[发明专利]基于量化最小误差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量化最小误差熵的共用空间模式空域特征提取方法，应用QMEE将传统算法的代价函数改进，使其对离群点鲁棒，能够在离群点出现时获得更好的空域滤波器和特征，进而得到好的分类效果；QMEE是对MEE的一种改进，它能够有效解决MEE计算代价过高的问题，MEE的计算需要双重求和，时间复杂度为O(N²)，N是样本的个数，QMEE的复杂度为O(MN)且M＜＜N。QMEE同时保留了MEE的优点，对非线性和非高斯的信号处理和机器学习问题有很好的鲁棒性。

技术领域

本发明属于信号处理领域，涉及一种基于量化最小误差熵的共用空间模式空域特征提取方法。

背景技术

脑机接口已经成为一种将脑信号转换到特定指令的有效途径，能够帮助严重瘫痪的病人与外界交流。脑电是一种广为应用的脑信号，具有很高的时间分辨率，易于使用，且设备价格较低。基于脑电的脑机接口的一种重要问题就是如何准确且鲁棒地分类脑信号。

为了能够从脑电中提取有效的可分性特征，迄今已有很多的算法被研发出来，其中共用空间模式算法(common spatial patterns,CSP)是一种非常有效的处理两类多通道数据的方法。该方法求得多个空域滤波器，使滤波后的两类数据的方差最大化。由于其有效性，研究者们开发出了许多改进算法，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。

CSP算法可以有效的得到空域滤波器，但由于其代价函数基于L₂范数，会放大离群值的负面影响，导致鲁棒性较弱，降低分类准确率。因此，有必要开发鲁棒的CSP算法来提高鲁棒性和分类准确率。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)。在最近的论文中，有研究者利用互相关熵诱导测度(CIM)可以平滑估计L₀，L₁和L₂范数的性质，改进了CSP算法，进一步提升了算法的鲁棒性。

在信息论领域，最小误差熵(MEE)是非常著名的学习准则，且被成功应用到多个领域，如回归，分类，聚类，特征提取等。MEE通过最小化模型与数据生成系统之间误差的熵，找到数据中的结构。熵能够考虑到数据的所有高阶矩，因此是数据潜在分布的全局描述子。传统的均方误差准则(MSE)只考虑了误差的二阶矩，因此MEE的表现比MSE要好，尤其在非线性和非高斯(多峰，重尾等) 信号处理和机器学习问题中。在数据量较大时，MEE的计算代价过高，因此有学者开发了量化最小误差熵(QMEE)来减小计算复杂度。同时，QMEE又保留了 MEE对噪声和离群点鲁棒的特点。

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，该算法将量化最小误差熵准则(QMEE)应用在共用空间模式(CSP)算法中，利用QMEE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：

基于量化最小误差熵的共用空间模式空域特征提取方法，在运动想象分类问题中，假设有两类数据和c是通道数量，m＝l×N_x，n＝l×N_y，m和n是这两类数据总样本点数，l是每一个运动想象数据段的采样点数，N_x和N_y分别是两类数据的试验次数；