[发明专利]基于正则化CSP和SRC的脑电信号分类识别方法及其遥控系统

说明书

技术领域

本发明属于模式识别与智能系统和脑机接口技术领域，尤其涉及一种基于正则化CSP和SRC的脑电信号分类识别方法及其遥控系统。

背景技术

目前，有多种疾病可以损伤脑与外部环境进行交流和控制的神经肌肉通路，如脑瘫多发性硬化和脑卒中等，这些疾病会使人部分或全部失去自主的肌肉控制能力，这就需要人们开始尝试建立一种全新的、不依赖于肌肉神经活动的交流和控制通路，也就是说在大脑和外部设备之间建立一个信息交流通道，从而使那些有认知能力但存在运动障碍的人能与外部环境进行交，如控制轮椅、计算机、照明开关、电视机、甚至恢复运动功能等，在休闲娱乐领域，脑机接口为人们提供一种新的娱乐方式，可以通过思维来玩游戏，让玩家漫游于虚拟世界中，同时，脑际接口在信息安全领域中作为一门身份识别技术也得到了广泛地研究。

基于运动想象的脑机接口技术是利用脑电采集装置从大脑皮层采集运动想象脑电信号，提取有效的脑电特征信息，进行识别和分类，尽管使用不同方法在不同条件下识别效果各有优劣，然而，在运动想象脑电信号识别中最根本的问题是需要高效而且对于不同想象运动脑电信号特征区分度高的特征提取和分类算法，在这方面，近年来国内外已经取得了很多不错的进展。

在特征提取方面，2003年清华大学高上凯小组运用共空域子空间分解算法（Common Special Subspace Decomposition，CSSD）对EEG信号进行特征提取，取得了良好的识别效果，CSSD是一种针对多通道脑电数据的空域滤波算法，它的作用是提取任务相关的信号分量而抑制任务不相关的分量和噪声，CSSD对处理EEG信号的事件相关同步化现象非常有效，其不足在于构建的特征向量的特征值稳定性低，区分度比较差，尤其是在小样本时更加明显。

在识别分类方面，现有的分类方法有线性判别分析法、支持向量机（SVM）等，线性判别分析法简单、容易实现、需要的计算量和存储量小，然而，由于EEG的非线性特点，得到的特征向量很难具有线性可分性，对分类造成很大困扰，必然会引起识别率降低，支持向量机是将向量映射到一个更高维的空间里，在这个空间里建立一个最大间隔超平面，因此他的输入维数很高，分类器很难得到推广。

发明内容

本发明实施例的目的在于提供一种基于正则化CSP和SRC的脑电信号分类识别方法及其遥控系统，旨在解决现有的脑电信号特征提取存在的构建特征向量的特征值稳定性低，区分度比较差，识别分类存在的得到的特征向量很难具有线性可分性，对分类造成很大困扰，引起识别率降低的问题。

本发明实施例是这样实现的，一种基于正则化CSP和SRC的脑电信号分类识别方法，该基于正则化CSP和SRC的脑电信号分类识别方法包括以下步骤：

步骤一，采集n位实验者想象两类不用运动的EEG信号,分别求得每位实验者的训练数据的协方差；

步骤二，引入正则化参数α和β（0≤α,β≤1），在正则化参数的作用下，将主试者的协方差矩阵之和与次试者的协方差矩阵之和相结合，构造两类不同运动想象空间滤波器,保留滤波后的训练数据，提取两类特征最大化的向量，构造学习字典；

步骤三，输入测试运动想象数据，按照步骤二进行空间滤波，并保留滤波后的测试数据；

步骤四，运用信号的稀疏表征方法，对测试运动想象数据进行识别，确定测试样本所属的类别。

进一步，该基于正则化CSP和SRC的脑电信号分类识别方法的特征提取具体步骤包括如下：

步骤一，采集多位实验者的EEG信号

利用8～30Hz带通滤波器对采集到的EEG信号数据进行滤波，以获取明显的ERD/ERS生理现象；

步骤二，对n位实验者进行编号，选取其中1名被试为主试；其他为次试；分别求取他们的各类协方差矩阵，引入正则化参数α和β（0≤α,β≤1），在正则化参数的作用下，将主试者的协方差矩阵之和与次试者的协方差矩阵之和相结合，构造两类平均正则化协方差矩阵：