[发明专利]一种基于Lp/q-混合范数的空间滤波方法及装置

说明书

本发明公开了一种基于Lp/q‑混合范数的空间滤波方法及装置，分别用Lp‑范数和Lq‑范数对两类脑电信号建模，基于该Lp/q‑混合范数构造目标函数，并提供了一种求解最优空间滤波向量的迭代算法，从而提取精细判别信息，为脑‑机接口系统提供有益的分类方法，寻求具有判别力的特征，进而进行脑电信号分类。本发明方法具有抵制异常值对分类性能影响的作用，所提方法较传统的方法具有更好的分类性能、鲁棒性、稳定性。

技术领域

本发明涉及基于Lp/q-混合范数的鲁棒性建模、以及脑-机接口系统中脑电信号的特征提取和分类领域，具体来说，涉及基于Lp/q-混合范数的共同空间模式方法、最优空间滤波器求解的迭代算法、以及其脑电信号分类方法，具体涉及一种基于Lp/q-混合范数的空间滤波方法及装置。

背景技术

由于在机器学习和模式识别领域中常见算法的目标函数都是基于L2-范数的表达式，但就统计学建模的角度而言，L2-范数的运用会导致过拟合和异常值敏感性等问题；而从传感器采集到的数据往往不可避免地会受到离群值值和噪声的污染，因此算法的鲁棒性建模引起了研究者广泛的关注。而近年来，基于范数的鲁棒性建模技术得到越来越多的关注和研究，例如文献《L1-norm-based common spatial patterns》中提出了用L1-范数的形式代替传统共同空间模式(CSP)目标函数中的L2-范数表达式，即CSP-L1方法、文献《Lp-andLs-norm distance based robust linear discriminant analysis》中提到的基于Lp-,Ls-范数距离的稳健线性判别分析方法(FLDA-Lsp)。

由于CSP与LDA的目标函数形式存在较大相似性，且基于L1-范数的CSP取得了较好的结果，故本发明提出一种基于Lp/q-混合范数的空间滤波方法。在该方法中，若p＝q＝2，则可看作是基于L2-范数的方法；若p＝q＝1，则转变成基于L1-范数的方法。因此，基于Lp/q-混合范数构造目标函数，理论上能提取精细判别信息，且具有一定的鲁棒性，从而进一步提高数据分类准确率，为脑-机接口系统提供有益的分类方法。

由于所提方法的目标函数为商的形式，且含有绝对值运算符，这使得传统的矩阵对角化求解空间滤波向量的方法不可行。针对这个问题，本发明给出一种简单有效的迭代算法来求解所提方法的最优空间滤波向量，并通过贪婪策略推广获得多重滤波器。从而提取出具有精细判别信息的特征，作为后续脑电分类的输入。

发明内容

为解决现有方法中存在的问题，本公开提供一种基于Lp/q-混合范数的空间滤波方法及装置，采用Lp/q-范数的鲁棒建模思想来提高算法的稳定性和鲁棒性；本发明还提供了一种求解基于Lp/q-混合范数的空间滤波方法的最优空间滤波向量的迭代算法，能提取出具有精细判别信息的特征，得到更稳定更高识别率的脑电信号分类结果。

为了实现上述目的，本发明提供一种基于Lp/q-混合范数的空间滤波方法，所述方法包括以下步骤：

步骤1，信号预处理，将采集到的脑电信号数据进行带通滤波处理，选取合适时间段的数据作为待处理数据；

步骤2，利用Lp/q-混合范数重新定义目标函数；

步骤3，以基于Lp/q-混合范数目标函数将脑电数据矩阵进行最优空间滤波向量的迭代得到迭代后的脑电数据；

步骤4，将经过迭代得到的脑电数据进行特征提取；

步骤5，利用提取出的特征进行单试次脑电信号分类。

进一步地，在步骤1中，设置带通滤波频带为8Hz～30Hz，并选取刺激材料呈现时两至三秒间的脑电数据；