[发明专利]一种基于非高斯时序模型的脑电特征提取方法

权利要求书

1.一种基于非高斯时序模型的脑电特征提取方法，其特征在于，包括以下步骤：

（1）获取待处理脑电数据和两组训练脑电数据，去除待处理脑电数据和两组训练脑电数据中的伪迹，分别获得待处理脑电数据的有效频段和两组训练脑电数据的有效频段，再分别将待处理脑电数据的有效频段和每组训练脑电数据的有效频段分为若干数据段；每组训练脑电数据中均包括两种大脑状态下的脑电数据；

（2）提取步骤（1）中每个数据段的时频特征、形态特征和复杂度特征，得到相应的时频特征值、形态特征值和复杂度特征值，每个数据段的时频特征值、形态特征值和复杂度特征值构成一个特征向量；

（3）两组训练脑电数据分别记为第一组训练脑电数据和第二组训练脑电数据：

3-1、为第一组训练脑电数据中的每一个特征向量标记状态值，利用标记完状态值的第一组训练脑电数据训练支持向量机；

3-2、将第二组训练脑电数据的所有特征向量输入步骤3-1中所得的训练好的支持向量机中，得到第二组训练脑电数据的状态值序列；

（4）建立表达特征向量与大脑状态之间关系的观察方程，并利用自回归模型建立状态转移方程，利用第二组训练脑电数据的特征向量和状态值序列，确定观察方程和状态转移方程中的所有参数；

（5）利用待处理脑电数据的特征向量以及步骤（4）获得的观察方程和状态转移方程，采用粒子滤波的方法得到待处理脑电数据的状态值。

2.如权利要求1所述的基于非高斯时序模型的脑电特征提取方法，其特征在于，所述状态转移方程的表达式如下：

xt=Σi=1pαixt-i+β+vt,vt~N(0,σv2)]]>

其中，

t为数据段的序数；

x_t为第t个数据段的状态值；

p为自回归模型的阶数；

x_t-i为第t-i个数据段的状态值；

α_i为状态值x_t-i对应的系数；

β为常数；

v_t表示第t个数据段的状态转移噪声，服从均值为0，方差为的正态分布。

3.如权利要求2所述的基于非高斯时序模型的脑电特征提取方法，其特征在于，所述观察方程的表达式如下：

f_t＝Wx′_t+u_t，u_t～C(0，Scale)

其中，

t为数据段的序数；

f_t表示第t个数据段的特征向量；

表示第t个数据段的状态值x_t的i阶乘方，q为多项式模型的阶数；

W为系数矩阵；

u_t为第t个数据段的观察噪声，服从中心为0，尺度为Scale的柯西分布。

4.如权利要求3所述的基于非高斯时序模型的脑电特征提取方法，其特征在于，每组训练脑电数据中的两种大脑状态所对应的时长相同，且每种大脑状态所持续的时间不少于1分钟。