[发明专利]一种基于互相关熵的共用空间模式空域特征提取方法

说明书

本发明公开了一种基于互相关熵的共用空间模式空域特征提取方法，对传统共用空间模式算法的改进，提升对离群点的鲁棒性，互相关熵诱导测度能够在不同的动态区域内估计L₂，L₁和L₀范数，因此可以被用来构建鲁棒代价函数，使用互相关熵诱导测度代替传统算法代价函数中的L₂范数，即可得到新的鲁棒算法，该算法对离群点有很好的效果。

【技术领域】

本发明属于信号处理领域，涉及一种基于互相关熵的共用空间模式空域特征提取方法。

【背景技术】

脑机接口能够将脑信号转换为控制指令，帮助严重瘫痪的病人不经过外周神经系统和肌肉与外界交流。脑电(electroencephalography)是一种脑机接口中广泛使用的信号，具有采集方便且非侵入式的特点。在基于脑电的脑机接口中，一个关键问题是如何鲁棒且准确地分类脑电信号。

为了能够从原始信号中提取有效的可分性特征，研究者们已经开发了很多种算法。其中，共用空间模式算法是一种非常有效的分析多通道两类脑电数据的方法。该算法能够找出多个空域滤波器，使得滤波后一类信号的方差最大，而另一类信号的方差最小。由于这种算法很有效，所以出现了很多变种算法，如共用空域谱模式算法(CSSP)，平稳共用空间模式算法(sCSP)，局部暂态共用空间模式算法(LTCSP)，正则化共用空间模式算法(RCSP)，聚合正则化共用空间模式算法(R-CSP-A)，稀疏共用空间模式算法(SCSP)，典型相关性分析共用空间模式算法(CCACSP)等。

传统的共用空间模式算法和它的大部分变种算法都对离群值敏感，因为这些算法建立在对协方差矩阵的估计上。在计算协方差矩阵时，需要使用L₂范数。该范数会放大脑电数据中离群点的负面作用，并导致不合适的空域滤波器。不仅空域滤波器会受到影响，由此求出的特征也会受到离群值的影响。因此，非常有必要开发鲁棒的共用空间模式算法来减轻离群值对噪声的影响。

机器学习领域的相关文献证明了L₁范数可以有效地减轻离群点对算法性能的负面影响，得到好的学习效果。有研究者提出了基于L₁范数的共用空间模式算法(CSP-L₁)，该算法使用L₁范数代替传统算法代价函数中的L₂范数。在此基础上，有人提出了基于广义范数的共用空间模式算法(CSP-L_p)，但考虑到p范数求解的复杂性和难度，作者认为p＝1应该是最好的选择。

在信号处理领域，互相关熵是一种在再生核希尔伯特空间(RKHS)定义的广义相关性度量。互相关熵诱导测度(CIM)的概念可以由互相关熵(correntropy)推导得到，它能够在不同的动态区域内估计L₂,L₁和L₀范数。本质上，CIM是核空间下的“L₂范数”，对应于输入空间的非线性距离度量。当输入空间两个向量的距离非常远的时候，CIM将会饱和，这个性质使得它非常适合处理数据中有离群点的学习问题。因此，基于CIM的共用空间模式算法也将会对离群点鲁棒，相比于传统的算法，能够得到更好的空域滤波器及特征，尤其是当离群点出现时。

【发明内容】

本发明的目的在于提供一种基于互相关熵的共用空间模式特征提取方法，该算法将互相关熵诱导测度(CIM)应用在共用空间模式(CSP)算法中，利用CIM对离群点鲁棒这一特性，使得新的算法能够从含有离群点的脑电数据中提取出好的可分性特征。

为实现上述目的，本发明采用如下方案：