[发明专利]一种基于边缘小波特征的脑电波(EEG)信号识别系统

说明书

技术领域

本发明属于生物医学信号处理领域，着重描述了一种基于边缘小波特征和超狄利克雷混合模型的脑电波识别系统。

背景技术

随着计算机技术以及生物医疗技术的发展，脑-机交换技术具有非常重要的研究价值和应用价值。通过这种技术可以帮助患有神经性肌肉疾病的患者，通过大脑控制计算机来驱动假肢等各种外部设备与外界进行交流。脑电波信号可以用来记录了人类大脑的活动情况，当大脑想象着不同的动作时，就会传达出不同的脑电波信号。如何有效的对脑电波信号进行有效的特征提取，并进行分类识别是脑-机交换系统中的一个重要研究课题。

现有的特征提取方法主要包括自回归参数特征，离散小波系数特征等，离散小波特征由于能够在多尺度空间内进行特征提取，因此在脑电波分析领域得到了广泛的应用。由于脑电波信号本身所具有的时间敏感性，因此导致离散小波系数特征中夹杂有较多的噪声信号，不利于后继的分类识别工作，因此本专利中采用了具有较低时间敏感度的边缘小波特征作为基本特征。同时根据边缘小波特征本身的分布特点在分类识别阶段采用超混合狄利克雷模型来对提取特征的分布进行建模，采用最大后验概率的方法来对脑电波信号进行识别。

发明内容

为了解决上述技术所存在的缺陷并提高脑电波信号的识别率，本发明提供了一种基于边缘小波特征和超狄利克雷混合模型的脑电波识别方法。

为达到上述目的，本发明提出的脑电波识别方法包括下列步骤：

一、特征提取步骤：

A、离散小波变换步骤：对从传感器中获取的M路脑电波信号利用小波变换进行K层分解。

B、边缘小波特征提取步骤：对前K-1层小波系数中的低频部分，以及第K层小波系数中的低频和高频部分进行求和、连接与归一化处理，生成K+1维的边缘小波特征。

二、特征选择与模型训练步骤：

A、特征选择步骤：

对提取的M路边缘小波特征利用Fisher准则进行特征选择，挑选出m路最能体现脑电波结构特点的特征。

B、模型训练步骤：

将获取m路K+1维的边缘小波特征进行组合生成m×(K+1)维的特征超向量。使用超狄利克雷混合模型(SDMM:super-Dirichlet Mixture Model)模拟边缘小波特征超向量的分布,通过梯度法解方程求出模型中的参数,最终得到一系列模型，每个模型对应一种类型的脑电波。

三、鉴别匹配步骤：提取某种脑电波信号数据后，采用步骤一的方法进行特征提取后输入到训练好的一系列概率模型中，按照步骤二A中训练得到的有效通道进行特征组合形成超向量，并利用步骤二B中训练模型计算针对该模型的概率，并结合脑电波信号的先验分布，采用最大后验的方法对脑电波信号进行识别。

根据本发明的一个实施方式的一种基于边缘小波特征和超狄利克雷混合模型的脑电波识别方法步骤一A所述的离散小波变换步骤中，采用2阶多贝西小波基其高、低阶滤波器的系数分别为

H＝[-0.129,-0.224,0.837,-0.483]^T

L＝[-0.129,0.224,0.837,0.483]^T

根据本发明的一个实施方式的一种基于边缘小波特征和超狄利克雷混合模型的脑电波识别方法步骤一B所述的边缘小波特征提取步骤如下

(1)对前K-1层小波系数中的低频部分，以及第K层小波系数中的低频和高频部分进行绝对值求和处理获取边缘小波系数c_k