[发明专利]一种脑电特征提取和选择方法

说明书

本发明公开了一种脑电特征提取和选择方法，包括如下步骤：对脑电数据进行预处理去除噪声，得到有效的脑电信号；对预处理后的脑电信号进行特征提取，提取基于脑电时频域信息的特征和基于熵理论与复杂度的特征得到脑电信号的初始特征值；对得到的初始特征值进行特征组合集群分析，筛选出有效特征值。本发明为脑电信号技术的实现和发展提供有力的技术支持，以提高脑电信号分析的准确度。

技术领域

本发明涉及脑电数据分析技术领域，具体地是涉及一种脑电特征提取和选择方法。

背景技术

脑电信号是由脑神经活动产生并且始终存在于中枢神经系统的自发性电位活动，是一种重要的生理电信号。脑电信号非常微弱，随机性及非平稳性相当强，信号具有非线性，采集到的脑电信号背景噪声比较复杂，有工频干扰，电极与皮肤的接触噪声以及电极与地之间的共模信号的干扰等，并且脑电信号还会受到个体差异的影响，因此，对于脑电数据信号的分析成为难题，

由于脑电信号中包含的信息通常是隐性的，较难通过观察发现其全部规律，因此，需要对脑电数据进行特征提取。特征提取主要分为：基于脑电时频域信息的特征提取、基于熵理论与复杂度的特征提取以及基于非线性动力学的特征提取。

脑电特征提取之后，提取的特征可能存在信息的冗余，所以需要对特征进行选取。得到可识别的，可靠程度高的特征值是脑电数据分析的基础环节，具有重要意义。

因此，本发明的发明人亟需构思一种新技术以改善其问题。

发明内容

本发明旨在提供一种脑电特征提取和选择方法，其可以为脑电信号技术的实现和发展提供有力的技术支持，减少冗余信号，以提高脑电信号分析的准确度和效率。

为解决上述技术问题，本发明的技术方案是：

一种脑电特征提取和选择方法，包括如下步骤：

S1：对脑电数据进行特征提取，得到初始特征值；

S2：对得到的初始特征值进行特征组合集群分析，筛选出有效特征值。

优选地，所述步骤S2具体包括：

S21：使用指数衰减函数EDF来确定要保留的特征的数量，通过这一步，特征空间不断缩小；

S22：在每个EDF运行中，使用二进制矩阵采样BMS的特征采样方法用于从特征空间中选择特征以构建子模型；

S23：使用模型集群分析MPA以准确率为目标函数搜索最优特征子集。

优选地，所述步骤S1具体包括：

S11：对脑电数据进行预处理去除噪声，得到有效的脑电信号；

S12：对预处理后的脑电信号进行特征提取。

优选地，所述步骤S12对预处理后的脑电信号通过提取基于时域分析和时频域分析的脑电特征和基于熵理论与复杂度的脑电特征得到脑电信号的初始特征值。

优选地，所述步骤S11具体包括：

S111：对脑电信号进行工频干扰去除，得到初始滤波信号；

S112：对初始滤波信号进行伪迹消除，消除眼电和肌电的干扰，得到滤干扰信号；

S113：对滤干扰信号进行去除基线漂移处理；

S114：对消除基线漂移的信号进行滤波，得到有效的脑电信号。

优选地，所述步骤S12中基于时域分析的脑电特征提取包括但不限于提取统计参数和Hjorth参数。

优选地，所述步骤S12中基于时频域分析的脑电特征提取包括但不限于离散小波变换和经验模态分解。