[发明专利]基于特征融合和粒子群优化算法的MI脑电信号识别方法

权利要求书

1.基于特征融合和粒子群优化算法的MI脑电信号识别方法，其特征在于，包括以下步骤：

S1、采集MI脑电信号，并对采集到的MI脑电信号进行带通滤波，随后通过小波软阈值法进行去噪操作，并提取脑电特征信号；

S2、采用粒子群优化算法-随机森林算法PSO-RF对脑电特征信号进行特征筛选；具体实现方法为：

S21、对所有粒子进行随机初始化，粒子初始化为单个MI脑电信号的特征向量；

S22、根据适应度函数计算由所有粒子构成的种群的适应值，并将初始适应值中的最优值赋给全局最优值gbest；

适应度函数的计算公式为：

Fitness＝Accuracy+AUC+F_score

式中，Accuracy代表分类正确率，AUC代表ROC面积值，F-score代表分数；

分类正确率取为正确分类的样本数与样本总数之比，具体的计算公式为：

式中，Exactly值是分类正确的样本数量，Total指的是总样本数量；

F分数是衡量二分类的一种评价指标，它结合了精确率和召回率，具体公式为：

式中，Precision和Recall分别是模型的精确率和召回率，其计算公式为：

其中，TP是真阳性样本数，FN是假阴性样本数，FP是假阳性样本数；

S23、判断是否满足迭代结束条件；迭代的结束条件有两个：一个是超过了预设的最大迭代次数；另一个是已经达到了最优值；若满足其中任意一个迭代结束条件则保存粒子参数后跳出迭代循环；否则执行步骤S24；

S24、更新每个粒子当前的速度和位置：根据下式更新每个粒子的速度v和位置x：

v＝v+c₁*rand()*(pbest-x)+c₂*rand()*(gbest-x)

x＝x+v

v是粒子的速度，rand()是介于(0,1)之间的随机数，x表示粒子当前的位置，c₁和c₂是两个学习因子；

S25、评估每个粒子的适应度函数值：根据S24得到的粒子当前的速度和位置评估每个粒子的适应值；

S26、对每个粒子的历史最优位置进行更新：将每个粒子当前位置与历史位置上的适应值进行比较，选择适应值最优结果作为该粒子的局部最优值；

S27、对群体的全局最优位置进行更新：将所有粒子的局部最优值进行比较，选择适应值最优结果作为新的全局最优值pbest，替代更新原有的gbest；然后返回步骤S23。

2.根据权利要求1所述的基于特征融合和粒子群优化算法的MI脑电信号识别方法，其特征在于，所述步骤S1包括以下子步骤：

S11、采集一段时间内的MI脑电信号，将采集到的MI脑电信号进行带通滤波；

S12、采用小波软阈值法对滤波后的MI信号进行去噪处理；

S13、进行SCSP筛选通道，包括以下步骤：

S131、根据采样点和通道数所构成的矩阵来计算协方差矩阵，采样点即为信号采集时间内电极采集MI脑电信号的次数，一个电极即为一个采样通道；

S132、对协方差矩阵进行正交白化变换并对角化；

S133、计算投影矩阵；

S134、根据投影矩阵计算各个通道的得分；

S135、筛选得分最高的16个通道；

S136、将想象右手运动和想象右脚运动的两类不同样本进行合并；

S14、特征提取：建立自回归模型：

式中，P为自回归模型的阶数；a为自回归模型系数；e(k)表示的是自回归模型的残差，是均值为0、方差为or2的白噪声序列；x(k)表示所构建好的自回归模型；

采用最小二乘法对自回归模型进行参数估计；

自回归模型构建出来之后，利用自回归模型系数a来作为MI脑电信号的特征；

S15、进行特征融合：将SCSP筛选通道提取到的16维的特征向量、小波软阈值法去噪得到的64维的特征向量和自回归模型提取到的32维的特征向量进行随机组合，构成一个112维的特征向量。