[发明专利]一种基于多分类器集成的脑电分类方法

说明书

技术领域

本发明涉及脑电信号处理及模式识别领域，尤其涉及脑机接口中运动想象脑电信号模式分类，具体是涉及基于多分类器集成的脑电分类方法。

背景技术

脑机接口是大脑与外部设备之间进行信息传递的通讯系统，它能将使用者大脑的电位活动转换为外部设备的控制命令，从而代替肢体与语言实现与外界的交流。目前，从人体头皮采集的运动想象脑电经常被用于无创脑机接口控制。基于运动想象脑电的脑机接口主要通过对运动想象脑电的分析处理识别使用者的运动意图，进而将识别结果转换为对外部设备的控制命令。近十年来，脑机接口技术由于其在运动功能障碍患者康复训练中的良好应用前景而受到广泛关注。

模式识别是脑机接口的关键技术，包括特征提取和模式分类两个部分。在运动想象脑电特征提取方面，时域分析方法、模型参数法、时频分析方法等得到了广泛的使用，其中，离散小波变换由于其良好的时频特性在各种特征提取方法中更具有优势，而且离散小波变换提供了一种将信号分解到不同的子频带进行分析的途径。在运动想象脑电模式分类方面，基于结构风险最小化的支持向量机是一种重要的分类方法，它通过在训练集样本空间中构造一个超平面将样本分开，具有较高的分类精度和泛华性能。

目前，在脑机接口的模式识别中大多采用单一分类器，导致分类准确率难以提高，泛华性能也较差，通过集成学习方法，构建并结合多个分类器，能够获得比单一分类器更高的准确率和泛华性能。D-S证据理论在处理不确定信息方面十分有效，利用D-S证据理论能够在先验概率未知的情况下获得较好推理结果，通过D-S证据理论实现多个分类器的结合，从而提高脑机接口中模式识别的准确率，对于进一步改善脑机接口技术在康复治疗中的效果具有重要意义。

发明内容

发明目的：为提高脑机接口中运动想象脑电模式识别的准确率，本发明提供一种基于多分类器集成的脑电分类方法，首先分别采用时域分析、自回归模型和离散小波变换方法提取脑电信号特征并组成相应的特征域，然后在每个特征域下对个体支持向量机分类器进行训练，最后通过D-S证据理论对每个个体支持向量机的分类信息进行融合，得到最终的分类结果。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于多分类器集成的脑电分类方法，包括如下步骤：

步骤(1)脑电信号采集及预处理：多次采集受试者运动想象动作模态(仅进行左手运动想象和右手运动想象)下的脑电信号，并对每一次采集的脑电信号进行带通滤波处理以形成一个样本，从所有的样本中随机抽取半数样本作为训练样本集，剩余的半数样本作为测试样本集；

步骤(2)脑电信号特征提取：对步骤1预处理后的每一个样本进行如下处理：

(a)采用时域分析方法，提取样本的时域统计量特征，组成统计量特征域；

(b)采用自回归模型方法，提取样本的自回归模型特征，组成自回归模型特征域；

(c)采用离散小波变换方法，对样本进行分解与重构，提取重构信号的均值、方差和能量特征，组成离散小波变换特征域；

步骤(3)建立个体支持向量机分类器模型：针对训练样本集，在每个特征域下分别对支持向量机进行训练，并将支持向量机的输出转换为概率输出，得到三个个体支持向量机分类器；

步骤(4)多分类器集成脑电模式分类：针对测试样本集中的每个样本，先将相应的特征输入到对应的个体支持向量机分类器内，得到每个个体支持向量机分类器的分类信息，然后利用D-S证据理论对三个个体支持向量机分类器的分类信息进行融合，得到该样本最终的分类结果。

具体的，所述步骤(1)中，脑电电极基于国际10-20系统标准放置，通过电极帽将电极与头皮相连，采样频率为128Hz，一次采集的脑电信号同时包含C3和C4导联脑电信号，并用巴特沃斯三阶带通滤波器对脑电信号进行滤波处理，带通滤波频段为0.5～30Hz。

具体的，所述步骤(1)中，训练样本集和测试样本集中均包含想象左手运动信号和想象右手运动信号两类样本；训练样本集类别标签已知，想象左手运动信号标记为1，想象右手运动信号标记为-1；测试样本集类别标签需要预测，将预测结果和真实类别标签进行对比即可得到分类准确率。

具体的，所述步骤(2)具体包括如下步骤：

(a)采用时域分析方法，提取样本的时域统计量特征，组成统计量特征域：