300信号进行分类，也取得了较好的分类效果。

应用训练数据集训练出的分类器模型输出的是单个测试样本的预测结果，对于相邻样本之间存在一定联系的数据集来说，这种常规分类方法忽略了样本之间的联系，致使分类结果仅依赖于分类器的预测，而无法得到更高的识别率。

发明内容

本发明的目的在于克服上述常规分类方法的不足，提出一种基于转换点检测和样本纯化思想的分类方法。该方法充分考虑了持续想象脑电信号样本之间的联系，从而取得了更高的分类正确率。

所述持续想象脑电信号的特点是受试者持续想象多种想象任务，任务之间是连续的，则在一段时间序列中可以采集到连续的脑电信号，采集流程示意图如附图1所示。本发明假设某种想象任务会持续一定时间，即一定时间序列中的脑电样本属于同一类别，不同想象任务之间存在转换点，转换点处样本间的欧式距离要大于转换点之间的样本间距离，通过设定样本间距离阈值可以检测出转换点；同时，认为持续想象同一任务时，会因注意力涣散、疲倦等因素导致信号受噪声污染。本发明加入样本纯化思想，通过设定样本间距离范围，从与任务对应的所有样本中筛选出部分样本，并返回这部分样本中的大多数类别作为该任务所有样本的类别。本发明通过充分考虑相邻样本之间的联系，提高了整体样本的识别率，非常适合对持续的脑电信号进行离线分析。

本发明所述方法包括以下步骤：

步骤一，进行转换点检测。

转换点检测主要用于确定转换点处样本之间的距离阈值U。假设存在样本类别标签已知的训练数据集X和样本类别标签未知的测试数据集Y，数据集中样本分别属于多个不同的类别，计算距离阈值U的方法如下：

（1）计算训练数据集X中两两相邻样本之间的欧几里得距离，并保存为向量Dist。

（2）根据训练数据集的样本类别标签将步骤（1）计算得到的向量Dist分为两部分：若两相邻样本属于同一类别，将其距离归入向量X_notrans中，记为类内样本距离向量；若两相邻样本属于不同的类别，将其距离归入向量X_trans中，记为类间样本距离向量。

（3）计算X_notrans中所有距离的最大值，记为U₁。

（4）计算X_trans中所有距离的最小值，记为U₂。

（5）根据步骤（3）和步骤（4）的结果，将U₁和U₂中较小的那个作为阈值U，即U=min（U₁,U₂）。

步骤二，进行样本纯化。

样本纯化主要用于确定同类样本之间的距离范围[a,b]，a、b分别为距离的最小值和最大值。具体方法如下：

（1）将训练数据集X拆分成两部分，一部分X_train用作分类器学习，一部分X_test用作预测。

（2）使用数据集训练支持向量机分类器，得到分类器模型，然后对X_test数据集进行预测，得到X_test数据集的预测标签。

（3）对比X_test数据集的真实标签和预测标签，计算数据集中所有被分类器连续预测正确的同一类别的相邻样本之间的欧氏距离，并记为向量D。

（4）对步骤（3）得到的距离向量D进行统计分析，确定其分布函数，一般情况下，该向量服从正态分布或近似正态分布。